summary_kpi
首页用于快速判断平台经营表现,按规模到订单到单价到用户到质量到履约的顺序展示关键指标。
平台成交规模在 2017 年进入明显爬坡期,2017-11 至 2018-05 进入高位运行区间。其中 2017-11 成交总额达到 115.35 万,为样本期单月峰值;2018-03 至 2018-05 连续三个月保持在 112 万左右,说明平台在后期已形成较稳定的高交易体量。
区域表现呈现出明显的规模核心区 + 高客单外围区结构。SP 以 577.03 万成交总额和 4.05 万有效订单绝对领先,但客单价仅 142.48,明显低于 PA、PB、AL 等低订单量高客单价州,说明头部州主要靠订单规模驱动,部分长尾州则更依赖单笔金额支撑。
支付与分期结构揭示出较清晰的消费分层:credit_card 贡献 1210.11 万成交总额,占主导地位;而信用卡订单中,单期平均订单金额仅 95.92,2-5 期提升至 147.33,6-10 期进一步升至 301.74,10 期以上达到 359.40,表明高金额订单明显更依赖中高分期完成支付。
整体订单完成质量较稳,终态失败率仅 1.26%,但履约效率存在显著区域差异。SP 平均配送天数仅 8.7 天,而 RR、AP、AM 等州已达到 29.34、27.18、26.36 天,说明平台在全国扩展后,远距离与低密度区域的物流效率明显弱于核心市场。
dashboard
展示成交总额、有效订单量、平均客单价、去重买家数、终态失败率与平均配送天数,用于快速判断平台整体规模、订单质量与履约效率。当前首页指标显示:成交总额约 1542 万,终态失败率仅 1.26%,平均配送天数为 12.5 天。

按月展示成交总额与有效订单量变化,用于识别平台增长阶段与波动区间。结果显示 2017-11 为单月成交峰值,2018-03 至 2018-05 维持高位运行,说明后期交易规模趋于稳定。

展示主业务阶段的月度客单价变化,用于观察订单质量与价格结构是否稳定,并辅助判断成交规模波动是由订单量还是单价主导。

展示成交总额排名前 10 的州,用于识别核心贡献地区与区域集中度。结合州维度表现可见,SP、RJ、MG 是最主要的交易贡献区域。

展示不同支付方式对应的成交总额,用于识别主导支付方式及支付结构差异。结果显示 credit_card 是最核心的支付路径。

展示不同分期档位下的订单数与平均订单金额,用于观察信用卡分期结构与高金额订单特征。结果显示平均订单金额随分期数上升而显著抬升。

metrics
challenge
sql directory
按 GitHub 中的实际 SQL 文件拆分展示用途与入口。完整代码放在 GitHub 仓库中。
用于完成数据预览、时间窗口确认、订单状态分布检查,以及州维度订单量与终态失败率摸底。
用于输出核心经营指标、月度经营趋势,并补充支付方式与信用卡分期结构分析。
用于完成区域分析、履约分析,以及三表合并后的区域经营质量对比。
用于生成 summary_kpi 页的一行总览数据,包含成交总额、有效订单量、客单价、买家数、终态失败率与平均配送天数。
用于生成月度趋势页数据,按月份输出成交总额、有效订单量与客单价。
用于生成州表现页数据,综合输出客户州的成交、订单、客单价、终态失败率与配送时长。
用于生成支付方式页数据,比较不同支付方式下的订单量、成交总额与客单价。
用于生成分期分析页数据,比较不同信用卡分期档位下的订单数与平均订单金额。
sql highlight
网页中只展开 1 段最能体现项目能力的重点 SQL,其余文件保留在 GitHub 仓库中。
通过交易、买家、终态失败率与配送天数四组指标,汇总成 summary_kpi 页的一行结果。
with payment_agg as (
select
order_id,
sum(payment_value) as payment_value
from olist_order_payments_dataset
group by order_id
),
trade_kpi as (
select
round(sum(p.payment_value), 2) as gmv,
count(distinct o.order_id) as valid_order_cnt,
round(sum(p.payment_value) / count(distinct o.order_id), 2) as aov
from olist_orders_dataset o
join payment_agg p on o.order_id = p.order_id
where o.order_status = 'delivered'
),
customer_kpi as (
select count(distinct c.customer_unique_id) as unique_customer_cnt
from olist_orders_dataset o
join olist_customers_dataset c on o.customer_id = c.customer_id
where o.order_status = 'delivered'
),
fail_kpi as (
select round(sum(order_status in ('canceled', 'unavailable')) / count(*) * 100, 2) as fail_rate_pct
from olist_orders_dataset
where order_status in ('delivered', 'canceled', 'unavailable')
),
delivery_kpi as (
select round(avg(datediff(order_delivered_customer_date, order_purchase_timestamp)), 2) as avg_delivery_days
from olist_orders_dataset
where order_status = 'delivered'
and order_delivered_customer_date is not null
and order_purchase_timestamp is not null
)
select
t.gmv as '成交总额',
t.valid_order_cnt as '有效订单量',
t.aov as '客单价',
c.unique_customer_cnt as '去重买家数',
f.fail_rate_pct as '终态失败率',
d.avg_delivery_days as '平均配送天数'
from trade_kpi t
cross join customer_kpi c
cross join fail_kpi f
cross join delivery_kpi d;project value
本项目完整覆盖了从业务问题拆解、SQL 数据提取、指标口径定义,到 Python / Power BI 可视化展示与项目包装的分析流程,重点体现数据口径意识、业务指标解释能力与项目表达能力。