5. 异常检测：寻找订单数据中的异常模式，如异常高频订单、异常时间订单、特定骑手的异常行为模式等。

异常信号的浮现：

在区域对比分析中，一个明显的异常引起了古民的注意。北区的运营数据，在多个维度上与其他区域（尤其是他亲身深度优化过的西区，以及运营模式类似的东区）存在显著且难以解释的差异：

1. 订单量虚高，但结构异常：北区报告的日均订单量和总订单量，在大部分时间段都显著高于西区和东区，有时甚至高出30%-50%。这本身可以解释为北区宿舍更密集、学生消费能力更强。但深入分析订单结构发现，北区“代买”类订单（尤其是“代买零食饮料”）的占比异常之高，达到总订单量的65%以上，而西区和东区这一比例通常在40%-50%。更反常的是，北区的“代买”订单中，夜间（22:00后）订单占比畸高，且集中来自少数几家深夜营业的小超市，订单内容高度同质化（多是泡面、饮料、零食）。

2. 订单特征高度雷同：通过文本分析订单备注，古民发现北区大量“代买”订单的备注信息极其简单甚至留空，与西区、东区订单备注中常见的详细要求（如品牌、规格、特殊要求）形成对比。许多订单的起点和终点距离极近（甚至同楼栋不同楼层），但悬赏金额却与中等距离订单相仿。

3. 骑手行为模式矛盾：关联订单与骑手数据后，古民发现北区有几名骑手的接单行为模式异常：

◦ 接单集中度极高：2-3名骑手承接了北区夜间“代买”订单的绝大部分。他们的接单时间分布与订单脉冲高度吻合，几乎像是“守株待兔”。

◦ 效率数据异常“优秀”：这些骑手的“平均每单配送时长”显著低于区域平均水平，甚至低于理论上的最快时间（考虑到取货、步行、上楼的最短时间）。他们的“单位时间完成单