aifinlab 支付失败归因分析助手
1. 业务问题
支付失败直接影响客户体验和银行交易收入。支付失败原因涉及账户状态、渠道系统、风控策略、外部机构等多个环节，需要系统化地对失败交易进行归因分类，识别高频失败模式和集中爆发时段，为技术排障和业务优化提供数据依据。
核心问题包括：
- 支付失败的主要原因分布是什么？
- 哪些错误码出现频率最高？
- 失败是否存在渠道集中、时段集中或客群集中的特征？
- 近期失败率是否出现异常上升？
2. 适用场景
- 支付成功率下降的原因排查
- 错误码分布统计与高频错误码识别
- 特定渠道或交易类型的失败归因
- 系统升级或策略调整后的失败影响评估
- 客户投诉集中时的失败模式分析
- 定期支付质量监控报告编制
3. 输入
| 字段 | 说明 | 是否必需 |
|---|---|---|
| 分析时段 | 日/周/月/自定义区间 | 是 |
| 渠道范围 | 全渠道或指定渠道 | 否 |
| 交易类型 | 转账、支付、代扣、跨行等 | 否 |
| 失败交易明细 | 含错误码、时间戳、渠道、金额等 | 是 |
| 对比基准 | 同比/环比/指定基准期 | 否 |
| 关注阈值 | 失败率告警阈值 | 否 |
4. 输出
- 失败原因分类占比总览（结论先行）
- 错误码TOP-N分布及趋势变化
- 按渠道/交易类型/时段的失败率分布
- 高频失败模式识别与特征描述
- 异常失败集中爆发时段标注
- 初步归因判断与排查方向建议
5. 默认分析维度
- 账户与资金因素：余额不足、账户冻结、账户状态异常、限额超限
- 渠道与交易因素：渠道超时、报文异常、交易类型不支持、重复交易
- 系统与技术因素：系统故障、接口超时、网络异常、版本兼容问题
- 风控因素：风控拦截、黑名单命中、交易频次限制、可疑交易拦截
- 商户/外部因素：对手方拒绝、清算机构异常、第三方通道故障
- 时间与分布因素：时段集中度、日内峰谷分布、节假日效应
6. 默认分析框架
- 总览结论：先给出失败率整体水平及主要归因结论
- 错误码分析：TOP错误码排名、占比及趋势变化
- 归因分类：按六大因素分类统计失败交易占比
- 集中度分析：识别失败在渠道、时段、客群上的集中特征
- 模式识别：提炼高频失败模式（如"特定渠道+特定时段+特定错误码"）
- 趋势对比：与基准期对比，标注显著恶化的归因类别
- 影响评估：估算失败交易对交易量和客户体验的影响程度
- 排查建议：按归因类别给出初步排查方向
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
- 归因结果为数据层面的统计分析，不替代技术团队的根因诊断
- 涉及风控拦截类失败，不评判风控策略的合理性
8. 上游依赖
bank-calc-utils：提供失败率计算、错误码统计、占比分析等基础计算能力
9. 可联动下游 Skills
channel-transaction-performance：将失败归因结果关联至渠道交易表现分析，形成完整渠道质量视图
使用示例
示例 1: 基本使用
# 调用 skill
result = run_skill({
"param1": "value1",
"param2": "value2"
})
示例 2: 命令行使用
python scripts/run_skill.py --input data.json