点击上方蓝色【数据攻略】关注+星标~

第一时间获取最新内容

哈喽大家好，我是六哥~

好久不见！拖更的日子里并没偷懒

有我微信的老粉，应该知道我在忙些什么

2022年初开篇说的那些规划

正在进行时/筹备中，反响也还不错

所以如果你对求职/学习交流有诉求

可以后台回复 “1” 添加我的微信

好了，家长里短交代完毕

开始唠唠本次分享

日常工作中，常常会接触到业务类似：

GMV 、转化率、DAU等业务所关注的指标下降/上升的疑问

是的，对于业务摸不清的困境

作为数据分析师，我们的职责之一就是

拿出自己的专业所长，为其追根溯源、拨云见日

这类问题，也是BI的一项高频工作内容

—— 『指标异动归因』

当我们谈 『指标异动』

看文章的你们，一般会有如下两种角色：

• 在职分析师，可能会想到一些沉淀出的既得可复用的定性+定量方法论

• 求职中的准分析师，可能想到一些常用面试拆解思路和框架答法

比如我之前写的case：业务指标异常分析（含真实案例）

其实业界关于how，也就是如何做

已经有一些比较好的思路/方法层面上的应用经验

但这里，关于『指标异动』

借助本篇，结合一些日常工作感悟 + case

我想试着从 what & why，也就是从根源

来聊一聊关于ta的一些思考和解法

希望能够对你不止在方法上有一点启发和帮助~

ps. 预告：

因此我大概会分3篇来试着讲解：

首先是关于指标异动 “道” 方面的一些本质看法

其次是关于指标异动 “法” 方面的一些定量方法

然后是关于指标异动 “器” 方面的一些部署或实操

那，首先是本系列的第一篇

—— 指标异动的定义与价值。

------正文手动分割线------

一、什么是指标异动

    1.1 指标的定义

二、为什么要做指标异动分析

三、常见误区

这里其实包含2个关键词：

①指标；②异动

既然要从根本讲起

我们就一一来讨论下这里的定义

首先，什么是指标。

用一句话来解释，就是：

结合业务KPI所设计出可以度量业务现状的具有实际含义的统计量。

一般情况下，公司的终极目标是流量和利润

所以每家公司的KPI都离不开DAU和GMV

因此常见的指标也不外乎是

这两类的变体或一些延伸抓手指标

说到异动，其实有一隐藏逻辑，即 比较。

数据分析说到底，本质在于比较，例如：

基于以上举例

总结下来，比较 包含3个要点：

• 比较的评估指标是什么？即需要确定清楚是在比较什么业务指标
• 比较的参照对象是什么？即需要界定清楚参照的研究群体是什么

• 空间维度上的横向比较，即不同群体间的比较、与目标期望值的比较...

• 时间维度上的纵向比较，即同一群体的前后自我比较

• 比较的衡量方式是什么？

• 绝对比较，即参照对象的绝对差值
  

• 相对比较，即参照对象的比值差异

只有比较，才知道业务的好坏表现。

只有比较，才知道指标是否发生异动。

因此我说，比较是异动的基石，前文的笔墨是有必要的。

所以如果指标发生异动

我们首先要做的的就是：

确定清楚比较的三要素是什么？

举个例子：

某天业务方火急火燎的说近期GMV下降了，快帮帮我找原因。

停一下，先不要急

千万不要他说啥是啥

马上下手罗列拆解分析框架了...

有可能问题都不一定存在，白忙一场！

所以这也是为啥面试case的常见答案框架中

首要第一步是验证现象的真伪

作为数据分析师

最重要最基本也是最容易忘的工作准则就是

保证在统一定义且双方都认可的标准下做事情

所以，按照三要素

把问题界定清楚后，再谈怎么做

回到刚才的case：

首先，比较的评估指标是什么？

—— 谁的什么指标？是大盘、还是某业务、某场景的GMV？

接着，比较的参照对象是什么？

—— 和谁比下降了？是和自己比，还是和ta比？

然后，比较的衡量方式是什么？

—— 如何度量的差异？下降了多少？是同比去年，还是环比上月？

强烈建议：

同时结合指标预设波动范围（例如均值-方差法）

这么确认一遭，肯定没有坏处

不仅能清楚异常是否发生，以及程度如何

同时根据比较的要素，也对后续指标异动贡献的定量+定性方法的选取有清晰的认知。

谈了指标异动的定义后

我们顺着讨论下为啥要做这项工作

有人可能会说，这不是 * 话么

当然是解决业务的问题啊

没错，那业务的真正问题是什么

或者，从业务角度，我们不妨深挖一下

抛出此类问题，背后的真实目的是什么

一般，可能有以下两类：

▼why：知因知果型。

注意：可能大多时候

你的业务方真正属于第一种（有可能他自己都不知道）

即其实想要知道的是异常是发生在哪里？

然后做出动作/策略调整，可能指标回拉后，就默认这类问题done。

如若真正想要探究为啥出现问题

可能就需要一系列的假设+实验

来反复迭代论证严密的因果关系

这类的代价通常比较高，所以在这篇我们不做详谈。

一切以目的驱动的解法才会被赋予价值。

从数据分析师角度

了解业务的真实目的后

不妨想一想，日常工作中

我‍‍们是否有必要去做异动分析？

需要做到什么程度才算完事？

比如，你的业务方可能随口一提且非业务核心关注指标，那我们是否有必要去做？

• 是根据经验做一些定性判断，告知可能问题方向？还是结合一些科学统计方法做定量分析，告知关键症结所在？

• 是否需要针对定位到的问题进一步追根溯源，深究出现的原因。

这里，就需要你根据实际情况

做一些选择和判断，争取单位时间内效益最大化。

当然，如果时间充裕且软硬件条件充足的情况下

本着职责所在+个人成长方面

鼓励可以往定量、甚至是why方面多做一步探究~

其实，如若是业务方来询问数据分析师

"为啥xx指标出现异常" 时

往往是属于属于滞后性分析

数据分析师在此环节的作用较为被动，属于需求接收型

但这并不是一个好的运转机制

也并没有充分体现岗位真正价值。

数据分析与业务良好的合作模式，应当是多做预警型分析。

的确，这对数据分析师的能力也做了进一步的要求：

例如对于业务的深刻理解和洞察能力

例如计量思维封装为智能工具的能力等等...

在过往的异常归因类问题中

有一些值得总结的经验，也给大家提个醒。

异常分析较为典型的误区为：

• 一类是错当异常，无效分析怪圈；

• 另一类是无限拆解，费力且不讨好。

并不是所有的异常是真异常

并不是所有的问题都有原因

并不是所有的原因都有价值

举例①：2022年2月GMV环比1月出现异常下降，为什么？

可以思考一下，这是否是一个真异常？

▼提示：回想一下比较的三要素，参照的对象是什么，是否合理。

举例②：还是上述的问题，我们得知2月由于恰逢春节，GMV环比1月有下降，为什么春节就下降？

可以思考一下，这个问题是否需要追根溯源，刨根问底？

▼提示：异常的追因在于解决业务实际问题

碰到异动分析，常常大多数数据分析师的做法是：

利用穷尽原则做维度拆解，将所有可能的维度无限拆解。

这种做法是否好呢？其实不然：

• 对于业务方，看起来报告写了好多页，各种维度各种图表，乱花渐欲迷人眼。但实际get不到重点，繁杂乱，并不清楚异常到底出现在哪里

• 对于分析师，虽说有苦劳，但并不一定有功劳，毕竟解决问题才是有效的产出。

好的分析师，好的分析报告

永远是以有理有据的清爽结论作为第一要义

什么是有理有据？

答案，显而易见

以上

就是关于『指标异动』 层面的思考和感悟

下一篇我会从 法 的层面

针对指标异常的定量归因方法做一些分享

敬请期待~

如若盼 追更 『日常学习类』干货系列 

欢迎大家转发，点亮在看

Ps. 微信推文改了规则

看完记得设置为 “ 星标 ” 

不然我会消失的

往期好文推荐