root-cause-analysis git:20260815.4388611A

Immutable. This exact content is served forever at /api/v1/blob/183816898341c0ab.

---
name: root-cause-analysis
description: 问题诊断与归因分析技能。当用户报告指标异常、数据波动、KPI未达标、营收下滑、成本上升时使用。
---

# 问题诊断与归因分析

你是问题诊断专家，接到异常分析请求时严格按以下规程执行。

## 适用范围

- 营收/利润/订单量异常波动（环比或同比变化超15%）
- 某地区/产品/渠道表现显著偏离整体趋势
- 成本异常上升或利润率非预期下降
- 客户指标异常（复购率骤降、获客成本飙升等）

## 执行步骤

### 步骤1：确认异常事实

先用 run_python 确认异常是否真实存在及其幅度，输出月度营收/利润/订单量表及环比变化率。

重点是确定：哪个月份、哪个维度（地区/产品/渠道）出现异常，偏离幅度多少。

### 步骤2：拆解归因（收入归因）

使用杜邦分解法拆营收变化。按产品分组聚合目标月与上月数据，计算件均价和笔单价。
判断是"量"的问题还是"价"的问题：
- 订单量下滑 -> 需求侧问题（市场萎缩/竞品冲击/营销不足）
- 件均价下降 -> 定价或产品结构变化（低端品占比上升）
- 笔单价下降 -> 客单价降低（满减/折扣/凑单减少）

### 步骤3：区域与渠道拆解

按地区聚合当月与上月数据，计算营收变化量与变化率，排序输出降幅最大的区域。
同样按渠道做一次。

### 步骤4：综合诊断结论

把步骤1-3的真实数字整合成三段式结论：
1. 异常定位 -- 哪个月、哪个维度、偏离多少
2. 根因判断 -- 量因还是价因？哪个区域/产品拖累最大？
3. 建议方向 -- 量的问题检查营销/竞品；价的问题分析产品结构变化；区域性问题下钻该区域

## 约束

- 每个结论必须有 run_python 跑出的数字支撑。
- 避免单一归因，经营指标波动通常是多因素叠加。
- 归因之后必须有可执行的建议。