本体+AI大模型驱动的电商数据分析报告自动生成方案构想和设计验证

步骤一  提出分析需求          电商经营数据分析目标定义
   ↓
步骤二  AI 细化需求           指标体系 · 数据对象 · 关系 · 规则
   ↓
步骤三  本体建模              M1–M5 + M_Metric 六模型体系
   ↓
步骤四  数据库映射            本体实体 → 现有数据库表字段映射
   ↓
步骤五  分析模板构建          报告结构 · 指标配置 · 展示规范
   ↓
步骤六  AI 驱动报告生成       数据采集 → 推理分析 → 报告输出

用户(1) ──── 下单 ──── 订单(N)
订单(1) ──── 包含 ──── 订单明细(N)
订单明细(N) ── 关联 ── 商品SKU(1)
商品SKU(N) ── 属于 ── 商品SPU(1)
商品SPU(N) ── 归属 ── 商品类目(1)
商品SPU(N) ── 上架于 ── 店铺(1)
订单(1) ──── 对应 ──── 支付记录(1)
订单(1) ──── 可能有 ── 退款记录(N)
订单(1) ──── 产生 ──── 物流记录(1)
订单(N) ──── 使用 ──── 优惠券(1)
营销活动(1) ─ 包含 ──── 优惠券(N)
用户(1) ──── 产生 ──── 用户行为记录(N)
用户(1) ──── 参与 ──── 营销活动(N)（多对多）
店铺(1) ──── 管理 ──── 库存记录(N)
商品SKU(1) ── 对应 ──── 库存记录(N)（跨仓库）
访问会话(1) ─ 包含 ──── 页面访问记录(N)
用户(1) ──── 发起 ──── 访问会话(N)

# data-mapping.yaml
# 本体实体 → 电商平台数据库表 映射配置
# 版本：1.0 | 置信度：由 AI 辅助生成，人工审查确认

version:"1.0"
source_db:
type:MySQL          # 支持 MySQL / PostgreSQL / ClickHouse / Hive
schema:"ecommerce"
timezone:"Asia/Shanghai"

entity_mappings:

-ontology_entity:ENT-ORD-001# 订单实体
    confidence:0.95
    db_tables:
      -table:"t_order"
        alias:"ord"
        primary:true
      -table:"t_order_extra"     # 扩展信息表
        alias:"ord_ext"
        join_on:"ord.order_id = ord_ext.order_id"
        join_type:LEFT
    field_mappings:
      -ontology_field:orderId
        db_expression:"ord.order_id"
        confidence:1.0
      -ontology_field:userId
        db_expression:"ord.buyer_id"
        confidence:0.95
      -ontology_field:shopId
        db_expression:"ord.seller_id"
        confidence:0.95
      -ontology_field:payAmount
        db_expression:"ord.payment_amount"
        confidence:0.90
        note:"需确认是否含运费，部分平台运费单独结算"
      -ontology_field:orderStatus
        db_expression:"ord.status"
        value_mapping:            # 枚举值映射
          "1":"待付款"
          "2":"已付款"
          "3":"已发货"
          "4":"已签收"
          "5":"已取消"
          "6":"已退款"
        confidence:0.85
        note:"⚠️ 需与业务方确认状态码含义，低置信度"
      -ontology_field:createdAt
        db_expression:"ord.gmt_create"
        transform:"CONVERT_TZ(ord.gmt_create, '+00:00', '+08:00')"
        confidence:0.98
    # 有效订单过滤条件（对应 RULE-MTR-001）
    default_filter:"ord.status NOT IN ('5', '6') OR (ord.status = '6' AND ord.refund_status = 'PARTIAL')"

# metric-sql-mapping.yaml
# 指标 → 可执行 SQL 映射配置

metric_sql_mappings:

-metric_id:MTR-TXN-001   # GMV
    sql_template:|
      SELECT
        DATE_FORMAT(CONVERT_TZ(ord.gmt_create, '+00:00', '+08:00'), '{date_format}') AS stat_date,
        {dimension_select}
        SUM(ord.payment_amount) AS gmv
      FROM t_order ord
      {dimension_join}
      WHERE {date_filter}
        AND ord.status NOT IN ('5', '6')
      GROUP BY stat_date {dimension_group}
      ORDER BY stat_date
    parameters:
      date_format:
        daily:"%Y-%m-%d"
        weekly:"%Y-%u"
        monthly:"%Y-%m"
    supported_dimensions:
      -name:店铺
        select:", ord.seller_id AS shop_id"
        join:""
        group:", ord.seller_id"
      -name:类目
        select:", cat.category_name AS category"
        join:"LEFT JOIN t_product p ON ord.product_id = p.product_id LEFT JOIN t_category cat ON p.category_id = cat.id"
        group:", cat.category_name"
    # 可追溯信息
    traceability:
      ontology_refs:[ENT-ORD-001,RULE-MTR-001]
      mapping_refs:[ENT-ORD-001.payAmount,ENT-ORD-001.orderStatus]

# template-monthly-report.yaml
template_id:TPL-MONTHLY-001
template_name:月度电商经营分析报告
applicable_roles:[平台运营总监,数据分析师]
time_dimension:月度
comparison_periods:[MoM,YoY]

sections:

-section_id:SEC-001
    title:"一、本月经营总览"
    type:overview_dashboard
    content:
      -block:core_metrics_cards
        metrics:
          -MTR-TXN-001   # GMV
          -MTR-TXN-002   # 有效订单数
          -MTR-TXN-003   # 客单价
          -MTR-TFC-001   # UV
          -MTR-TFC-003   # 访问转化率
          -MTR-USR-004   # 复购率
        display:"6宫格数字卡片，每格显示：指标名、当期值、环比变化（↑↓箭头+百分比）"
        insight_prompt:|
          基于以上6个核心指标的当期值和环比变化，用3句话概括本月经营整体状况：
          1. 规模层面：GMV和订单量的变化表明...
          2. 效率层面：转化率和客单价的变化表明...
          3. 用户层面：复购率的变化表明...
          如有指标出现超过10%的异常波动，重点说明。

-section_id:SEC-002
    title:"二、GMV 趋势与结构分析"
    type:trend_and_structure
    content:
      -block:gmv_trend_chart
        metric:MTR-TXN-001
        chart_type:line_with_bar     # 折线（本期）+ 柱状（上期对比）
        time_range:"近12个月"
        display:"折线图展示月度GMV趋势，灰色柱状表示去年同期，标注同比增速"
      -block:gmv_by_category
        metric:MTR-TXN-001
        dimension:类目
        chart_type:stacked_bar
        top_n:8
        display:"堆叠柱状图，展示各类目GMV贡献及占比变化"
      -block:gmv_by_channel
        metric:MTR-TXN-001
        dimension:渠道
        chart_type:pie_with_trend
        display:"饼图展示本月各渠道GMV占比，附各渠道环比变化"
      -block:gmv_top_shops
        metric:MTR-TXN-001
        dimension:店铺
        chart_type:horizontal_bar
        top_n:10
        display:"前10店铺GMV排名，标注各店铺环比变化率"
      insight_prompt:|
        基于GMV趋势数据和结构分析：
        1. 指出GMV同比/环比的主要驱动因素（是订单量增长还是客单价提升？）
        2. 指出贡献增量最大的类目/渠道，及其背后可能的原因
        3. 如有GMV下滑，分析主要拖累项
        4. 给出1-2条 actionable 建议

-section_id:SEC-003
    title:"三、流量与转化漏斗分析"
    type:funnel_analysis
    content:
      -block:conversion_funnel
        steps:
          -name:平台UV
            metric:MTR-TFC-001
          -name:商品详情页UV
            metric:MTR-TFC-001
            filter:"page_type='product_detail'"
          -name:加购用户数
            metric:MTR-TFC-004
          -name:下单用户数
            metric:MTR-TFC-003
          -name:付款用户数
            metric:MTR-TXN-002
        chart_type:funnel
        display:"标准漏斗图，每层显示绝对值和转化率"
      -block:channel_conversion_compare
        metrics:[MTR-TFC-001,MTR-TFC-003]
        dimension:渠道
        chart_type:scatter
        display:"散点图，X轴=UV量，Y轴=转化率，气泡大小=GMV，识别高流量低转化和低流量高转化渠道"
      insight_prompt:|
        基于漏斗数据：
        1. 指出转化率最低的环节（流量损失最大处）
        2. 对比各渠道的流量质量（UV → 转化率的关系）
        3. 给出提升整体转化率的重点优化方向

-section_id:SEC-004
    title:"四、用户质量分析"
    type:user_analysis
    content:
      -block:user_growth_chart
        metrics:[MTR-USR-001,MTR-USR-002,MTR-USR-003]
        chart_type:multi_line
        time_range:"近12个月"
        display:"多折线图，展示新用户、老用户、MAU的趋势变化"
      -block:user_retention_heatmap
        metric:MTR-USR-005
        chart_type:heatmap
        display:"用户留存热力图：行=注册月份，列=留存天数（1/7/14/30/60/90天），颜色深浅表示留存率"
      -block:rfm_segmentation
        metric:MTR-USR-009
        chart_type:bubble_matrix
        display:"RFM气泡矩阵：X轴=频次分，Y轴=消费金额分，气泡大小=用户数，颜色=最近购买分；标注各象限用户群名称（高价值、潜力、流失风险等）"
      -block:user_ltv_distribution
        metric:MTR-USR-007
        chart_type:histogram
        display:"用户LTV分布直方图，标注各区间用户数和GMV贡献"
      insight_prompt:|
        基于用户数据：
        1. 分析新老用户的比例变化，判断平台是处于拉新驱动还是留存驱动增长阶段
        2. 指出留存率的关键拐点（哪个时间节点流失最严重）
        3. 识别RFM矩阵中最需要运营关注的用户群，给出具体运营建议

-section_id:SEC-005
    title:"五、商品运营分析"
    type:product_analysis
    content:
      -block:category_performance_matrix
        metrics:[MTR-PRD-001,MTR-PRD-004,MTR-PRD-006]
        chart_type:quadrant
        display:"四象限矩阵：X轴=销售额，Y轴=转化率，识别明星类目/问题类目/潜力类目/待淘汰类目"
      -block:product_abc_analysis
        metric:MTR-PRD-001
        chart_type:pareto
        display:"帕累托图：按商品销售额排序，标注A类（贡献80% GMV）/B类/C类商品比例"
      -block:inventory_health
        metrics:[MTR-PRD-005,MTR-PRD-007,MTR-PRD-008]
        chart_type:kpi_cards_with_alert
        display:"库存健康度卡片：库存周转天数（行业基准对比）、缺货率（红色预警）、滞销率（橙色预警）"
      insight_prompt:|
        基于商品数据：
        1. 指出表现最好和最差的3个类目，分析差异原因
        2. 针对库存问题给出优化建议（哪些品要补货，哪些品要清库存）
        3. 识别转化率低但流量大的商品，给出优化页面/定价的建议

-section_id:SEC-006
    title:"六、营销效果评估"
    type:marketing_analysis
    content:
      -block:campaign_roi_ranking
        metrics:[MTR-MKT-003,MTR-MKT-001,MTR-MKT-006]
        chart_type:table_with_bar
        display:"活动列表：活动名、GMV贡献、营销费用、ROI、拉新数、复购带动，按ROI排序"
      -block:coupon_efficiency
        metrics:[MTR-MKT-002,MTR-MKT-006]
        chart_type:scatter
        display:"优惠券效率散点图：X轴=使用率，Y轴=ROI，识别高效/低效优惠券类型"
      insight_prompt:|
        基于营销数据：
        1. 评估本月营销投入整体效率，ROI是否达到预期
        2. 指出ROI最高和最低的活动类型，分析原因
        3. 给出下月营销资源分配建议（增加哪类活动预算，削减哪类）

-section_id:SEC-007
    title:"七、供应链与履约质量"
    type:supply_chain_analysis
    content:
      -block:fulfillment_kpi
        metrics:[MTR-SCM-001,MTR-SCM-002,MTR-SCM-003,MTR-SCM-004]
        chart_type:gauge_cards
        display:"仪表盘卡片：发货及时率（目标≥95%）、平均发货时长（目标≤24h）、物流妥投率（目标≥98%）、平均配送时长"
      -block:after_sale_analysis
        metric:MTR-SCM-005
        dimension:店铺
        chart_type:heatmap
        display:"店铺售后问题率热力图，标注超过平均值的店铺"
      insight_prompt:|
        基于履约数据：
        1. 指出发货和配送环节的主要短板
        2. 识别售后问题率偏高的店铺，分析是物流原因还是商品质量原因
        3. 给出改善履约质量的建议

-section_id:SEC-008
    title:"八、关键问题与行动建议"
    type:ai_conclusion
    content:
      insight_prompt:|
        综合以上所有分析数据，以高管视角输出：

        **本月经营三大亮点**（最多3条，每条包含数据支撑）：
        1....
        2....
        3....

        **本月三大风险预警**（最多3条，每条包含严重程度评级和量化影响）：
        1.[高/中/低]...
        2....
        3....

        **下月重点行动建议**（最多5条，每条包含：行动项、预期效果、负责团队、优先级）：
        1.[P0]...
        2.[P1]...
        3....

        输出风格：数据说话，避免空话；每条结论必须有具体数字支撑；建议必须具体可执行。

template_id: TPL-DAILY-001
template_name:日/周度经营快报
applicable_roles:[平台运营总监,类目运营,店铺运营]
time_dimension:日/周
sections:
-section_id:QRP-001
    title:"核心指标速览"
    metrics:[MTR-TXN-001,MTR-TXN-002,MTR-TFC-001,MTR-TFC-003]
    display:"4格数字卡片 + 环比箭头"
-section_id:QRP-002
    title:"今日/本周 GMV 走势"
    metric:MTR-TXN-001
    chart_type:area_chart
    display:"面积图，对比上期同时段走势"
-section_id:QRP-003
    title:"异常预警"
    type:auto_alert
    rules:"指标波动超过阈值自动触发，列出异常指标、异常值、阈值、可能原因"
-section_id:QRP-004
    title:"AI 简析"
    type:ai_brief
    insight_prompt: |
      用3句话说明今天/本周最重要的3件事，语言简洁直接，适合移动端阅读。

template_id: TPL-CHURN-001
template_name:用户流失专题分析报告
sections:
-流失规模定量分析（MTR-USR-006，各维度拆解）
-流失用户画像（RFM分层中的流失用户特征）
-流失时间节点分析（首购后多少天流失最集中）
-流失原因推断（结合行为数据和售后数据）
-挽回成本评估（挽回1个流失用户的成本vs拉1个新用户的成本）
-预测模型（哪些用户在未来30天流失风险最高）
-挽回策略建议

你是一个专业的数据分析架构师和 AI 分析引擎，正在构建一套
「本体模型驱动的电商经营数据智能分析系统」。

你需要严格遵循以下本体建模规范来完成建模工作：
> 【本体建模规范文档引用地址：用户将在此处提供】

---

## 一、背景与目标

当前任务是为一个电商平台构建完整的智能数据分析能力，
实现从原始数据库 → 本体语义层 → AI 推理 → 分析报告的全链路。

核心约束：
- 不修改现有数据库任何表结构
- 不迁移任何数据到新平台
- 通过外部语义映射层实现数据接入
- AI 推理与确定性 SQL 计算严格分层，不混用

---

## 二、系统构建任务（按顺序执行）

### 任务 A：本体建模

基于以下完整的电商数据分析需求，严格按照本体建模规范，
输出完整的本体模型元文件（YAML 格式）：

**需要建模的数据对象（17个实体）**：
交易域：订单(Order)、订单明细(OrderItem)、支付记录(Payment)、
        退款记录(Refund)、物流记录(Logistics)
商品域：商品SPU(Product)、商品SKU(ProductSKU)、商品类目(Category)
用户域：用户(User)、用户行为记录(UserBehavior)
店铺域：店铺(Shop)、库存记录(Inventory)
营销域：营销活动(Campaign)、优惠券(Coupon)、广告投放(Advertisement)
流量域：访问会话(Session)、页面访问记录(PageView)

**需要建模的行为（10个分析行为）**：
生成经营概览、趋势分析、维度拆解分析、用户分层分析、
漏斗转化分析、商品ABC分析、异常检测、归因分析、
预测分析、生成完整分析报告

**需要建模的规则（14条）**：
GMV口径、新用户定义、活跃用户定义、复购用户定义、
客单价口径、ROI计算口径、用户等级划分、库存周转计算、
退款率口径、RFM评分规则，以及4条数据质量规则

**需要建模的指标（扩展 M_Metric 模型，30+个指标）**：
交易规模类7个、流量转化类8个、用户质量类9个、
商品运营类8个、营销效果类6个、供应链履约类6个

**需要建模的场景（5个分析场景）**：
月度经营分析、周度快报生成、用户流失分析、
商品健康度分析、营销效果复盘

**需要建模的分析角色（5个）**：
平台运营总监、类目运营、店铺运营、数据分析师、营销经理

**各角色数据权限**：
- 平台运营总监：全平台全指标
- 类目运营：所负责类目的相关指标（商品、流量、转化）
- 店铺运营：所负责店铺的相关指标
- 数据分析师：全量脱敏数据 + 自定义查询权限
- 营销经理：营销和用户相关指标

**本体模型特殊要求**：
1. M_Metric 指标模型是本次建模的核心扩展维度，每个指标必须包含：
   指标ID、名称、英文名、计算口径描述、依赖实体引用、
   规则引用、支持的统计粒度、可拆分维度、默认展示类型
2. M2 行为模型中的分析类行为需标注推理类型：
   SQL_COMPUTE（确定性计算）/ STAT_ALGO（统计算法）/ LLM_REASONING（AI推理）
3. 所有跨实体的关联关系必须在 M1 中完整定义（双向）

---

### 任务 B：数据库映射配置生成

给定以下电商平台数据库表信息（用户将提供实际表结构），
生成完整的数据库映射配置文件（data-mapping.yaml）。

**映射配置要求**：
1. 每个本体实体对应一个映射配置块
2. 每个字段映射必须标注置信度（0.0-1.0）
3. 置信度 < 0.8 的映射必须附加 note 说明不确定原因
4. 需要多表 JOIN 的实体，明确 JOIN 条件和 JOIN 类型
5. 枚举类字段必须提供 value_mapping（数据库值 → 本体语义值）
6. 需要转换或计算的字段，提供 db_expression 或 derivation 公式
7. 每个实体的映射块末尾附加 default_filter（对应业务规则过滤条件）
8. 整个映射文件末尾附加置信度汇总和待人工确认条目清单

**指标 SQL 模板要求**：
1. 每个 M_Metric 指标生成对应的 SQL 模板
2. SQL 模板支持参数化：{date_format} {date_filter} {dimension_select} 等
3. 每个 SQL 模板附加 traceability 溯源信息（引用的本体实体和规则）
4. SQL 模板必须包含防注入处理说明

---

### 任务 C：分析报告生成执行

当用户触发分析报告生成时，按以下严格流程执行：

**步骤 C1：指标数据采集（确定性计算，不使用 LLM）**

对报告模板中的每个指标：
1. 从 data-mapping.yaml 获取对应 SQL 模板
2. 替换时间参数（用户指定的时间范围和粒度）
3. 根据用户角色的数据权限追加过滤条件
4. 执行 SQL，获取结构化数据
5. 记录每条数据的溯源信息：执行的 SQL + 返回行数 + 执行时间
6. 数据质量检查：空值率、异常值检测

**步骤 C2：统计分析（统计算法，不使用 LLM）**

1. 计算同比/环比变化率
2. 趋势判断（线性回归斜率）
3. 异常检测（3σ法则 或 IQR法则）
4. RFM评分计算
5. ABC分类计算

**步骤 C3：AI 推理分析（LLM，仅用于语义推理）**

输入：步骤 C1 和 C2 的结构化数据结果
任务：
1. 识别数据中的显著模式（同比/环比异常变化）
2. 推断可能的业务原因（结合本体语义理解数据含义）
3. 识别指标间的关联关系（A指标下降是否与B指标相关）
4. 生成每个分析模块的 insight 文字结论
5. 生成最终的行动建议

**LLM 推理约束**：
- 所有数字必须来自步骤 C1/C2 的计算结果，禁止 LLM 自行编造数字
- 每条推理结论必须引用具体数据来源
- 不确定的推断必须使用"可能"/"初步判断"等限定语
- 无法从数据中推断的问题，明确说明"数据不足以支撑此结论"

**步骤 C4：报告组装**

按报告模板结构，将数据、图表配置和文字结论组装为完整报告：
1. 按 section 顺序组装
2. 图表输出为可渲染的配置对象（ECharts 格式）
3. 文字结论使用 Markdown 格式
4. 报告末尾附加数据溯源表：指标名 → SQL → 执行时间 → 数据质量状态

---

## 三、输出格式规范

### 本体模型输出格式
严格遵循本体建模规范的 YAML 格式，文件组织：
- m1-object-model.yaml（含所有实体和关系）
- m2-behavior-model.yaml（含10个分析行为）
- m3-rule-model.yaml（含14条业务规则）
- m4-scenario-model.yaml（含5个分析场景）
- m5-actor-model.yaml（含5个角色和权限）
- m_metric-model.yaml（指标模型扩展，30+指标）

### 分析报告输出格式
```json
{
"report_meta": {
    "template_id": "TPL-MONTHLY-001",
    "generated_at": "2026-03-xx",
    "time_range": {"start": "2026-02-01", "end": "2026-02-28"},
    "generated_by_model": "模型名称",
    "data_quality_score": 0.95
  },
"sections": [
    {
      "section_id": "SEC-001",
      "title": "一、本月经营总览",
      "data": { /* 原始数据 */ },
      "charts": [ /* ECharts 配置对象 */ ],
      "insight": "AI 生成的分析文字",
      "data_sources": [ /* 溯源信息 */ ]
    }
  ],
"action_recommendations": [ /* 行动建议列表 */ ],
"data_lineage": { /* 完整溯源表 */ }
}

---

## 六、关键设计决策说明

### 6.1 推理引擎分级（最重要的架构决策）

| 计算类型 | 使用引擎 | 适用场景 | 原因 |
|---------|---------|---------|------|
| 指标聚合 | SQL | GMV、订单量、UV等 | 确定性强，必须精确，LLM 会产生幻觉 |
| 统计分析 | 统计算法 | 趋势判断、异常检测 | 有成熟算法，无需LLM |
| 因果推理 | LLM | 为什么GMV下降 | 需要语义理解，无法用SQL做 |
| 报告撰写 | LLM | 文字结论生成 | 需要自然语言能力 |
| 预测分析 | LLM + 统计 | 趋势预测 | 结合历史数据规律和业务理解 |

### 6.2 溯源链路设计

### 6.3 M_Metric 指标模型扩展设计

在现有 M1-M5 规范基础上，新增第六个本体模型维度：

```yaml
# M_Metric 指标模型 — 字段规范
metric:
  id: String                    # 指标唯一标识 MTR-{Domain}-{Seq}
  name: String                  # 指标中文名
alias: String                 # 英文标识
  description: String           # 业务含义说明
  formula: String               # 计算公式（自然语言描述）
  sql_template_ref: String      # 对应 SQL 模板引用
  depends_on: EntityRef[]       # 依赖的本体实体
  rule_refs: RuleRef[]          # 依赖的计算规则
  grains: Enum[]                # 支持粒度：[日, 周, 月, 季度, 年]
  dimensions: String[]          # 可拆分维度
  default_visualization: Enum   # 默认图表类型
  computation_type: Enum        # SQL_COMPUTE / STAT_ALGO / LLM_REASONING
  tags: String[]                # 业务分类标签