DTC 增长经营复盘案例¶
这个案例展示 DataFoundry 如何支持一个真实感更强的 DTC 电商经营复盘。页面面向外部读者组织为可阅读、可本地复现的场景案例：先理解数据模型，再执行只读分析，连接业务信号，并保留每个结论背后的证据。
场景背景¶
某美妆 DTC 品牌在 2026-06-24 至 2026-06-30 期间进行了增长投放。GMV 明显上涨，但财务发现毛利率承压，客服侧也出现更多退款相关工单。运营团队需要在下一轮预算分配前回答三个问题：
- 增长主要来自哪些渠道和商品品类？
- 这次增长是否健康，还是被折扣、退款和投放成本侵蚀了利润？
- 下周渠道预算应该如何调整，依据是什么？
数据资产¶
案例使用一个本地 SQLite 数据集，包含 5 张表：
| 表名 | 代表的数据 |
|---|---|
orders |
订单级 GMV、折扣、成本、退款、渠道、商品、城市和新客标记。 |
ad_spend |
渠道级投放、活动名称、曝光、点击和花费。 |
products |
SKU 元数据、品类、标价、单位成本和供应商。 |
customer_tickets |
与订单关联的客服工单，包括问题类型、情绪和处理时长。 |
daily_targets |
每日 GMV、毛利率和退款率目标。 |
本地复现¶
在仓库根目录运行：
脚本会生成：
如果本地 API 已启动，脚本还会自动注册数据源：
如果 API 还没有启动，可以先运行 API，再重新执行种子脚本：
也可以在 Web 工作台的数据源面板中手动添加：
- 类型：
sqlite - 名称：
DTC Growth Review - 文件路径：
storage/fixtures/dtc-growth-demo.sqlite
分析路径¶
先让 Agent 做 schema grounding，确认它在写 SQL 前理解数据表和字段含义：
对比最近 7 天和前 7 天的经营表现：
结合投放数据诊断渠道质量：
连接客服侧证据：
把分析转成经营决策：
代表性发现¶
种子数据是确定性的，一次典型分析会看到以下模式：
| 指标 | 2026-06-17 至 2026-06-23 | 2026-06-24 至 2026-06-30 |
|---|---|---|
| 订单数 | 14 | 18 |
| GMV | 4,465 | 6,511 |
| 客单价 | 318.93 | 361.72 |
| 净毛利 | 2,058 | 1,561 |
| 净毛利率 | 46.09% | 23.97% |
| 退款率 | 0.00% | 10.72% |
这个案例里的增长是真实存在的，但增长质量并不均衡。抖音贡献了最近 7 天最大的 GMV，但同时伴随更重的折扣、更高的投放花费和退款订单。小红书的 GMV 增量较小，但在种子数据中保持了更好的毛利表现且没有退款。客服工单集中在退款申请、优惠说明不清楚、优惠券未生效和物流慢，这些运营信号为毛利和退款诊断提供了补充证据。
这个案例体现的能力¶
- 先理解结构再分析： Agent 应先基于表和字段建立数据理解，而不是直接生成 SQL。
- 只读执行边界： SQL 通过 Data Gateway 执行，不把数据源凭据暴露给浏览器或模型上下文。
- 跨表经营诊断： 订单、投放、商品、目标和客服工单可以汇聚成一次经营复盘。
- 证据可追溯： SQL、结果表、中间步骤和最终结论都可以被复核。
- 产出可复用： 分析结果可以沉淀为运营周会摘要，而不是一次性的聊天回答。
边界说明¶
这是一个用于产品评估和工作流验证的小型本地数据集。结果是确定性的，但它不是模型准确率 benchmark，也不能替代你自己的数据治理评估。生产环境中应连接企业自己的数据源，在追溯面板中复核生成 SQL，并结合组织内部的权限、审批和审计策略使用。