数据分析中的『指标异动』你理解正确吗？
0 序言
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
身为BI的我们，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』
不同的角色第一反应肯定有些许差异看文章的你们，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
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：
关于指标异动篇幅会比较长，我可能会做成系列因此我大概会分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
===========================================================================另外，最近在集中梳理总结求职简历、笔试、面试相关文章，后续有更多日常学习干货。
建了一个 数据人的资源基地 ，分享 求职笔面试经验 & 日常学习 ，需要的可dd六哥 （ 可看回复）
为了方便帮助更多人，后续会将 系列文章 沉淀在公众号。
欢迎关注六哥 六哥他的工粽号 " 数据攻略 "============================================================================
------正文手动分割线------
一、什么是指标异动
1.1 指标的定义
1.2 异动的本质
2.3 启示
3.2 无限拆解
一、什么是指标异动
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
1.1 指标
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
1.2 异动
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：
▼ 和竞对比，在战略层面，我们知道市场份额中我们能吃到的蛋糕是多大，处于什么水平
基于以上举例
- 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
确认逻辑，核对口径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。
（ps.异动贡献的定量方法我会在此系列第二篇分享）二、为什么要做指标异动分析
谈了指标异动的定义后
2.1 目的
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：
▼where：问题解决型。▼why：知因知果型。
例如这类的发生情景是，发现某业务在一段时间内持续走跌，好学好问的业务方不仅仅想知道哪里出现了问题，也更想知道为啥出现问题，争取避免此类问题。
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。
2.2 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？
比如，你的业务方急需救火且指标关键，那我们需要做到什么程度？- 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~
2.3 启示
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。
在业务尚未发现异常时，前置判断，主动出击并给出提示，真正发挥数据分析赋能业务的作用。
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...
三、常见误区
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。
3.1 错当异常
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。
▼注意：作为参照对象时，是否有考虑剔除特殊日，2月含春节节假日，如果没有捕捉到此信息，直接当做异常去分析，可能费力且无效。
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
▼注意：不要陷入追寻绝对的因果关系陷阱，重点关注对业务有实际意义，可利用的因果。3.2 无限拆解
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？
换位思考，如果你是业务方，针对GMV下降的问题
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~欢迎多多鼓励，肝更多原创干货~
（ps图好像挂了( •̀ ω •́ )y）
