逐步了解：如何使用WaterfallBridge
跟随我们的详细演示，从第一天就掌握关键驱动因素分析。
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。
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。
工作原理
在实际工作中，将两个结果之间的差异以绝对值形式进行拆解，通常相对直接。例如，如果总营收从 1,000 增长到 1,200，+200 的变化通常可以直接分解为销量、价格、产品结构、汇率等驱动因素。WaterfallBridge 能非常高效、便捷地处理这类分析。
然而，当差异以百分比指标表达时——例如利润率 %——驱动因素拆解与贡献度分析就会变得复杂得多。原因在于，百分比指标不具备加法性，其变化往往受权重与结构效应的影响。
因此，以下示例重点分析利润率 % 的变化，逐步演示如何按驱动因素拆解差异，并分步计算每个因素的贡献。
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。
总体而言，WaterfallBridge 专为高效处理不同业务背景和分析场景下，绝对值指标与百分比指标的贡献分析而设计。
一、程序原理介绍
以下示例使用两产品场景，演示如何逐步替换每个驱动因素，以及各贡献度如何精确相加还原。
核心原理
当我们分析整体利润率 % 的变化时，不能简单地将各产品、国家或地区的利润率 % 变化相加，因为总利润率 % 本质上是：
这是一个基于收入加权形成的结果，而非各子项百分比的简单加总。
因此，最可靠、且结果始终能精确还原的方法之一是：
具体做法：
- 从旧场景（预测/基准）出发
- 每次仅将一个变量替换为新值（实际值），其余变量保持不变
- 每次替换后重新计算整体利润率 %
- 与上一步的差值即为该变量的贡献
- 依此类推，直到所有变量均替换为实际值
这样可确保：
此外，在产品明细层面，如果将销量/数量从预测替换为实际，通常也同步更新了各产品的销售结构，因此结构效应（Mix Effect）往往已内含于销量步骤中，无需单独设置"结构"条形。
二、案例设置
为保持示例简洁清晰，我们使用两个产品：
- 产品 A：天然高利润率
- 产品 B：天然低利润率
1) 预测（基准）
| 产品 | 数量 | 单价 | 单位成本 | 收入 | 利润 | 利润率 % |
|---|---|---|---|---|---|---|
| A | 100 | 10.0 | 6.0 | 1,000 | 400 | 40.0% |
| B | 200 | 8.0 | 7.0 | 1,600 | 200 | 12.5% |
| 合计 | 300 | — | — | 2,600 | 600 | 23.08% |
收入 = 数量 × 单价
利润 = 数量 × (单价 − 单位成本)
总利润率 % = 总利润 / 总收入 = 600 / 2,600 = 23.08%
2) 实际（最终结果）
| 产品 | 数量 | 单价 | 单位成本 | 收入 | 利润 | 利润率 % |
|---|---|---|---|---|---|---|
| A | 140 | 9.5 | 6.2 | 1,330 | 462 | 34.74% |
| B | 170 | 8.4 | 6.8 | 1,428 | 272 | 19.05% |
| 合计 | 310 | — | — | 2,758 | 734 | 26.61% |
总变化为：26.61% − 23.08% = +3.54pp
三、逐步替换拆解过程
本例使用以下替换顺序：
此顺序非常适合解释程序逻辑，因为它直接呈现：
- 首先更新销量与结构变化
- 再更新价格变化
- 最后更新成本变化
| 产品 | 数量 | 单价 | 单位成本 | 收入 | 利润 | 利润率 % |
|---|---|---|---|---|---|---|
| A | 100 | 10.0 | 6.0 | 1,000 | 400 | 40.0% |
| B | 200 | 8.0 | 7.0 | 1,600 | 200 | 12.5% |
| 合计 | 300 | — | — | 2,600 | 600 | 23.08% |
本步骤仅将数量从预测替换为实际，价格与成本保持预测值不变。
| 产品 | 数量 | 单价 | 单位成本 | 收入 | 利润 | 利润率 % |
|---|---|---|---|---|---|---|
| A | 140 | 10.0 | 6.0 | 1,400 | 560 | 40.0% |
| B | 170 | 8.0 | 7.0 | 1,360 | 170 | 12.5% |
| 合计 | 310 | — | — | 2,760 | 730 | 26.45% |
总利润率 % 从 23.08% 变化至 26.45%，因此：
为何本步骤已包含结构效应？
因为 A 是高利润率产品，B 是低利润率产品。
与预测相比，实际情况显示：
- A 的销量从 100 增至 140
- B 的销量从 200 减至 170
这意味着整体销售结构向高利润率的产品 A 倾斜。
因此本步骤不仅反映"多卖或少卖"，也体现"卖的是什么产品"——这正是在此类细粒度模型中，结构效应已内含于销量步骤的原因。
本步骤在步骤 1 基础上，将单价也替换为实际值，成本仍保持预测值。
| 产品 | 数量 | 单价 | 单位成本 | 收入 | 利润 | 利润率 % |
|---|---|---|---|---|---|---|
| A | 140 | 9.5 | 6.0 | 1,330 | 490 | 36.84% |
| B | 170 | 8.4 | 7.0 | 1,428 | 238 | 16.67% |
| 合计 | 310 | — | — | 2,758 | 728 | 26.40% |
总利润率 % 从 26.45% 变化至 26.40%，因此：
直观解释
最后，将单位成本也替换为实际值，完全达到实际状态。
| 产品 | 数量 | 单价 | 单位成本 | 收入 | 利润 | 利润率 % |
|---|---|---|---|---|---|---|
| A | 140 | 9.5 | 6.2 | 1,330 | 462 | 34.74% |
| B | 170 | 8.4 | 6.8 | 1,428 | 272 | 19.05% |
| 合计 | 310 | — | — | 2,758 | 734 | 26.61% |
总利润率 % 从 26.40% 变化至 26.61%，因此：
直观解释
四、最终 Bridge 结果
| 步骤 | 利润率 % | 贡献 |
|---|---|---|
| 预测基准 | 23.08% | — |
| 销量后（含结构） | 26.45% | +3.37pp |
| 价格后 | 26.40% | −0.05pp |
| 成本后 | 26.61% | +0.22pp |
| 总变化 | 26.61% − 23.08% | +3.54pp |
验证：
+3.37pp − 0.05pp + 0.22pp = +3.54pp ✓
与总变化完全吻合。
这正是逐步替换法的价值所在：每一步均可追溯，总计始终精确还原。
使用说明
使用WaterfallBridge工具必须预装Excel 2016或更高版本，推荐使用最新版本Microsoft 365，更老的版本会导致程序无法正常运行。
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。
下载 Excel 示例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
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. Process 工作表
Process工作表中包含了Bridge图表和数据产生的逻辑和算法，可以很直观的看到这些分析结果是如何一步一步计算出来的，避免了黑盒以及不能解释的现象。
Bridge 分析计算逻辑和原理
所有变量基于Baseline初始值，每一步改变一个变量成为Comparison的值，计算对于每一个Key Item的影响。
示例：产品A的销售额分析
Baseline: Price=10, Quantity=100, Sales=1000
Comparison: Price=12, Quantity=80, Sales=960
步骤1: 只改变Price：10→12, Quantity保持100, Sales=1200
步骤2: 再改变Quantity：Price=12, Quantity=100→80, Sales=960
计算每一步变量改变对汇总的影响
Price影响： 1200 - 1000 = +200
Quantity影响： 960 - 1200 = -240
总变化： +200 + (-240) = -40
验证： 960 - 1000 = -40 ✓
经过7.1 到7.2 将所有的变量从Baseline的值替换成Comparison的值，则获得Bridge图表所需的每个影响因素的impact.
在Contribution计算表中将会计算每个Key在每个factor变化中对整体的影响。
整体Price影响： +500
产品A贡献： +200 (占40%)
产品B贡献： +180 (占36%)
产品C贡献： +120 (占24%)
Added Data表示对于Baseline数据来说新加入的数据（在Comparison数据中存在）， Removed Data表示从Baseline数据中删除掉的数据（在Comparison中不存在）。这两类数据一般情况下需要先从其他factor的分析中剥离出来。
场景：产品组合变化分析
Baseline数据：产品A, B, C
Comparison数据：产品A, B, D（新增D，移除C）
Added Data：产品D的贡献
Removed Data：产品C的影响（负贡献）
这些变化会单独显示，不与价格、数量等因素混合。
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
所有的数据都只存在本地excel中，程序也只在本地运行，程序分析本身没有任何的网络通信
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
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。
数据安全保障：
✅ 数据不离开本地电脑
✅ 无需上传到云端服务器
✅ 无网络连接要求
✅ 符合企业数据安全政策
✅ 避免数据泄露风险
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。