门店活动效果全维度分析项目

项目概述

本项目针对线下门店营销活动效果开展全维度量化分析，覆盖12个核心区域、1217家有效门店，通过Python实现数据分层建模、智能统计检验、多元回归分析全流程自动化，量化活动对不同维度门店的差异化影响，输出可落地的运营策略，解决活动效果评估与策略优化的核心业务问题。

项目背景

本次项目针对某产品线下门店活动效果开展全维度量化分析，核心目标是量化活动对不同区域、不同规模门店、不同开业类型门店的差异化影响，为后续活动策略优化、资源倾斜、区域精细化运营提供数据支撑。

分析覆盖12个核心区域、1217家有效门店，通过分层建模、智能统计检验、多元回归分析等手段，拆解活动效果的核心驱动因素，解决业务核心问题：

• 活动整体效果是否具备统计显著性？
• 不同区域/门店类型的活动效果存在哪些差异？
• 效果提升的核心归因是什么？
• 如何基于数据制定可落地的运营策略？

技术栈

核心功能模块

1. 数据加载与预处理

• 支持Excel/CSV双格式数据自动读取
• 自动计算日均销量、活动增量（diff）核心指标
• 数据去重、缺失值清洗、无效门店自动剔除
• 全流程日志记录，保证数据可追溯

2. 门店智能分层建模

• 规模分层：基于累计实收自动划分小店/中店/大店
• 类型分层：基于开业时长自动划分新店/次新店/成熟老店

3. 多源数据自动匹配

• 活动数据+规模数据+类型数据一键合并
• 自动统计匹配率，输出数据清洗报告
• 保证分析样本的有效性与一致性

4. 探索性数据分析（EDA）

• 增量分布、区域差异、相关性热图可视化
• 方差齐性/正态性预检验，为建模提供依据

5. 高级统计建模（核心亮点）

• 三因素ANOVA：自动检验方差齐性，智能切换普通ANOVA/Welch ANOVA
• 多元线性回归：遵循层级原则，自动筛选主效应/交互效应
• 完整模型诊断：VIF共线性、残差正态性、独立性、方差齐性检验

6. 自动化报告输出

• 导出可视化图表+Excel量化结果
• 生成全维度汇总报告，对接业务决策
• 日志+结果双留存，支持全流程复现

核心分析结论

一、核心统计结论

1. 活动整体效果显著：全门店活动后销量显著提升，回归模型具备统计显著性。
2. 区域差异是核心驱动：区域名称解释9.16%的活动增量差异，属于中等效应。有大量其他因素（门店自身客流、活动执行、竞争环境）未被纳入考量。
3. 门店规模/类型无显著影响：规模、类型对活动效果无统计学主效应。
4. 模型拟合度：R²=0.16，区域+门店属性可解释16%的效果差异。经EDA相关性热图可知，活动前销量是重要预测因子，后续加入活动前销量提升R²。预计提升到0.6以上

二、区域活动建议（提升幅度从高到低）

1. 加大投入：浙江、河南、安徽、广西，活动效果显著，可考虑延长活动时间、增加补贴力度，或作为新品首发区域。
2. 诊断改进：环粤、深圳、广州。效果差，需排查原因：是否竞争激烈？门店执行是否到位？定价是否敏感？建议进行小范围活动测试。
3. 重点关注:北京,p值边缘不显著，样本量较少，建议收集更多数据或单独分析北京门店的客群特征。

业务落地建议

• 资源倾斜策略：聚焦高效应区域，优化或收缩低效应区域。
• 策略简化：无需按门店规模/类型设计差异化活动，降低运营成本
• 区域优化：环粤区域开展活动形式、商品适配、执行力度专项整改
• 标杆复制：输出浙江区域标准化活动SOP，全国推广
• 长效监控：建立区域效果月度监控体系，持续迭代策略