数据分析方法论：数据异常归因，该怎么分析原因？-技术圈

为什么指标变化了xx%？

这个问题其实很多同学在日常工作中经常会遇到。

这个就涉及到数据异常归因了，异常归因怎么做呢？其实很简单，能按照下面四步，花点时间，一定能找到原因。

数据准确性及损失评估

确认数据是否准确：数据来源，数据统计口径等；
数据的波动带来的影响评估：损失评估、对用户、KPI等可能造成潜在影响。

同期事件评估

对指标异常发生的同时发生的事件进行追踪及数据查看，主要分为内部原因和外部原因两部分

2.1.外部原因

竞品：竞品最近的动作，是否举办活动
政策：政策监管、法规变化
社会：节假日、社会热点等
自然：季节性、周末等时期变动

2.2.内部原因：

产品：版本迭代可能存在bug、推荐算法端的更新、注册、登录或其他关键行为的路径变化等等
运营：push推送频率、内容等、活动、运营策略更新等
推广：渠道更新呢、投放力度、是否筛选作弊用户等等

维度细分/业务流程分析

要从广义上理解维度。首先时间维度，分天、星期、月以及24小时看。

天维度就是拉长周期，比如一年看每日的数据指标，看趋势，看每天中位数，判断异常时间点。也许，趋势图拉出来，就立刻能锁定哪段时间数据异常。

至于其他的时间维度，都是看人在不同特定的时间，数据上不同的表现。星期代表工作日周末，月度可能有财务结算、工资发放等，24小时表示上班时间、下班时间、白天、晚上等。

时间维度，很特殊，是一定要看的，除时间这个特殊维度之外，剩下的就是一定要看跟业务结合比较紧密的维度。

维度选取上，新同学最容易犯的错误，就是不加思考一顿细分下钻，恨不得把数据明细一条条拿来归因。一定要尽量避免维度爆炸，数据也没有必要下钻每个维度，本来是要解释原因，最后变成爆炸的一堆维度，那不是舍本求末了吗。

那到底哪些维度是跟业务相关的呢？

除了软件版本、地区、渠道、用户的基础标签之外，还有更重要的几个维度，请一定记住:

产品维度：目的是看数据异常来自哪个产品线？比如美团首页，不要小看，每个入口都是对应美团一个大部门。一定要计算出，每个产品线的影响度，是优选？外卖？闪购？酒旅？机票？

场景维度：目的是看数据哪个场景的波动带来的影响？是关注流、热门推荐还是评论流？

客户行业维度：如果是收入一定要看客户的所属行业，目的是看是因为美食？服装？日化？

当然，每个公司每个业务，影响因素差异很大，比如车企行业地域维度是首要拆分的维度

策略落地及复盘

策略需要针对具体原因出发，对症下药，这里便不再赘述。但是一定注意的是，策略后续是否可行？相关的数据后续如何发展？需要做持续的追踪及复盘。

实战案例

那假设boss问你最近一周成交订单量较上周有7%的下降，我们通过这四个步骤该怎么去分析呢？

1.查看数据的准确性、评估损失：

从数据源、数据的统计口径等角度确认是否是统计上的bug引起的数据呈现错误；与同比、环比时间对比，是否正常；

如果继续发生下跌，会对KPI造成何种影响，做出一个评估。意义在于评估本次数据下降造成的后果大小

2.整理在下降对应同一时间周期内的内外部发生的事件，寻找最有可能的原因所在：

外部的话主要从政策、竞品、热点等角度思考。可能的原因有竞品app举行活动导致我方购物用户流失？节假日过去？或者其他热点导致的数据正常的变化？

内部的话可以从产品、技术及运营三个方面去思考：产品方面可能会有功能、策略、样式、版本的原因，新版本的上线导致部分老机型/未更新用户无法使用?运营方面着重关注近期的活动、渠道、push是否有变化，如果前期刚举行大促会提前透支用户的消费力、进而导致用户的GMV下降等原因。

3.进一步提取维度对指标进行拆解：

从用户属性的变化、机型、省市版本，基于第二的假设和数据查看进一步分析原因；

同时也从用户行为路径上思考，从浏览到收藏到加入购物车到付款到确认，观察每一步的转化率。

4.分析相关原因和结果

分析相关原因和结构后，给出相关业务建议、策略，并追踪业务的动作和继续观察数据是否异常。

延展

当然就这个问题不同的人有不同的分析方法，引用著名的辛普森悖论案例，这个问题也可以这么分析：

当boss问你最近一周成交订单量较上周有7%的下降时，

告诉boss：首先，我要确定这个5%的上跌是真的在跌，也许看似订单量绝对值是在跌，但实际拆分下来后，业务或许是在上升，这个5%的波动是由于用户结构上的变化带来的。

领导紧张了，问: 怎么会？

你一看，boss上套了: 是这样的。订单量=新用户订单+老用户订单。

你再接着跟boss说: 你看哈，假设我们正常情况下每天日活1000人，每天100单，其中新用户每天0.2单(一般拉新有羊毛可以撸)，老用户每天0.08单。某天我们看订单量下降到95单了，很慌，因为我什么都没做啊，价格也没调，库存也没动，不过当我们拆分新老用户后，发现这一天拉新少了100人，老用户呢，从800个人变成1000个人。

这时候，你看了一眼，陷入深思的boss，然后继续说: 好！假定，新老用户每天贡献的订单量前后一样的话，我们发现确实减少的5%的订单，其实主要来自我们近期广告投放力减少，造成订单量贡献度较高的新用户减少了，因为拉新贵啊，一个APP激活，几十元，甚至几百元都可能，所以增长部降低了拉新的预算，并拿出拉新预算的一半尝试投放APP老用户拉活，因为成本低，转化效果稳定，虽然整体订单下降了5%，但其实是发现了一个，更高ROI的执行路径。

必须all in老用促活啊，这个是一个很好的优化点！！或许，应该让老板肯定这种策略，下面同学才敢甩开膀子执行。

首先，让负责用户增长的同学，把拉新的广告可以先停一停，拉新拉新，撸完就跑，得要留存啊。同时，也把这事儿，告诉产品和运营，出一套解决方案，一起想办法，看能不能在这个策略基础上，再提升下老用户的订单转化率，这是重中之重啊！

钱要花在刀刃上，再有钱的老板，广告烧起来也肉疼啊。

这个例子引用的是著名的辛普森悖论，大家感兴趣的可以搜一下。

更多阅读

Excel图表技巧：你拍三我拍三，动态图表超简单
一文了解数据分析师视角下的数据中台
面试必备的数据分析方法和思维，错过了再等一年