技术手段： BI工具（finereport ）、python、sql
数据更新：每日零点更新数据。（独立开发）
商业智能分析平台 | Python/FineReport/SQLAlchemy

项目描述

业务价值：解决原有系统无法快速定位佣金异常的问题，建立「日期→商家→渠道→计划」四级下钻体系，使问题定位时效从1小时缩短至15分钟。重点监控头部媒体数据趋势，通过异常预警机制推动业务及时沟通。

标题技术实现：

动态检测引擎：
采用滚动窗口（14天）±2.5σ动态阈值算法并结合佣金同比波动率来判断异常。通过Python(SQLAlchemy)整合3个异构数据源，构建bi_duomaicps分析库
增加同比波动率辅助判断（当前值/去年同期值-1）。
智能可视化：
使用FineReport开发交互看板：
▶ 日期层：双轴趋势图（当月/环比/同比）+ 红点标记异常日期（K=2.5）
▶ 商家层：柱线组合图（绝对波动+波动率），自动筛选波动率>0.3 & 绝对波动>3000的异常商家
▶ 计划层：多系列折线图展示异常计划佣金流向，支持近14天趋势回溯
数据架构：
设计anomalies_date等5张核心分析表，建立每日零点自动更新机制.
项目意义：可以根据数据重点关注到头部媒体的趋势，以确认是否需要单独沟通媒体增量/控量/获取媒体反馈。不仅起到了明显的提效作用，还能帮助及时风控，从折线图可以及时发现异常增量趋势、数据异常趋势，及时沟通媒体后，减少风险/损失。
一、从日期维度分析异常
● 首页展示的是当月佣金数据，同时对比上月和上年同期的佣金趋势，同时下面明细表展示MOM和YOY的情况，方便业务人员导出数据。
● 通过数据分析异常突增或突减的日期来红点显示，并在表格上突出显示。
● 下钻功能：点击当前佣金分类可下钻到该异常日期下的渠道/商家波动情况，方便业务追踪溯源。

数据源：所有数据通过python 的sqlalchemy链接三个数据源，并且纵向合并到建立在115.238.100.75下的bi_duomaicps库。
异常判断逻辑：
● 动态阈值：阈值 = 滚动窗口均值 ± K*滚动标准差
窗口周期（如14天），K=2~3
● 同比波动率辅助判断（当前值/去年同期值-1）
异常日期表（anomalies_date）：记录异常日期、佣金、滚动均值、滚动标准差、上限、下限、引用日期、偏离程度。
在这里插入图片描述

二、商家/渠道总体分析

通过点击上图异常日期下的跳转到具体商家和渠道下的情况；
可筛选项：波动率、绝对波动和异常日期。
○ 波动率：（当前值-历史均值）/历史均值
○ 绝对波动： abs(当前值-历史均值)
○ 且/或（用户可只筛选满足波动率或者绝对波动情况条件的商家/渠道，或同时满足两个条件的商家/渠道），默认展示波动率>0.3，绝对波动幅度> 3000的商家，仅展示异常明显的商家/渠道。
展示上：使用finereportBI工具，图为柱形/折现图，柱子高度为商家/渠道的绝对波动，折线对应商家/渠道的波动率，通过柱形和折线结合分析商家/渠道的波动情况，下方附带明细表格方便业务人员导出。
下钻功能：点击对应商家/渠道的柱子可跳转到商家/渠道下的计划情况。
在这里插入图片描述

数据源： 115.238.100.75下的bi_duomaicps库。
异常日期下所有商家和渠道情况
表： analysis_result_business
在这里插入图片描述

表：analysis_result_client
在这里插入图片描述

三、商家/渠道下计划的分析

察觉到异常商家/渠道之后，点击下钻到该商家/渠道下的计划情况，先分析该商家/渠道最近2周的趋势，确定异常日期前后的趋势，然后点击‘计划’按钮，折线图增加计划分类。之后筛选出异常计划。
展示上：
● 图形：该商家/渠道近2周的佣金趋势变化情况，该商家/渠道近2周的计划（异常计划）佣金趋势变化情况。
所有计划佣金占比图。
● 表格：商家/渠道明细表，方便也业务导出分析。
在这里插入图片描述