一个周二的早上，票务团队还没打开报表，系统已经推送了一条提醒：本周六主场比赛的东看台二层，销售进度比预期低了约35%。这是一场中游球队对阵同级别对手的常规联赛，整体售票进度正常，其他区域也没有异常。以下所有数字和情节都是为了说明流程而设的模拟场景。问题是，这条提醒之后，Agent能不能自己把原因查出来？
Detect：“慢了三成多”是和什么比出来的
发现异常的前提是有一条可靠的参照线。Agent使用的不是“上一场同一区域卖了多少”，而是一条针对这场比赛估算的预期销售曲线：它综合了对手级别、比赛日期是周末还是工作日、开球时间、季票覆盖比例和该区域过去同类比赛的销售节奏。
在开赛前十天这个时间点，东看台二层按预期应售出约62%，实际只有约40%，偏差约35%，且连续四天都在扩大。Agent同时检查了波动范围：过去同类比赛这个时间点的正常偏差大约在正负10%之内。超出范围且持续扩大，才被判定为需要追查的异常，而不是一次性的数据延迟。
Query：Agent自己去拉了哪些数据
确认异常后，皇冠体育的Agent按预设的排查清单发起查询，而不是等人提问。这一步它拉取了几类数据：
- 该区域近两周的价格变动记录和各档位座位的剩余情况；
- 各售票渠道的访问量、选座页停留时间、加入购物车后放弃的比例；
- 会员预售期的购买情况和会员续订状态；
- 外部信息，包括比赛日天气预报、同城同时段的大型活动、交通管制通知。
查询结果显示，两周前该区域的价格上调了约12%；另外，一家合作售票渠道上，该区域的选座页访问量没有下降，但加入购物车的比例从过去的约18%掉到了约6%。
Compare：和谁比，决定了能排除什么
单看这两条线索，很难判断谁是主因。Agent接下来做了三组对比。
第一组，与同一场比赛的其他区域比。西看台二层同样在两周前上调了约10%的价格，但销售进度基本符合预期。这说明涨价可能有影响，但不足以单独解释35%的偏差。
第二组，与其他渠道比。在俱乐部自营渠道上，东看台二层的转化率只是略有下降；异常集中在那一家合作渠道上。第三组，与相似比赛比。过去三场同级别比赛里，这家渠道在该区域的转化率一直稳定。外部因素也被排除：天气预报正常，同城没有冲突的大型活动。
Explain：一个主要原因，一个次要原因
Agent进一步检查了那家合作渠道的座位信息，发现它在一次页面改版后，把东看台二层的部分座位标注成了“视野受限”。实际上，这一区域的视野并没有变化，更可能是改版时座位属性映射出错。用户看到标注后仍会点进来，却在选座阶段放弃，这与“访问量不降、加购率骤降”的现象吻合。
于是Agent给出的解释是分层的：主要原因是合作渠道的座位标注错误导致转化下降，估计能解释大部分偏差；次要原因是价格上调带来的正常敏感性，影响相对有限。每一条解释都附上了对应的数据截图、对比结果和置信程度，并注明“座位标注错误”是推断，需要人工向渠道核实。
Suggest：建议写到哪里为止
基于解释，Agent列出了分级建议：优先核实并修正合作渠道的座位标注；修正后观察两到三天转化是否恢复；暂不建议立刻降价，因为主因并不是价格；如果修正后该区域仍明显落后，再评估是否对部分座位做定向会员权益，而不是全区降价。
它还给出了不作为的代价估算：如果标注问题持续到比赛日，这个区域可能多出约数百个空座，并连带减少比赛日的餐饮和商品消费。这让票务负责人能够权衡处理的紧迫程度。
Agent必须停下来的几个节点
在这个流程里，Agent可以自主完成检测、查询、对比和解释，也可以起草建议和沟通文本，但以下几件事必须停下来交给人：
- 任何价格调整，包括降价、优惠和会员权益变更，因为这会影响已购票球迷的感受和后续定价体系；
- 联系合作渠道要求修改信息，因为这涉及合作关系和合同责任；
- 对球迷发布任何说明或通知；
- 当证据互相矛盾或关键数据缺失时，Agent应当明确说“无法确定”，而不是选一个看起来最合理的解释继续往下走。
皇冠体育在设计Agent时，把这些节点写成硬性规则：Agent可以准备好材料，但执行按钮在人手里。
票务团队怎么把这套流程用起来
对俱乐部票务团队来说，第一步是和数据团队一起定义“预期曲线”和“正常波动范围”，否则Agent要么频繁误报，要么该报的不报。第二步是维护排查清单，把价格、渠道、会员、外部活动等常见原因写进去，并在每次真实事件后补充新的检查项。第三步是约定人工确认的节点和响应时限，让提醒不会停留在消息列表里。
这类异常追查只是票务分析的一部分，更完整的定价与需求分析可以参考体育票务分析，关于Agent从报表工具走向主动发现问题的整体思路，可以阅读Sports Business Agent的专题文章。
