解释任何关键指标的变化更快分析，更智慧决策
✨WaterfallBridge 算法 + AI 辅助 — 一句话得到洞察。
拆解金额、百分比和比率 KPI — 收入、利润率、转化率、 留存率、良率 — 按产品、地区、渠道、细分、活动或 任何维度分析，揭示每次变动背后的根本原因， 覆盖财务、销售、营销、运营等更多场景。 为什么选择 WaterfallBridge？→
三步，从表格到结论
无需安装、无需配置、没有术语。带上你的文件，用一句话提问，读取高管摘要——数据由 AI 替你准备。
带上你的数据
上传 Excel 或 CSV、连接 Google 表格，或直接试用内置样例——无需整理格式。
用一句话提问
输入你想了解的问题——比如“上季度毛利率为什么下降？”剩下的交给 AI。
得到报告
看到瀑布图、关键驱动因素和一段大白话摘要——可直接分享或导出。
⚡ 即时 · 🌐 任意浏览器 · 🔒 数据永不存储 · 无需信用卡
选择你的使用方式
大多数人从免费的 Lite 开始。需要更强能力时，再升级到完整工作区或桌面应用 —— 你的账户在三者间通用。
✨ AI · 无需安装
Lite 在线方案
只需用一句话描述需求，AI 助手会自动准备数据并撰写执行摘要。
- 最快得到答案
- 任意浏览器均可使用 —— 桌面或移动端
- 免费开始，无需信用卡
- 数据永不存储
WaterfallBridge 与众不同之处
一个理念 — 精准锁定每次 KPI 变动背后的真实驱动因素 — 通过六项具体的突破能力实现。 通用 AI 工具与传统方差/瀑布分析工作流都望尘莫及。 全部开箱即用，无需脚本，无需电子表格繁琐拼接，更无需黑盒猜测。
拒绝黑盒决策 — 100% 透明的白盒引擎
向通用 AI 提问 "利润为什么下降了 7%？"，得到的是一段听上去合理的 概率推断式叙述 — 无法审计、无法与源数据对账。 WaterfallBridge 是一个 100% 透明的白盒引擎： 每一个基点的变化都由确定性、封闭形式的数学公式分解为具名驱动因子， 精确地加总回总变化值。在财务审计与核心商业归因中， "大概正确"等同于错误。
不止绝对值 — 百分比与比率也能拆解
所有传统瀑布工具都只能拆解绝对金额 — 收入、成本、利润。 WaterfallBridge 用同样一键式的工作流处理 百分比 与 比率 类 KPI：毛利率、转化率、留存率、赔付率、SLA、良品率等等。
每一个驱动因素 — 都能严丝合缝相加
分析师手工拆解百分比变化（例如毛利率、转化率）时， 各驱动因素的贡献几乎从不能精确加总等于总变化 — 总会留下一个 "无法解释的缺口" 让管理层一脸困惑。WaterfallBridge 采用 数学上严格对账的算法：每个驱动因素的贡献 精确 相加等于总变化，零残差、无须遮掩。
把任意百分比变化下钻到 SKU 级别
手工拆解通常只能停留在一个层级 — 你能看到 是单位成本 拖累了毛利率， 却不知道 是哪个产品、哪个渠道、哪个客户 在背后驱动。 WaterfallBridge 可以把百分比或比率瀑布中的任意驱动因素下钻到 任意更细的颗粒度，自动把贡献度归因到每一个 SKU。
| 产品 / SKU | 价格 (pt) | 成本 (pt) | 数量 (pt) |
|---|---|---|---|
| SkyView X1 | +1.4 | -1.1 | -1.4 |
| SkyView Lite | +1.4 | -1.1 | -0.5 |
| Gaming Beast | +0.8 | -0.6 | -0.1 |
| UltraSound Pro | +0.7 | -1.2 | +0.1 |
| 合计 | +8.4 | -7.5 | -2.9 |
自动公式拆解 — 任意 KPI，任意维度
只需输入 KPI 公式（例如 收入 / 访客、赔付 / 保费、GMV / 订单），
WaterfallBridge 会自动解析并完成拆解。一键切换维度 — 产品、地区、渠道、客户、活动 — 即可重新出图。
适用于任何行业、任何 KPI。
过去分析师做一个场景往往要花数小时 — 对于多维度的复杂 KPI，甚至需要 好几天 —
现在变成一次瞬时透视。
- 1按新维度重新透视源数据~30 分钟
- 2手工推导新 KPI 的方差公式~45 分钟
- 3逐行搭建贡献度计算表~60 分钟
- 4与总数对账 — 追查残差~30 分钟
- 5手工重绘瀑布图~20 分钟
- 1输入 KPI 公式（例如
LTV = ARPU × 毛利率 % / 流失率）~30 秒 - 2选择 基期 和 对比期~10 秒
- 3选一个维度 — 产品、地区、渠道、客户…~5 秒
- 4已对账瀑布 + 明细贡献度表自动渲染瞬时
- 5一键切换维度，重新切分分析瞬时
不只是分析 — 一个自带规划闭环的免费在线电子表格
大多数工具只能对已在别处定稿的数据做事后分析。 WaterfallBridge 把免费、功能完整的在线电子表格与驱动因素分析引擎合二为一， 可在任何平台运行、无需安装。上传你的数据（数据只留在你的浏览器中），实时编辑假设， 即时看到哪些驱动因素影响了结果，再把洞察直接回填到规划中。这正是预算、预测与规划团队的理想闭环： 改一个数字、找到差距、修正规划 — 几秒钟，而不是几天。
只需一句话 — AI 自动运行分析
不是分析师？没时间学习操作流程？你不再需要一步步点击。用自然语言描述你的问题，AI Assistant 会准备数据、运行 Bridge，并自动给出关键驱动因素和洞察。
- “Ask AI” 面板（Web 应用）：无需下载,直接在浏览器中运行。需要你自己的 AI 服务商 API Key（支持任意兼容服务商，如 OpenAI、Anthropic、DeepSeek 等）。密钥仅保存在你的浏览器中，用量由服务商直接向你计费。
- Claude Code / Cursor / Codex（通过 MCP）：使用你自己已有的订阅或套餐。WaterfallBridge 仅作为 MCP Server 接入。
- 1 · 准备将文件整理为 Bridge 格式
- 2 · 运行用 WaterfallBridge 引擎生成分析
- 3 · 读取提取图表和贡献表
- 4 · 解释用业务语言写出洞察
仅 Claude Code / Cursor / Codex（MCP 方式）需要。“Ask AI” 面板无需下载——在浏览器中打开并填入 API Key 即可。免费，目前仅支持 Windows。
1 · Web 应用中的 “Ask AI” 面板
在浏览器中打开 WaterfallBridge，点击右侧的 Ask AI。你可以直接用自然语言聊天，让它准备数据、运行分析并总结结果——完全无需下载或安装。
- 无需安装——完全在浏览器中运行，支持任意操作系统
- 只需填入你自己的 AI 服务商 API Key（任意兼容服务商，如 OpenAI / Anthropic / DeepSeek；仅保存在浏览器中，用量由服务商计费）
- 适合不想学习操作流程的用户
2 · 从 Claude Code / Cursor / Codex 调用
如果你已经在 AI 工具中工作，WaterfallBridge 可以作为 MCP Server 接入。只需让助手分析文件，它会替你操作 WaterfallBridge。
使用你自己已有的该 AI 工具订阅 / 套餐。
案例介绍
这几季度我们的利润率情况如何？
销售额增长了10%，但是利润率整体下降了7pt.
这可不太好，你能给我一个利润率下降7pt的拆解和分析报告吗？我需要知道是什么具体产品，什么原因导致了这些下降。最好能够分区域，分产品类型，渠道，或者是团队等其他维度做一个全面的类似分析，你可以和不同的时间段进行对比，比如去年，前年，或者我们的预算。这样让我们能够及时的发现问题并立即解决它。
如果是收入分析倒是很简单，但是如果把利润率7pt的下降拆解到具体的1000个SKU，并且要知道是价格，折扣率，成本等等哪个因素贡献了多少总体下降的pt，那可是一件很不容易的事情，如果再分区域，产品类型，渠道等，就更复杂了。然后还需要和去年，预算等不同版本的数据进行对比，简直不可能…
上面类似的需求是否经常在工作中经常遇见？是否会花费你一整天，或者几天时间甚至更长（不同维度的分析）才能得到一个分析结论。是否这个分析中包含了大量的人为估算，并且最后汇总所有的影响因素得到的利润率下降并不是准确的7pt，而你必须人为的进行调整，并且总数抱有一种不能100%确认计算过程是否正确的怀疑？
请使用WaterfallBridge，几分钟内就能完成类似的分析，通过算法等到准确的分析结果，并将收入，利润率变化等拆解成你希望的影响因素，不同的维度，以及不同的scenarios对比。让你精准的找到问题所在，及时行动，提高企业的竞争力。
与此同时，WaterfallBridge 还能在每个因素内部，在最细粒度层级（如 SKU 级别）计算贡献度——使用户不仅能追踪哪个高层级驱动因素影响了结果，还能深入了解具体是哪些底层项目推动了这一变化。
WaterfallBridge 适用人群
WaterfallBridge 不只是财务工具。任何需要解释 KPI 为何变化的团队——尤其是百分比和比率指标——都可以使用它。从毛利率%、转化率、留存率和良率，到 offer acceptance rate、SLA 和完课率，WaterfallBridge 帮助你按产品、客户、渠道、地区、队列等维度拆解变化，完全可追溯。
在以下场景中尤为适用：
- 解释绝对值指标的变化，如营收、利润、成本、支出、销量等
- 拆解百分比/比率指标的变化，如毛利率%、转化率、CTR、良率、折扣率、流失率等
- 识别明细维度的贡献度，如 SKU、产品、客户、渠道、地区、供应商、广告活动等
- 生成严格对账、可逐步审核的分析结果
| 行业 / 领域 | 典型岗位 | 常见分析问题 | WaterfallBridge 可拆解的核心因素 | 独特价值 |
|---|---|---|---|---|
| 财务 / FP&A | FP&A Manager, Finance Analyst, CFO Office | 为什么 Revenue / Profit / Margin % 与预算或去年相比发生变化？ | Price, Volume, Mix, Cost, FX, Structure | 不仅能做金额 bridge，也能对 Margin % 等比例指标做可追溯拆解 |
| 银行 / 金融机构 | FP&A、Treasury、ALM、Finance Manager、Bank Performance Analyst | 为什么 NIM 或 NII 发生变化？哪些产品、存款类型或分行是主要驱动？ | Rate、Volume、Mix、资产负债结构、产品、期限、币种、分行 | 将 NIM / NII 变化拆解为利率、规模、结构组合等因素，可追溯，适合管理报表和董事会审阅 |
| 保险 | Finance Analyst、核保分析师、精算师、CFO Office | 为什么 Combined Ratio、Loss Ratio 或承保利润率发生变化？哪些产品或地区是主要原因？ | Loss Rate、Expense Rate、保费规模、产品结构、地区、渠道、赔案频率 | 对 Loss Ratio、Combined Ratio 等比率指标按产品、地区、结构进行拆解 |
| 市场营销 / 广告投放 | Performance Marketing Analyst, Growth Analyst, Marketing Ops | 为什么 CTR、CVR、ROAS、CAC 变了？哪些 campaign / keyword 在影响结果？ | Traffic, Channel Mix, Device Mix, Geography, Campaign, Keyword, Offer | 适合解释转化率/点击率等比率指标变化，并下钻到广告维度 |
| 电商 / 零售 | E-commerce Analyst, Category Manager, Commercial Analyst | 为什么销售额、毛利率、折扣率、订单转化率变了？哪些 SKU / 渠道在贡献变化？ | Price, Units, Discount, Product Mix, Channel Mix, Freight, Cost | 可把总结果拆到 SKU / 品类 / 渠道 / 地区，适合高维明细分析 |
| 采购 / 供应链 | Procurement Analyst, Supply Chain Analyst, Sourcing Manager | 为什么采购支出或单位采购成本上升？哪些供应商 / 品类是主要驱动？ | Unit Price, Volume, Supplier Mix, Category Mix, FX, Logistics | 不只是看 spend 总额，还能解释成本率 / 采购结构变化 |
| 制造 / 运营 | Operations Analyst, Plant Controller, Manufacturing Finance | 为什么单位成本、良率、废品率、毛利率发生变化？ | Volume, Yield, Scrap, Labor, Overhead, Material Cost, Product Mix | 对率类指标如 yield %、scrap %、margin % 的拆解更有优势 |
| SaaS / 订阅业务 | RevOps, BizOps, Growth Ops, Customer Success Ops | 为什么 trial-to-paid、retention、churn、ARPU、NRR 变了？ | Customer Mix, Plan Mix, Price, Volume, Cohort, Region, Channel | 可用于解释订阅和转化类 KPI 的变化来源 |
| 销售管理 / 商业运营 | Sales Ops, Business Analyst, Commercial Excellence | 为什么 win rate、平均售价、客户利润率、地区销售表现变化？ | Price, Volume, Customer Mix, Product Mix, Region, Sales Team | 适合从总销售结果下钻到客户 / 产品 / 区域贡献 |
| 产品 / 数据分析 | Product Analyst, BI Analyst, Data Analyst | 为什么 engagement、activation、conversion、retention 等核心指标变了？ | User Mix, Channel Mix, Version Mix, Region, Device, Feature Adoption | 对"为什么 KPI 变了"给出比 dashboard 更可解释的答案 |
| 客服 / 服务运营 | Service Ops, Support Analyst, Call Center Analyst | 为什么 SLA、解决率、投诉率、工单效率变化？ | Ticket Mix, Channel Mix, Team Mix, Region, Product Type | 可把服务指标变化拆成结构因素与执行因素 |
| 医疗 / 教育 / 公共服务 | Operations Analyst, Planning Analyst, Program Manager | 为什么某些运营指标或绩效指标发生变化？ | Volume, Mix, Resource Allocation, Region, Service Type | 适合任何需要把复杂 KPI 变化解释清楚的场景 |
| 招聘 / 人才获取 | Recruiter, Talent Acquisition Analyst, HR Operations, 招聘经理 | 为什么面试通过率、offer 接受率、招聘转化率变了？哪个岗位、渠道或地区是主要原因？ | 候选人量, Source Mix, 岗位 Mix, 地区, Recruiter, 面试阶段, Offer 条件 | 按岗位、来源、Recruiter、地区下钻，解释招聘漏斗比率变化 |
| 教育 / 培训 | Education Operations, Academic Analyst, Program Manager, Learning Ops | 为什么完课率、出勤率、通过率、课程满意度变了？哪个课程、队列或校区是主要原因？ | 学员 Mix, 课程 Mix, 队列, 教师, 校区, 授课形式, 出勤, 考核结果 | 跨队列、课程、教师、校区维度拆解教育 KPI 变化 |
| 游戏 / 移动 App | Game Analyst, Live Ops, Growth Manager, Monetization Analyst | 为什么 D1/D7 留存、付费转化、ARPPU、互动率变了？哪个版本、国家或获客渠道是主要原因？ | 用户 Mix, 版本 Mix, 渠道 Mix, 国家, 设备, 队列, 内容/活动 Mix | 按版本、队列、渠道可解释地 Bridge 游戏与 App 的 KPI 变化 |
| 呼叫中心 / 联络中心 | Call Center Manager, WFM Analyst, Service Ops Analyst | 为什么放弃率、服务水平、处理时长、首次解决率变了？哪个队列、班次或团队是主要原因？ | 来电量, 队列 Mix, 团队 Mix, 班次, 语言, 地区, 问题类型, 人员配置 | 将服务 KPI 中的结构性 mix 效应与执行因素分开 |
| DTC / 中小商家 / Creator 电商 | Shopify 店主, Creator Manager, Growth Operator, E-commerce Lead | 为什么店铺转化率、退款率、AOV、产品毛利变了？哪个产品、广告活动或流量来源是主要原因？ | 流量 Mix, 产品 Mix, 价格, 折扣, 渠道, Creator/营销活动, 地区 | 让小团队也能使用高级 Bridge 分析，而不只是大企业分析师 |
| 岗位 | 他们关心什么 | WaterfallBridge 对他们的价值 |
|---|---|---|
| FP&A / Finance Analyst | Budget vs Actual、Forecast vs Actual、YoY 差异解释 | 快速输出可对账的 bridge，并支持 Margin % 等复杂指标 |
| CFO / 财务负责人 | 管理层汇报、结果归因、关键驱动透明 | 获得清晰、可审阅、可复核的变化解释路径 |
| 银行 FP&A / ALM / Treasury | NIM、NII、贷款收益率、存款成本、重定价风险、资金来源结构 | 将利差变化拆解为利率、规模、结构组合和资产负债结构，完全可追溯 |
| 保险财务 / 核保分析师 | Loss Ratio、Combined Ratio、承保利润率、保费结构 | 解释 Combined Ratio 变化的产品、地区、渠道和结构性驱动因素 |
| Marketing Analyst | CTR、CVR、ROAS、Campaign performance | 从总结果到 campaign / keyword / channel 的贡献分析 |
| E-commerce Analyst | SKU、折扣、渠道、品类利润分析 | 从总毛利率下钻到 SKU / Category / Store / Channel |
| Procurement Analyst | Spend variance、supplier impact、unit cost changes | 解释采购成本变化，而不只是展示报表 |
| Supply Chain Analyst | 成本、物流、供应商切换、结构变化 | 分析结构变化如何影响整体成本与效率 |
| Operations Analyst | 效率、服务水平、产能、良率变化 | 把运营结果变化拆解成可执行的驱动因素 |
| Sales Ops / Commercial Analyst | 地区、客户、产品、价格驱动 | 识别哪些客户 / 区域 / 产品在真正推动结果 |
| BI / Data Analyst | Dashboard 之后的"为什么" | 用更结构化的方式解释 KPI 波动，而不是只做监控 |
| Pricing Analyst | 提价、折扣、组合变化对利润的影响 | 清楚分离 price、mix、discount、cost 等影响 |
| 增长分析师（Growth Analyst） | 为什么转化率、激活率、留存率、漏斗表现变了？ | 把 KPI 变化拆解为跨渠道、队列、设备、地区、版本的结构性驱动 |
| RevOps / BizOps | pipeline 转化率、ARPU、留存率、扩展收入的变化原因是什么？ | 从 headline KPI 到客户 / 计划 / 地区 / 渠道贡献度的可对账 Bridge |
| 招聘分析师（Talent Acquisition Analyst） | 面试通过率、offer 接受率、来源效果、招聘漏斗质量 | 按岗位、来源、Recruiter、地区、阶段解释招聘漏斗比率变化 |
| 中小企业主 / 运营者 | 店铺转化率、AOV、退款率、产品盈利能力 | 无需搭建完整 BI 模型，即可实现高级 KPI 拆解 |
| 分析场景 | 常见指标 | 适用示例 |
|---|---|---|
| Budget vs Actual | Revenue, Profit, Margin %, Cost | 解释实际结果与预算差异 |
| Forecast vs Actual | Sales, GM %, Opex, Conversion Rate | 分析预测偏差来自哪里 |
| YoY / MoM / WoW 变化 | Revenue, Units, Spend, KPI rates | 比较不同期间的变化驱动 |
| Price–Volume–Mix 分析 | Revenue, Gross Profit, Margin % | 分解价格、销量、结构对结果的影响 |
| Margin % 驱动分析 | GM %, CM %, EBITDA % | 解释百分比指标变化，而不只看金额 |
| 贡献度分析 | SKU, Customer, Region, Channel, Campaign | 找出谁在拉动或拖累整体结果 |
| 渠道 / 地区 Bridge | Sales, Conversion, Spend, Profitability | 比较不同渠道、地区表现变化 |
| 产品 / SKU 分析 | Margin, Discount, Units, Mix | 看产品结构变化如何影响整体 KPI |
| 供应商 / 采购分析 | Unit Cost, Spend, Landed Cost | 分析供应商与采购结构影响 |
| 运营 KPI 分析 | Yield, Scrap, SLA, Resolution Rate | 解释运营效率或服务指标变化 |
| 营销 KPI 拆解 | CTR, CVR, CPC, ROAS | 解释广告投放和流量质量变化 |
| SaaS KPI Bridge | Retention, Churn, ARPU, Trial-to-Paid | 分析订阅与客户结构变化 |
| NIM / NII 差异分析 | NIM、NII、贷款收益率、存款成本、利差 | 分析利率、规模、结构和资产负债表重组对净息差变化的影响 |
| Loss Ratio / Combined Ratio 分析 | Loss Ratio、Expense Ratio、Combined Ratio、承保利润率 | 按产品、地区或渠道拆解承保结果变化 |
| 招聘漏斗分析 | Screening Rate, Interview Pass Rate, Offer Acceptance Rate, Time-to-Hire | 解释招聘转化率为何变化，按岗位、来源、Recruiter、地区拆解 |
| 留存率 / 流失率 Bridge | Retention Rate, Churn Rate, Renewal Rate, Expansion Rate | 判断是客户 Mix、产品 Mix、价格还是队列质量导致订阅 KPI 变化 |
| 转化率拆解 | CVR, Checkout Rate, Trial-to-Paid, Activation Rate | 解释总体转化率在设备、渠道、地区、落地页维度上为何变化 |
| 客服 KPI Bridge | SLA, Resolution Rate, Abandonment Rate, Complaint Rate | 把支持运营中的量 / 结构变化与执行问题分开 |
| App / 游戏 KPI 分析 | D1 Retention, D7 Retention, Payer Conversion, ARPPU | 按 App 版本、队列、活动、国家、获客来源解释 KPI 变化 |
| 店铺 / DTC 表现 Bridge | Store Conversion, AOV, Refund Rate, Product Margin % | 按产品、营销活动、流量来源解释小型电商业务的变化原因 |
- Revenue（营收）
- Profit（利润）
- Cost（成本）
- Spend（支出）
- Units / Volume（销量）
- Headcount（人数）
- Inventory（库存）
- Margin % / GM % / CM %
- Conversion Rate（转化率）
- Click-Through Rate（点击率）
- Engagement Rate（互动率）
- Discount Rate（折扣率）
- Yield % / Scrap Rate（良率/废品率）
- Retention Rate / Churn Rate（留存/流失率）
- Net Interest Margin（净息差，NIM）
- Loss Ratio / Combined Ratio（赔付率/综合成本率）
- SKU / 产品 / 品类 / 品牌
- 客户 / 账户
- 渠道 / 门店
- 广告活动 / 关键词
- 国家 / 地区 / 站点
- 供应商 / 厂商
- 工厂 / 团队
- 产品 / 期限 / 币种（银行）
- 分行 / 业务线（银行）
拆解的每一步都清晰可见、可追溯，没有黑盒。
所有贡献因素之和始终等于 KPI 总变化，无需手动调整。
不仅是图表，而是完整的驱动因素与贡献度分析逻辑。
尤其擅长处理 Margin %、转化率、CTR、良率等比率型 KPI。
分析 SKU、客户、渠道、地区、供应商、广告活动等的贡献度。
适合需要快速答案、管理层可用输出结果、熟悉 Excel 工作流的团队。
不只是分析。一个免费、功能完整的在线电子表格：上传数据（数据只留在你的浏览器中）、实时编辑、即时分析驱动因素 — 非常适合预算、预测与规划。
使用说明
- ✓ 无需安装任何软件
- ✓ 无需 Microsoft Excel 或 Office
- ✓ 支持任何现代浏览器
- ✓ 跨平台：Windows、Mac、Linux、移动设备
- ✓ 上传 Excel 或 CSV 即可立即分析
- ✓ 离线处理，无需联网
- ✓ 需要 Windows + Excel 2016 或更高版本
- ✓ 推荐使用 Microsoft 365
- ✓ 大数据集处理更快
- ✓ 100% 本地运行 — 数据不会离开您的设备
以下分步说明以桌面版（配合 Excel 使用）为示例。网页版（在线使用）的分析流程相同 — 只需在浏览器中上传文件即可开始。
以下的说明使用了"模拟超市"的虚拟数据集来演示如何使用WaterfallBridge工具自动生成Bridge分析，并得到关键的驱动因素。
📋 开始之前，请确保您的数据格式正确。查看数据准备指南 →
展开分步手动操作教程
初始面板上显示两个按钮"新建Bridge文件" 和"打开已有Bridge文件"
1.1 点击"新建Bridge文件"按钮 - 生成一个新的excel文件，其中包含一个新的"Data"工作表。请在"Data"工作表中输入相应的数据，并以此作为进一步的分析。
1.2 点击"打开已有Bridge文件"按钮 - 选择之前已经使用过的Excel文件。这个文件应该保存有相应的数据并设定好Data Type。
请在Data工作表的B列开始，第一行输入数据类型，第二行输入字段名，和第三行开始往下所有的行输入数据。A列为自动生成的第一行到第三行需要输入数据的标识说明，A列本身对数据和分析不产生影响。
请在"Data"工作表的第一行生成的下拉菜单中，从B列开始，选择数据的类型，类型根据数据需要表示的含义而定。程序将根据数据的类型进行自动分析。
数据的类型分为5种： Dimension, Key, SumY, SumN, Result。每一个字段必须定义一种数据类型，可以使用下拉菜单选择数据类型。
现在以我们的模拟超市的数据为例，讲解每种数据类型的含义，每种类型的定义如下：
例如：如果将"Prodect Name"选为Key，则程序将会计算每个变量在这个"Prodect Name"这个维度上的变化对最终结果(Result)的影响。
例如：每一行不同产品的Quantity可以加总， 加总后含义为总商品的数量。因此Quantity的Type可以设置为SumY。
SumY中可以直接输入数值，也可以使用公式通过其他的字段计算出数值。但是公式中只能使用Excel公式中的加减乘除四则运算符号以及括号，也就是：加+，减-，乘*，除/，左括号"("，右括号")"。公式使用注意事项
例如：不同的产品的Price并不一样，如果要计算所有产品的平均Price，并不能直接将A产品的Price 加上B 产品的Price从而直接得到整体的Price。因此Price的Type可以设置为SumN。
SumN中可以直接输入数值，也可以使用公式通过其他的字段计算出数值。但是公式中只能使用Excel公式中的加减乘除四则运算符号以及括号，也就是：加+，减-，乘*，除/，左括号"("，右括号")"。公式使用注意事项
例如：如果Result字段的内容是sales，那么单元格需要输入 = Price * Quantity。或者是margin%，那么单元格需要输入=profit / revenue。
Result里的公式是程序用来关联变量及结果，以及分析逻辑依赖的重要信息。请确保在每一行的Result单元格中都含有可以计算出Result的公式，公式应该简洁清晰。Result 会分析公式中每个变量对Result的影响，而不在公式中的变量则并不在分析范围内。Result 公式中至少应该有一个字段的Data Type 是 SumY，这样才能把不同行的数据进行汇总分析。
Result公式中只能使用Excel公式中的加减乘除四则运算符号以及括号，也就是：加+，减-，乘*，除/，左括号"("，右括号")"。公式使用注意事项
在"Bridge Data"工作表的B列第三行开始往下输入具体的数据。
当点击“New Bridge File” 或者“Select Bridge File”打开文件后，在面板上将会出现蓝色按钮New Bridge和Refresh Bridge。
3.1 New Bridge按钮，根据工作表Data的数据生成新的下拉菜单和Bridge工作表等分析框架，以便之后对数据进行分析。（注意：原workbook中有相关工作表例如Bridge工作表和相应的数据将会被删除。）如果Data工作表的数据有任何变化，则必须先按下"New Bridge"按钮，生成新的分析框架后再：1.对新的Baseline和Comparison下拉菜单进行选择； 2. 按下"Refresh Bridge"按钮，重新生成需要的Bridge图表和Contribution Analysis分析。
3.2 Refresh Bridge按钮 - 根据分析需要选择Baseline 和 Comparison下拉菜单中的选项后，按下"Refresh Bridge"按钮，生成需要的Bridge 图表和Contribution Analysis分析。缺失数据或者工作表将会出现提示，建议点击New Bridge，重新生成新的Bridge。
下拉菜单将会分两个区域，Baseline 和 Comparison
Baseline 和 Comparison下拉菜单中的字段，每个字段包含的选项完全一样。用户可以根据需要在下拉菜单中筛选那些选项作为Baseline数据，那些选项作为Comparison的数据,以此作为Bridge两端的对比和分析的数据。注意：当初始的时候，默认Baseline和Comparison下拉菜单中的字段是全选的，因此Baseline和Comparison得到的是完全一样的数据集，因此得到的是没有差异的Bridge。
Bridge 工作表是展示最终分析结果，包括Bridge图和Contribution Analysis表格的工作表
5.1 Bridge 数据源 - 在左上角B3单元格开始，会出现字段名和数据，这是生成Bridge图表使用的数据。
5.2 Bridge图 - 显示经过程序运行后分析得到的Bridge，左边的蓝色柱子为Baseline，中间为每个变量贡献的影响，右边柱子Chart为Comparison.
5.3 Contribution Analysis 表格 - 在Bridge 图像的正下方，将会显示Contribution Analysis表格，其中显示了对Key字段的每个Item，在不同的因素下对整体变化的贡献。
通过Bridge图 和Contribution Analysis表格，将能够很快地找到影响变化的最主要Item（SKU），以及变化的因素（价格？成本？还是数量Mix？）
可以通过修改2.1 数据类型选择中，选择哪个字段是Key，哪个字段是Result，来分析不同维度，不同的result数据。并且可以根据3下拉菜单来筛选那些数据为Baseline和Comparison，点击Refresh Bridge生成更新的Bridge图和Contribution Analysis表格，以便对实际业务情况进行分析，并提出改进的建议
6.SumY 和 SumN 运算规则
展开 SumY / SumN 运算规则
在Data工作表的第一行Data Type中，数值被分为两种类型SumY 和 SumN，并在Result一列中含有公式并使用这些数据。为了对数据进行正确的分析，这里我们定义了一些关于SumY 和 SumN的运算规则：
SumY + SumY = SumY
SumY + SumN (将会提示错误）
SumN + SumN = SumN
SumY * SumY = SumY
SumY * SumN = SumY
SumN * SumN = SumN
SumY / SumY = SumN
SumY / SumN = SumY
SumN / SumY = SumN
SumN / SumN = SumN
每一列使用相同的公式：程序将会自动的将第四行的公式去除固定单元格符号“$"后复制到一整列，以确保每一列的公式都相同。
6.4.1 在公式中，如果包含括号，则根据四则运算优先计算括号内的数据，结果作为值并运用上面的规则继续运算。
示例： (SumY + SumY) * SumN
第一步：SumY + SumY = SumY
第二步：SumY * SumN = SumY
最终结果类型：SumY
6.4.2 如果Result一列得公式中引用了其他得单元格，而这个单元格也包含公式，则分析将会把所有引用嵌套的公式合并到一个公式中进行分析。
示例：
E列公式：=B*C （Total Cost = Quantity * Unit Cost）
F列Result公式：=D-E （Profit = Revenue - Total Cost）
合并后：程序会分析 =D-(B*C)
6.4.3 程序将会根据公式的结构，自动进行变量的重新排序和使用乘法分配律，这样是为了更好的进行数据的分析。
原始公式： =SumY*(SumN1 + SumN2)
程序处理后： =SumY*SumN1 + SumY*SumN2
这样有助于更清晰地分析SumY、SumN1、SumN2各自的贡献。
7. Added Data 和 Removed Data
展开 Added / Removed 数据的处理方式
在真实的业务场景中，两个时间段之间被对比的项目几乎不可能完全一致：新产品上市、老产品停产、客户进进出出、门店开开关关、地区有进有退。Bridge Analysis 通过两个专门的概念来处理这些结构性变化：Added Data（新增数据） 和 Removed Data（移除数据）。
Added Data（新增数据） —— 仅出现在 Comparison 期，而在 Baseline 期不存在的记录。它们代表全新的事物，例如新上市的产品线、新开的门店、新签的客户。
Removed Data（移除数据） —— 仅出现在 Baseline 期，而在 Comparison 期已不存在的记录。它们代表退出、停产、流失或关闭的事物。
因为 Added Data 没有"之前"的值，Removed Data 没有"之后"的值，所以它们的影响无法被归因到任何单一因子（如价格变化、数量变化、成本变化等）。它们必须被独立隔离，作为 Bridge 图表上单独的柱子来呈现。
如果将 Added Data 和 Removed Data 混入常规的价格 / 数量 / 组合差异计算中，结果在数学上将毫无意义：
- 新上市的产品没有 Baseline 价格，"价格差异"无从定义。
- 已停产的产品没有 Comparison 数量，"数量差异"无从定义。
- 强行用 0 值代入公式，会人为放大或缩小其他因子，扭曲整个 Bridge 分析的结论。
先把这两类数据剥离出来，剩下的"同口径"项目才能干净地按价格、数量、组合、成本、汇率等真正的驱动因素进行拆解。
现实中最常见的 Added / Removed Data 体现，就是产品生命周期里的 NPI / EOL：
- NPI — New Product Introduction（新品上市）：今年（Comparison）刚推向市场、去年（Baseline）还不存在的产品。它的全部销售额、成本和毛利都归入 Added Data 这根柱子。
- EOL — End of Life（产品退市）：去年（Baseline）还在销售、今年（Comparison）已经停产并从产品目录中下架的产品。它失去的销售额和毛利归入 Removed Data 这根柱子。
同样的模式适用于许多其他业务场景：
- 零售 / 门店网络：新开门店 = Added Data；关闭门店 = Removed Data。
- 客户 / 订阅业务：本期新签客户 = Added Data；流失客户 = Removed Data。
- 地域扩张：新进入的国家 / 地区 = Added Data；退出的市场 = Removed Data。
- 并购重组：新收购的业务单元 = Added Data；剥离出售的业务单元 = Removed Data。
- 员工分析：新入职员工 = Added Data；离职员工 = Removed Data。
假设某公司正在分析销售收入的同比变化：
Baseline（2024 年）—— 产品 A、B、C
- 产品 A：收入 1,000
- 产品 B：收入 800
- 产品 C（EOL —— 2025 年已停产）：收入 300
- Baseline 合计：2,100
Comparison（2025 年）—— 产品 A、B、D
- 产品 A：收入 1,100（含价格与数量变化）
- 产品 B：收入 900（含价格与数量变化）
- 产品 D（NPI —— 2025 年新上市）：收入 250
- Comparison 合计：2,250
Bridge 拆解（Baseline 2,100 → Comparison 2,250，Δ = +150）：
- Removed Data（产品 C，EOL）：−300
- Added Data（产品 D，NPI）：+250
- A、B 同口径的价格 / 数量 / 组合变化：+200
- 总变化：−300 + 250 + 200 = +150 ✓
在 Bridge 图表上，EOL 影响和 NPI 影响显示为两根清晰独立的柱子；剩下的柱子（价格、数量、组合等）只反映两个时期都存在的产品的真实业绩变化。这样讲故事就非常清晰：" 因 EOL 损失 300，因 NPI 增加 250，存量产品组合贡献 200 增长。"
程序会自动通过对比 Baseline 与 Comparison 两张数据表的 Key 列（如 Product ID、Customer ID、Store ID）来识别 Added 和 Removed 记录：
- 仅出现在 Comparison 表中的 Key 值 → 视为 Added Data。
- 仅出现在 Baseline 表中的 Key 值 → 视为 Removed Data。
- 同时出现在两张表中的 Key 值 → 走正常的因子分解流程（价格、数量、成本等）。
无需手工打标签 —— 只要确保 Key 列（如产品编码）在两期之间保持一致，Bridge Analysis 就能正确处理 NPI / EOL 等结构性变化。
8. 其他工作表
为了程序的正确运行，一些其他的工作表将会产生但是被隐藏起来，请不要修改这些工作表。
9. 数据安全保障
桌面版（Use with Excel）：所有数据仅存在于本地 Excel 文件中，程序完全在本机运行，分析过程中没有任何网络通信。
在线版（Use Online）：表格数据保留在浏览器中，仅有极少量轻量级的算法 API 请求用于完成 Bridge 计算，不会在我们的服务器上存储任何用户数据。
10. 透明可解释的分析
拒绝AI分析的模糊结论和不可解释性，分析计算过程完全透明并可以解释
Process工作表透明度
包含Bridge图表和数据产生的逻辑和算法，每个计算步骤都可以追溯和验证。
传统黑盒分析：
❌ "AI模型显示利润率下降7pt"
❌ 无法解释具体计算过程
❌ 无法验证结果准确性
透明分析：
✅ "价格因素：-3pt, 成本因素：-2pt, 数量因素：-2pt"
✅ 每个计算步骤在Process工作表中可见
✅ 所有公式和逻辑完全可验证
本地数据安全
桌面版：零网络通信，所有数据处理在本地完成，确保企业数据绝对安全。
在线版：仅有极少量轻量级的算法 API 请求，不在服务器上存储任何用户数据。
桌面版（Use with Excel）：
✅ 数据不离开本地电脑
✅ 无需上传到云端服务器
✅ 分析过程无需网络连接
✅ 符合严格的企业数据安全政策
✅ 避免数据泄露风险
在线版（Use Online）：
✅ 表格数据保留在浏览器中
✅ 仅有极少量轻量级算法 API 请求
✅ 不在我们的服务器上存储任何用户数据
✅ 适用于非敏感数据集和快速的网页分析
精确数学计算
基于严格的数学公式，确保分析结果的准确性和可靠性。
传统估算分析：
❌ 人工估算，可能存在误差
❌ 各因素影响无法精确量化
❌ 汇总结果需要人工调整
精确计算：
✅ 数学公式保证100%准确
✅ 各因素贡献精确到小数位
✅ 总和自动平衡，无需调整
高效分析
几分钟完成传统需要几天的复杂分析，大幅提升工作效率。
多维度分析
支持按产品、区域、时间等多维度进行深入的驱动因素分析。
灵活配置
可以随时调整分析维度和对比场景，满足各种业务分析需求。
编辑与分析一体化 —— 为规划而生
大多数工具只能对已完成的数据做事后分析。WaterfallBridge 不同：它是一个免费、功能完整的在线电子表格，可在任何平台运行。上传你的数据 —— 数据只留在你的浏览器中 —— 实时编辑，并即时进行驱动因素与差异分析，无需反复导出/导入。
专为预算、预测与规划团队打造：修改一个假设，立即看清是什么在驱动差距，定位问题点，再把洞察直接回填到规划中 —— 让数字更紧凑、更准确、更经得起推敲。
传统工作流：
❌ 在一个工具里做规划，导出后再导入到分析工具
❌ 分析是独立的、事后的步骤
❌ 反馈循环缓慢 —— 难以快速测试"假设"
WaterfallBridge 闭环：
✅ 直接在在线表格中编辑预算/预测数据
✅ 即时看到哪些驱动因素影响了结果
✅ 几秒内调整规划并重新分析 —— 全部在同一处完成
✅ 免费、跨平台，数据只留在你的浏览器中