按关键词阅读： 国美 摸鱼计算器 工作时间
编辑导语：我们在日常工作中，常常会因为数据的变化而苦恼，丝毫不知道数据异常的原因在哪里。那么，数据归因该怎么做？作者总结了四步，花点时间，你一定能够找到数据异常的原因所在，希望对你有帮助。
文章插图
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。
一、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。
1. 外部原因
文章插图
- 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
文章插图
- 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
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
四、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。
五、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。
稿源：(人人都是产品经理)
【傻大方】网址：/c/111YA3532021.html
标题：维度|数据异常归因｜最近一周成交订单量较之前有7%的下降，该怎么分析原因？