定价与经销商分析

CPO Retail Command Center

CPO 零售指挥中心

把高端汽车经销商分析经验整合成一个决策闭环：全国 KPI 总览发现异常 → 经销商综合评分与根因下钻解释是哪家店、为什么 → 单车 CPO 定价层把发现落到具体的调价 / 促销 / 调拨行动清单。

在线体验 GitHub

关键指标

50 家经销商

× 5 大区，确定性合成网络

45/35/15/5

Dealer Score 权重（销售/售后/体验/合规）

140 台 CPO

单店库存 + 单车行动清单

¥496.83 MAE

加权集成定价模型，15 万条公开挂牌

区域均值会掩盖单店问题

实际跑通源项目自身的确定性生成器后发现一个真实结论：DLR-E07（全网排名最末）所在的华东区，其区域 CPO 达成实际是全网最高——因为全网排名第一的 DLR-E10 恰好也在华东。只看区域汇总会完全漏掉 DLR-E07。

只看区域 CPO 均值	华东区看起来是五个大区里最健康的
下钻 Dealer 360 综合评分	DLR-E07 排名垫底（50/50）
区域级回厂率（华东 76%）	DLR-E07 自身回厂率仅 61%——比所在区域低 15pp
只看区域视角的结论	会漏掉真正需要介入的门店

业务问题

高端汽车经销商网络要跨几十家门店追踪销售与售后表现。单一的综合 KPI 在全国或区域层面可能看起来健康，而某家具体门店却在悄悄掉队——正如本案例中 DLR-E07 的问题被其所在区域的均值完全掩盖。系统正是为了抓住这种失效模式而设计：综合评分用于排名，原始指数用于解释根因，单车定价层把诊断转化为库存行动。

闭环如何运作

1.全国经营总览——10 个首屏指标（5 个 Sales + 5 个 After-sales），基于确定性 50 家经销商合成网络（seed=2026）计算，并有预警标出排名下滑的经销商，还有一个基于同一套计算 KPI 回答 4 个预设经营问题的"问数"面板
2.Sales 与 After-sales KPI 体系——NC / CPO / Vans 分别核算达成率（不简单相加后比较），并有 CPO 达成、回厂率、CSI 的分区域拆解
3.Dealer 360——Dealer Score = 0.45·销售指数 + 0.35·售后指数 + 0.15·体验指数 + 0.05·合规指数，每个指数在全网范围内做 min-max 缩放到 0–100；完整 50 家经销商排名，并对每家店做规则化自动诊断（CPO 达成<90%、90天+库存占比>18%或库存天数>85、回厂率<66%、工位利用率<70%、满意度<85）
4.CPO 定价与库存——聚焦单店（DLR-E07）140 台 CPO 库存的健康度；价差 × 在库天数散点图集中呈现调价/促销/调拨的候选车辆；单车行动清单按规则分配动作（价差>8%且在库≥60天→调价；在库≥90天且价差不高→促销或调拨；价差<-6%→提价；其余维持）
5.单车定价模拟器——一个可交互表单（品牌档次、车型代码、车身类型、车龄、里程、功率、燃料、变速箱、损坏状态、挂牌价，外加 3 个一键场景预设）包裹二手车动态定价模型（XGBoost 514.23 / CatBoost 501.67 / LightGBM 591.00 / 加权集成 496.83，验证集 MAE，基于 15 万条公开挂牌数据），实时为单车定价并标注高估/低估/公允

看板 — 3 个 Tab

全国总览

全国首屏指标、指向表现不佳经销商的预警、分区域拆解，以及一个基于计算结果作答的"问数"面板。

Dealer 360

综合评分排名（全部 50 家）、评分分布、单店记分卡与原始指数拆解，以及自动根因诊断。

CPO 定价与库存

单店 CPO 库存健康度、行动清单生成，以及带真实模型对比表的可交互单车定价模拟器（可调车辆参数 + 场景预设）。

局限与诚实声明

所有经销商网络数字——目标、客户、车辆、VIN——均为合成且确定性生成（seed=2026），无任何真实企业数据
Dealer Score 权重（45/35/15/5）是透明的作品集设计假设，不是任何企业的官方指标定义
单车定价模型基于公开二手车数据集训练；公开应用使用规则模拟器以保持仓库轻量
源 Streamlit 应用里的区域文案并不总是和它自己的确定性输出一致（例如硬编码的"华东区 CPO 落后"这句话，与真实种子数据实际矛盾）——本次重建改为如实展示计算出的真实区域数字