分析師的必備能力

不知不覺，這趟 30 天的 Olist 資料分析與工程馬拉松已經正式過半！

回顧前 14 天，我們從最底層的髒資料起手，歷經型態轉換、防呆驗證、粒度聚合，並層層下鑽診斷。許多初階分析師在產出一堆圖表後就草草結束，但具備商業思維的資深分析師懂得在專案中段進行「戰略收斂」——將零碎的數據發現整合成清晰的營運診斷矩陣，並為下半場的策略轉型鋪路。

今天我們暫緩敲打程式碼，專注於用文字與架構化思維盤點上半場的四大核心發現，串聯問題背後的因果鏈條，並正式揭開下半場「用戶價值與資料架構工程」的戰略藍圖。

盤點上半場——四大瓶頸診斷矩陣

在過去兩週的實戰中，我們透過數據抽絲剝繭，層層推導出平台在履約與用戶體驗上的核心痛點：

地理分佈與客單價反差（Day 09）：

關鍵數據： 聖保羅州（SP）以超過 40% 的單量佔據絕對核心，但客單價偏低（約 110 BRL）；反觀 PB、AC、AL 等偏遠州別單量佔比不到 1%，客單價卻高達 200 BRL 左右。

商業解讀： 核心市場具備極高的消費頻次，以生活日用品為主；偏遠市場則因物流門檻，買家僅在採購高單價耐久財時才會選擇線上網購。

物流成本與運費負擔（Day 10）：

關鍵數據： 核心都會區運費佔比僅約 12%～14%，而北部與東北部偏遠州別的運費佔比飆破 25%～30%。

商業解讀： 偏遠買家每結帳 100 元就有近 30 元花在運費上。高昂的長途運費直接扼殺了偏遠地區日常消費的意願，是平台跨區擴張的最大阻礙。

滿意度斷崖與物理限制（Day 11～13）：

關鍵數據： 準時訂單的滿意度維持在 4.2 星的高檔，一旦配送延遲，評分直接腰斬至 1.7～2.2 星；超重大件商品（>15kg）的延遲風險比輕量包裹高出一倍以上。

商業解讀： 買家對「承諾跳票」的容忍度極低。辦公家具等品類之所以負評高居不下，主要來自龐大體積超出物流負荷所造成的頻繁延誤，而非產品本身品質瑕疵。

供給責任與履約骨牌效應（Day 14）：

關鍵數據： 賣家超時出貨（違反發貨極限日 SLA）時，整張訂單最終送達延遲的機率飆升至 30%～40%，而準時出貨的訂單延遲率僅 5%～6%。

商業解讀： 包裹遲到不能全由貨運承運商背鍋。
賣家壓貨拖延吃掉了後端幹線的緩衝時間，是引爆買家端延遲的始作俑者。

在明天正式進入程式實作前，我們先在概念層面認識第七張尚未登場的關鍵資料表：olist_order_payments_dataset。

這張表記錄了買家在結帳時的金流細節，主要包含：

• 支付方式 (payment_type)： 信用卡（credit_card）、線下代碼繳費（boleto）、代金券（voucher）與簽帳卡（debit_card）。

• 分期期數 (payment_installments)： 巴西電商極具特色的消費文化，連買幾十雷亞爾的日用品都能分 10 期甚至更長。

• 支付金額 (payment_value)： 買家實際刷卡或繳納的總金額。

明天，我們將帶著這張金流表，深入探索：「高客單價的商品，是否極度依賴長分期期數來支撐成交？」