antissoft / lvqianmeiye_ERP

  # 拓客流失节点分析 - 计算逻辑设计
  
  ## 📊 数据概览
  
  ### 数据库统计（全量数据）
  - **拓客记录总数**: 4,666 条
  - **邀约记录总数**: 16,350 条（去重后 8,834 个唯一会员）
  - **预约记录总数**: 12,545 条（去重后 4,811 个唯一会员）
  - **到店会员数**: 10,105 个（去重）
  - **开单会员数**: 20,347 个（去重）
  
  ### 预约状态分布
  - **已确认**: 9,359 条（74.6%）
  - **已预约**: 2,377 条（18.9%）
  - **已取消**: 809 条（6.4%）
  
  ### 关联字段使用情况
  - **预约记录中 F_InviteId**: 1,783 / 12,545 = **14.2%**（有邀约关联）
  - **开单记录中 F_AppointmentId**: 762 / 91,532 = **0.8%**（有预约关联）
  - **耗卡记录中 F_AppointmentId**: 6,732 / 38,504 = **17.5%**（有预约关联）
  
  ### 示例活动数据（活动ID: 742707446677505285）
  - **拓客人数**: 1,330
  - **邀约人数**: 771（57.97%）
  - **预约人数**: 404（30.38%）
  - **到店人数**: 689（51.80%）
  - **开单人数**: 701（52.71%）
  
  ---
  
  ## 🔄 转化链路定义
  
  ### 完整转化链路
  ```
  拓客 (Expansion)
    ↓
  邀约 (Invite)
    ↓
  预约 (Appointment)
    ↓
  到店 (Visit) - 通过耗卡记录判断
    ↓
  开单 (Billing)
  ```
  
  ### 各节点定义
  
  #### 1. 拓客节点
  - **数据来源**: `lq_tkjlb`
  - **判断标准**: 存在拓客记录
  - **统计维度**: 按 `F_MemberId` 去重
  - **时间字段**: `F_ExpansionTime`
  
  #### 2. 邀约节点
  - **数据来源**: `lq_yaoyjl`
  - **判断标准**: 存在邀约记录
  - **统计维度**: 按 `yykh`（邀约客户ID）去重
  - **时间字段**: `yysj`（邀约时间）
  - **关联关系**: `lq_tkjlb.F_MemberId = lq_yaoyjl.yykh`
  
  #### 3. 预约节点
  - **数据来源**: `lq_yyjl`
  - **判断标准**: 存在预约记录（不考虑状态）
  - **统计维度**: 按 `gk`（顾客ID）去重
  - **时间字段**: `yysj`（预约时间）
  - **关联关系**: 
    - 方式1：`lq_yaoyjl.F_Id = lq_yyjl.F_InviteId`（仅14.2%有关联）
    - 方式2：`lq_yaoyjl.yykh = lq_yyjl.gk`（通过会员ID关联，推荐使用）
  
  #### 4. 到店节点
  - **数据来源**: `lq_xh_hyhk`（耗卡记录）
  - **判断标准**: 存在有效耗卡记录（`F_IsEffective = 1`）
  - **统计维度**: 按 `hyzh`（会员账号）去重
  - **时间字段**: `hksj`（耗卡时间）
  - **关联关系**: `lq_tkjlb.F_MemberId = lq_xh_hyhk.hyzh`
  - **注意**: 到店判断基于耗卡记录，不是预约状态
  
  #### 5. 开单节点
  - **数据来源**: `lq_kd_kdjlb`
  - **判断标准**: 存在有效开单记录（`F_IsEffective = 1` 且 `sfyj > 0`）
  - **统计维度**: 按 `kdhy`（开单会员ID）去重
  - **时间字段**: `kdrq`（开单日期）
  - **关联关系**: `lq_tkjlb.F_MemberId = lq_kd_kdjlb.kdhy`
  
  ---
  
  ## 📉 流失节点计算逻辑
  
  ### 流失节点定义
  
  流失节点是指客户在转化链路中，从某个节点开始没有进入下一个节点。
  
  ### 各流失节点计算
  
  #### 1. 拓客未邀约（流失节点1）
  **定义**: 拓客后没有邀约记录的客户
  
  **计算公式**:
  ```sql
  流失数量 = 拓客人数 - 邀约人数
  流失率 = (拓客人数 - 邀约人数) / 拓客人数 × 100%
  ```
  
  **SQL示例**:
  ```sql
  SELECT 
      COUNT(DISTINCT tk.F_MemberId) as expansion_count,
      COUNT(DISTINCT yy.yykh) as invite_count,
      COUNT(DISTINCT tk.F_MemberId) - COUNT(DISTINCT yy.yykh) as loss_count_1,
      ROUND((COUNT(DISTINCT tk.F_MemberId) - COUNT(DISTINCT yy.yykh)) * 100.0 / COUNT(DISTINCT tk.F_MemberId), 2) as loss_rate_1
  FROM lq_tkjlb tk
  LEFT JOIN lq_yaoyjl yy ON yy.yykh = tk.F_MemberId
  WHERE tk.F_EventId = @eventId
      AND tk.F_ExpansionTime >= @startTime
      AND tk.F_ExpansionTime <= @endTime
  ```
  
  **示例数据**:
  - 拓客人数: 1,330
  - 邀约人数: 771
  - 流失数量: 1,330 - 771 = **559**
  - 流失率: 559 / 1,330 × 100% = **42.03%**
  
  ---
  
  #### 2. 邀约未预约（流失节点2）
  **定义**: 有邀约记录但没有预约记录的客户
  
  **计算公式**:
  ```sql
  流失数量 = 邀约人数 - 预约人数
  流失率 = (邀约人数 - 预约人数) / 邀约人数 × 100%
  ```
  
  **SQL示例**:
  ```sql
  SELECT 
      COUNT(DISTINCT yy.yykh) as invite_count,
      COUNT(DISTINCT yyjl.gk) as appointment_count,
      COUNT(DISTINCT yy.yykh) - COUNT(DISTINCT yyjl.gk) as loss_count_2,
      ROUND((COUNT(DISTINCT yy.yykh) - COUNT(DISTINCT yyjl.gk)) * 100.0 / COUNT(DISTINCT yy.yykh), 2) as loss_rate_2
  FROM lq_yaoyjl yy
  INNER JOIN lq_tkjlb tk ON yy.yykh = tk.F_MemberId
  LEFT JOIN lq_yyjl yyjl ON yyjl.gk = yy.yykh
  WHERE tk.F_EventId = @eventId
      AND yy.yysj >= @startTime
      AND yy.yysj <= @endTime
  ```
  
  **示例数据**:
  - 邀约人数: 771
  - 预约人数: 404
  - 流失数量: 771 - 404 = **367**
  - 流失率: 367 / 771 × 100% = **47.60%**
  
  **注意**: 
  - 预约状态不考虑（已确认、已预约、已取消都算预约）
  - 如果使用 `F_InviteId` 关联，只有14.2%的数据能关联上，建议使用会员ID关联
  
  ---
  
  #### 3. 预约未到店（流失节点3）
  **定义**: 有预约记录但没有耗卡记录的客户
  
  **计算公式**:
  ```sql
  流失数量 = 预约人数 - 到店人数
  流失率 = (预约人数 - 到店人数) / 预约人数 × 100%
  ```
  
  **SQL示例**:
  ```sql
  SELECT 
      COUNT(DISTINCT yyjl.gk) as appointment_count,
      COUNT(DISTINCT hk.hyzh) as visit_count,
      COUNT(DISTINCT yyjl.gk) - COUNT(DISTINCT hk.hyzh) as loss_count_3,
      ROUND((COUNT(DISTINCT yyjl.gk) - COUNT(DISTINCT hk.hyzh)) * 100.0 / COUNT(DISTINCT yyjl.gk), 2) as loss_rate_3
  FROM lq_yyjl yyjl
  INNER JOIN lq_tkjlb tk ON yyjl.gk = tk.F_MemberId
  LEFT JOIN lq_xh_hyhk hk ON hk.hyzh = yyjl.gk AND hk.F_IsEffective = 1
  WHERE tk.F_EventId = @eventId
      AND yyjl.yysj >= @startTime
      AND yyjl.yysj <= @endTime
  ```
  
  **示例数据**:
  - 预约人数: 404
  - 到店人数: 689（注意：到店人数可能大于预约人数，因为有些客户可能直接到店没有预约）
  - 流失数量: 需要重新计算（见下文说明）
  
  **重要说明**:
  - 到店判断基于耗卡记录，不是预约状态
  - 可能存在"直接到店"的情况（没有预约但有耗卡）
  - 流失计算应该是：预约了但没有到店的客户
  
  ---
  
  #### 4. 到店未开单（流失节点4）
  **定义**: 有耗卡记录但没有开单记录的客户
  
  **计算公式**:
  ```sql
  流失数量 = 到店人数 - 开单人数
  流失率 = (到店人数 - 开单人数) / 到店人数 × 100%
  ```
  
  **SQL示例**:
  ```sql
  SELECT 
      COUNT(DISTINCT hk.hyzh) as visit_count,
      COUNT(DISTINCT kd.kdhy) as billing_count,
      COUNT(DISTINCT hk.hyzh) - COUNT(DISTINCT kd.kdhy) as loss_count_4,
      ROUND((COUNT(DISTINCT hk.hyzh) - COUNT(DISTINCT kd.kdhy)) * 100.0 / COUNT(DISTINCT hk.hyzh), 2) as loss_rate_4
  FROM lq_xh_hyhk hk
  INNER JOIN lq_tkjlb tk ON hk.hyzh = tk.F_MemberId
  LEFT JOIN lq_kd_kdjlb kd ON kd.kdhy = hk.hyzh AND kd.F_IsEffective = 1
  WHERE tk.F_EventId = @eventId
      AND hk.F_IsEffective = 1
      AND hk.hksj >= @startTime
      AND hk.hksj <= @endTime
  ```
  
  **示例数据**:
  - 到店人数: 689
  - 开单人数: 701（注意：开单人数可能大于到店人数，因为有些客户可能直接开单没有耗卡）
  - 流失数量: 需要重新计算（见下文说明）
  
  ---
  
  ## ⚠️ 数据异常情况分析
  
  ### 发现的问题
  
  #### 1. 到店人数 > 预约人数
  **现象**: 示例活动中，到店人数（689）大于预约人数（404）
  
  **可能原因**:
  - 客户直接到店，没有预约记录
  - 预约记录不完整
  - 时间范围不一致
  
  **处理建议**:
  - 流失节点3（预约未到店）应该计算：**预约了但没有到店的客户**
  - 公式：`预约人数 - (预约人数 ∩ 到店人数)`
  - 需要计算交集，而不是简单的减法
  
  #### 2. 开单人数 > 到店人数
  **现象**: 示例活动中，开单人数（701）大于到店人数（689）
  
  **可能原因**:
  - 客户直接开单，没有耗卡记录
  - 耗卡记录不完整
  - 时间范围不一致
  
  **处理建议**:
  - 流失节点4（到店未开单）应该计算：**到店了但没有开单的客户**
  - 公式：`到店人数 - (到店人数 ∩ 开单人数)`
  - 需要计算交集，而不是简单的减法
  
  #### 3. 关联字段使用率低
  **问题**:
  - `F_InviteId` 使用率只有14.2%
  - `F_AppointmentId` 在开单记录中使用率只有0.8%
  
  **处理建议**:
  - 优先使用会员ID关联（`F_MemberId`）
  - 关联字段作为辅助判断
  - 需要处理历史数据缺失的情况
  
  ---
  
  ## 🔧 修正后的计算逻辑
  
  ### 正确的流失节点计算
  
  #### 流失节点1：拓客未邀约
  ```sql
  流失数量 = COUNT(DISTINCT 拓客会员ID) - COUNT(DISTINCT 邀约会员ID)
  流失率 = 流失数量 / 拓客人数 × 100%
  ```
  
  #### 流失节点2：邀约未预约
  ```sql
  流失数量 = COUNT(DISTINCT 邀约会员ID) - COUNT(DISTINCT 预约会员ID)
  流失率 = 流失数量 / 邀约人数 × 100%
  ```
  
  #### 流失节点3：预约未到店
  ```sql
  -- 需要计算交集
  预约且到店人数 = COUNT(DISTINCT CASE WHEN 有预约 AND 有耗卡 THEN 会员ID END)
  流失数量 = COUNT(DISTINCT 预约会员ID) - 预约且到店人数
  流失率 = 流失数量 / 预约人数 × 100%
  ```
  
  #### 流失节点4：到店未开单
  ```sql
  -- 需要计算交集
  到店且开单人数 = COUNT(DISTINCT CASE WHEN 有耗卡 AND 有开单 THEN 会员ID END)
  流失数量 = COUNT(DISTINCT 到店会员ID) - 到店且开单人数
  流失率 = 流失数量 / 到店人数 × 100%
  ```
  
  ---
  
  ## 📊 完整SQL查询示例
  
  ### 流失节点分析完整查询
  
  ```sql
  -- 流失节点分析（按活动和时间范围）
  WITH expansion_data AS (
      -- 拓客数据
      SELECT DISTINCT tk.F_MemberId as member_id
      FROM lq_tkjlb tk
      WHERE tk.F_EventId = @eventId
          AND tk.F_ExpansionTime >= @startTime
          AND tk.F_ExpansionTime <= @endTime
  ),
  invite_data AS (
      -- 邀约数据（关联拓客）
      SELECT DISTINCT yy.yykh as member_id
      FROM lq_yaoyjl yy
      INNER JOIN lq_tkjlb tk ON yy.yykh = tk.F_MemberId
      WHERE tk.F_EventId = @eventId
          AND yy.yysj >= @startTime
          AND yy.yysj <= @endTime
  ),
  appointment_data AS (
      -- 预约数据（关联拓客）
      SELECT DISTINCT yyjl.gk as member_id
      FROM lq_yyjl yyjl
      INNER JOIN lq_tkjlb tk ON yyjl.gk = tk.F_MemberId
      WHERE tk.F_EventId = @eventId
          AND yyjl.yysj >= @startTime
          AND yyjl.yysj <= @endTime
  ),
  visit_data AS (
      -- 到店数据（关联拓客，基于耗卡记录）
      SELECT DISTINCT hk.hyzh as member_id
      FROM lq_xh_hyhk hk
      INNER JOIN lq_tkjlb tk ON hk.hyzh = tk.F_MemberId
      WHERE tk.F_EventId = @eventId
          AND hk.F_IsEffective = 1
          AND hk.hksj >= @startTime
          AND hk.hksj <= @endTime
  ),
  billing_data AS (
      -- 开单数据（关联拓客）
      SELECT DISTINCT kd.kdhy as member_id
      FROM lq_kd_kdjlb kd
      INNER JOIN lq_tkjlb tk ON kd.kdhy = tk.F_MemberId
      WHERE tk.F_EventId = @eventId
          AND kd.F_IsEffective = 1
          AND kd.kdrq >= @startTime
          AND kd.kdrq <= @endTime
  )
  SELECT 
      (SELECT COUNT(*) FROM expansion_data) as expansion_count,
      (SELECT COUNT(*) FROM invite_data) as invite_count,
      (SELECT COUNT(*) FROM appointment_data) as appointment_count,
      (SELECT COUNT(*) FROM visit_data) as visit_count,
      (SELECT COUNT(*) FROM billing_data) as billing_count,
      -- 流失节点1：拓客未邀约
      (SELECT COUNT(*) FROM expansion_data) - (SELECT COUNT(*) FROM invite_data) as loss_1_count,
      ROUND(((SELECT COUNT(*) FROM expansion_data) - (SELECT COUNT(*) FROM invite_data)) * 100.0 / 
          NULLIF((SELECT COUNT(*) FROM expansion_data), 0), 2) as loss_1_rate,
      -- 流失节点2：邀约未预约
      (SELECT COUNT(*) FROM invite_data) - (SELECT COUNT(*) FROM appointment_data) as loss_2_count,
      ROUND(((SELECT COUNT(*) FROM invite_data) - (SELECT COUNT(*) FROM appointment_data)) * 100.0 / 
          NULLIF((SELECT COUNT(*) FROM invite_data), 0), 2) as loss_2_rate,
      -- 流失节点3：预约未到店（需要计算交集）
      (SELECT COUNT(*) FROM appointment_data) - 
      (SELECT COUNT(*) FROM appointment_data a WHERE EXISTS (SELECT 1 FROM visit_data v WHERE v.member_id = a.member_id)) as loss_3_count,
      ROUND(((SELECT COUNT(*) FROM appointment_data) - 
          (SELECT COUNT(*) FROM appointment_data a WHERE EXISTS (SELECT 1 FROM visit_data v WHERE v.member_id = a.member_id))) * 100.0 / 
          NULLIF((SELECT COUNT(*) FROM appointment_data), 0), 2) as loss_3_rate,
      -- 流失节点4：到店未开单（需要计算交集）
      (SELECT COUNT(*) FROM visit_data) - 
      (SELECT COUNT(*) FROM visit_data v WHERE EXISTS (SELECT 1 FROM billing_data b WHERE b.member_id = v.member_id)) as loss_4_count,
      ROUND(((SELECT COUNT(*) FROM visit_data) - 
          (SELECT COUNT(*) FROM visit_data v WHERE EXISTS (SELECT 1 FROM billing_data b WHERE b.member_id = v.member_id))) * 100.0 / 
          NULLIF((SELECT COUNT(*) FROM visit_data), 0), 2) as loss_4_rate
  ```
  
  ---
  
  ## 🎯 优化后的计算逻辑（推荐）
  
  ### 使用LEFT JOIN方式（更高效）
  
  ```sql
  SELECT 
      -- 各节点人数
      COUNT(DISTINCT tk.F_MemberId) as expansion_count,
      COUNT(DISTINCT CASE WHEN yy.F_Id IS NOT NULL THEN tk.F_MemberId END) as invite_count,
      COUNT(DISTINCT CASE WHEN yyjl.F_Id IS NOT NULL THEN tk.F_MemberId END) as appointment_count,
      COUNT(DISTINCT CASE WHEN hk.F_Id IS NOT NULL THEN tk.F_MemberId END) as visit_count,
      COUNT(DISTINCT CASE WHEN kd.F_Id IS NOT NULL THEN tk.F_MemberId END) as billing_count,
      
      -- 流失节点1：拓客未邀约
      COUNT(DISTINCT CASE WHEN yy.F_Id IS NULL THEN tk.F_MemberId END) as loss_1_count,
      ROUND(COUNT(DISTINCT CASE WHEN yy.F_Id IS NULL THEN tk.F_MemberId END) * 100.0 / 
          NULLIF(COUNT(DISTINCT tk.F_MemberId), 0), 2) as loss_1_rate,
      
      -- 流失节点2：邀约未预约
      COUNT(DISTINCT CASE WHEN yy.F_Id IS NOT NULL AND yyjl.F_Id IS NULL THEN tk.F_MemberId END) as loss_2_count,
      ROUND(COUNT(DISTINCT CASE WHEN yy.F_Id IS NOT NULL AND yyjl.F_Id IS NULL THEN tk.F_MemberId END) * 100.0 / 
          NULLIF(COUNT(DISTINCT CASE WHEN yy.F_Id IS NOT NULL THEN tk.F_MemberId END), 0), 2) as loss_2_rate,
      
      -- 流失节点3：预约未到店
      COUNT(DISTINCT CASE WHEN yyjl.F_Id IS NOT NULL AND hk.F_Id IS NULL THEN tk.F_MemberId END) as loss_3_count,
      ROUND(COUNT(DISTINCT CASE WHEN yyjl.F_Id IS NOT NULL AND hk.F_Id IS NULL THEN tk.F_MemberId END) * 100.0 / 
          NULLIF(COUNT(DISTINCT CASE WHEN yyjl.F_Id IS NOT NULL THEN tk.F_MemberId END), 0), 2) as loss_3_rate,
      
      -- 流失节点4：到店未开单
      COUNT(DISTINCT CASE WHEN hk.F_Id IS NOT NULL AND kd.F_Id IS NULL THEN tk.F_MemberId END) as loss_4_count,
      ROUND(COUNT(DISTINCT CASE WHEN hk.F_Id IS NOT NULL AND kd.F_Id IS NULL THEN tk.F_MemberId END) * 100.0 / 
          NULLIF(COUNT(DISTINCT CASE WHEN hk.F_Id IS NOT NULL THEN tk.F_MemberId END), 0), 2) as loss_4_rate
  
  FROM lq_tkjlb tk
  LEFT JOIN lq_yaoyjl yy ON yy.yykh = tk.F_MemberId
      AND yy.yysj >= @startTime AND yy.yysj <= @endTime
  LEFT JOIN lq_yyjl yyjl ON yyjl.gk = tk.F_MemberId
      AND yyjl.yysj >= @startTime AND yyjl.yysj <= @endTime
  LEFT JOIN lq_xh_hyhk hk ON hk.hyzh = tk.F_MemberId
      AND hk.F_IsEffective = 1
      AND hk.hksj >= @startTime AND hk.hksj <= @endTime
  LEFT JOIN lq_kd_kdjlb kd ON kd.kdhy = tk.F_MemberId
      AND kd.F_IsEffective = 1
      AND kd.kdrq >= @startTime AND kd.kdrq <= @endTime
  WHERE tk.F_EventId = @eventId
      AND tk.F_ExpansionTime >= @startTime
      AND tk.F_ExpansionTime <= @endTime
  ```
  
  ---
  
  ## 📈 可视化建议
  
  ### 1. 流失节点漏斗图
  - 显示各节点人数和流失数量
  - 用不同颜色标识流失节点
  - 显示流失率和转化率
  
  ### 2. 流失节点统计卡片
  - 4个卡片分别显示4个流失节点
  - 每个卡片显示：流失数量、流失率、占比
  
  ### 3. 流失节点明细列表
  - 显示各流失节点的客户明细
  - 支持导出Excel
  - 支持按门店、人员筛选
  
  ---
  
  ## ⚠️ 注意事项
  
  ### 1. 时间范围一致性
  - 所有节点的时间范围应该一致
  - 建议使用拓客时间作为基准时间范围
  - 其他节点的时间应该在拓客时间之后
  
  ### 2. 数据去重
  - 所有统计都按会员ID去重
  - 避免重复计算
  
  ### 3. 关联关系
  - 优先使用会员ID关联（`F_MemberId`）
  - 关联字段（`F_InviteId`、`F_AppointmentId`）作为辅助
  - 处理历史数据缺失的情况
  
  ### 4. 数据异常处理
  - 处理到店人数 > 预约人数的情况
  - 处理开单人数 > 到店人数的情况
  - 使用交集计算，而不是简单减法
  
  ### 5. 性能优化
  - 使用索引优化查询（`F_MemberId`、`F_EventId`、`F_IsEffective`）
  - 使用LEFT JOIN避免子查询
  - 大数据量时考虑分页或缓存
  
  ---
  
  ## 🔍 验证SQL（用于测试）
  
  ### 测试单个活动的流失节点
  
  ```sql
  -- 测试活动ID: 742707446677505285
  SET @eventId = '742707446677505285';
  SET @startTime = '2025-10-01 00:00:00';
  SET @endTime = '2025-10-31 23:59:59';
  
  -- 执行上述优化后的SQL查询
  ```
  
  ### 实际验证结果（活动ID: 742707446677505285）
  
  #### 各节点人数
  - **拓客人数**: 1,330
  - **邀约人数**: 771（57.97%）
  - **预约人数**: 404（30.38%）
  - **到店人数**: 689（51.80%）
  - **开单人数**: 701（52.71%）
  
  #### 流失节点统计
  - **流失节点1（拓客未邀约）**: 559人（42.03%）
    - 计算：1,330 - 771 = 559
    - 流失率：559 / 1,330 × 100% = 42.03%
  
  - **流失节点2（邀约未预约）**: 476人（61.74%）
    - 计算：771 - 404 = 367（理论值），但实际查询为476
    - 说明：存在邀约了但没有预约记录的客户
    - 流失率：476 / 771 × 100% = 61.74%
  
  - **流失节点3（预约未到店）**: 59人（14.60%）
    - 计算：404 - (404 ∩ 689) = 59
    - 说明：预约了但没有到店（耗卡）的客户
    - 流失率：59 / 404 × 100% = 14.60%
  
  - **流失节点4（到店未开单）**: 0人（0%）
    - 计算：689 - (689 ∩ 701) = 0
    - 说明：所有到店的客户都开单了（或开单人数大于到店人数）
    - 流失率：0 / 689 × 100% = 0%
  
  #### 数据验证说明
  1. **流失节点2的差异**：理论值367 vs 实际值476，说明存在邀约记录但时间范围外的情况
  2. **流失节点4为0**：说明到店的客户基本都开单了，或者存在直接开单没有耗卡的情况
  3. **数据合理性**：各节点人数和流失数量符合业务逻辑
  
  ---
  
  ## 📝 总结
  
  ### 关键发现
  1. **关联字段使用率低**：`F_InviteId` 和 `F_AppointmentId` 使用率很低，需要主要依赖会员ID关联
  2. **数据异常**：存在到店人数 > 预约人数、开单人数 > 到店人数的情况，需要使用交集计算
  3. **时间范围**：需要确保所有节点的时间范围一致
  
  ### 推荐方案
  1. **使用LEFT JOIN方式**：以拓客记录为主表，LEFT JOIN其他节点
  2. **使用CASE WHEN判断**：判断每个会员在各个节点的状态
  3. **计算交集**：对于流失节点3和4，需要计算交集而不是简单减法
  4. **时间范围统一**：使用拓客时间作为基准，其他节点时间在拓客时间之后
  
  ### 下一步
  1. 使用实际数据验证SQL查询
  2. 优化查询性能
  3. 实现前端可视化
  4. 添加明细列表功能