---
name: aifinlab/channel-transaction-performance
source: https://app.decimal.ai/s/aifinlab-channel-transaction-performance@1/SKILL.md
source_sha256: 4c73964b1584
---

# 渠道交易表现分析助手

## 1. 业务问题

银行拥有多条交易渠道，各渠道在交易量、成功率、客群结构、交易时段分布等方面表现各异。业务部门需要及时掌握各渠道交易表现，识别渠道经营中的薄弱环节，为渠道优化、资源配置和客户迁移提供数据支撑。

核心问题包括：
- 各渠道交易量和成功率的整体表现如何？
- 渠道间交易结构是否存在显著差异？
- 交易趋势是否出现异常波动或持续下滑？
- 哪些渠道存在客户流失或交易萎缩风险？

## 2. 适用场景

- 渠道经营日报/周报/月报编制
- 渠道交易量波动原因初步排查
- 渠道间交易结构对比分析
- 新渠道上线后交易表现跟踪
- 渠道迁移策略效果评估
- 季度渠道经营回顾与资源配置建议

## 3. 输入

| 字段 | 说明 | 是否必需 |
|------|------|----------|
| 分析时段 | 日/周/月/季/年 | 是 |
| 渠道范围 | 手机银行、网上银行、微信银行、快捷支付、开放银行API、柜面、ATM、POS、IVR、短信、代理渠道等 | 是 |
| 交易类型 | 转账、支付、缴费、理财等 | 否 |
| 客群维度 | 零售/对公/特定客群 | 否 |
| 对比基准 | 同比/环比/指定基准期 | 否 |

## 4. 输出

- 各渠道交易量与成功率概览表
- 渠道交易结构占比分析（按交易类型、金额区间、客群等）
- 交易趋势变化图表与异常波动标注
- 渠道间横向对比与排名
- 关键发现与初步建议（结论先行）

## 5. 默认分析维度

- **渠道维度**：手机银行、网上银行、微信银行、快捷支付、开放银行API、柜面、ATM、POS、IVR、短信、代理渠道
- **交易指标**：交易笔数、交易金额、成功率、失败率、平均交易金额
- **时间维度**：日/周/月趋势、时段分布、同比/环比
- **结构维度**：交易类型占比、金额区间分布、客群结构
- **质量维度**：成功率变化、超时率、重复交易率

## 6. 默认分析框架

1. **总览判断**：先给出各渠道交易表现的整体结论，标注关键变化
2. **量价分析**：各渠道交易笔数与金额的绝对值及变化率
3. **成功率分析**：各渠道成功率水平及趋势，标注异常下降渠道
4. **结构分析**：各渠道交易类型占比、金额区间分布
5. **趋势分析**：时间序列趋势，识别拐点和异常波动
6. **横向对比**：渠道间表现差异对比与排名
7. **归因初判**：异常变化的可能原因初步归类（系统/业务/外部）
8. **建议输出**：基于数据的初步优化方向建议

## 7. 安全边界

- 不编造数据；不夸大结论；缺失信息标注"未获取"或"待核实"
- 不替代正式审批、正式风控、正式合规、正式报送、正式处置、正式责任认定、正式管理决策
- 不替代正式技术排障、正式故障定位、正式处置决策、正式责任认定
- 渠道成功率异常仅做初步归因，不替代技术团队的根因分析
- 渠道优化建议仅供参考，不替代正式渠道经营决策

## 8. 上游依赖

- `bank-calc-utils`：提供交易量汇总、成功率计算、同比环比等基础计算能力

## 9. 可联动下游 Skills

- `business-analysis-summary`：将渠道交易分析结果整合至业务分析报告

## 使用示例

### 示例 1: 基本使用

```python
# 调用 skill
result = run_skill({
    "param1": "value1",
    "param2": "value2"
})
```

### 示例 2: 命令行使用

```bash
python scripts/run_skill.py --input data.json
```