0 序言    作为数据分析师，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   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                 （比如六哥之前写的case，可见牛客主页往期文章）       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   —— 指标异动的定义与价值。                          ===========================================================================                                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------         本文结构速览： 一、什么是指标异动  1.1 指标的定义  1.2 异动的本质   二、为什么要做指标异动分析    2.1 目的  2.2 价值  2.3 启示           三、常见误区    3.1 错当异常       3.2 无限拆解                   一、什么是指标异动        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                                     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           这两类的变体或一些延伸抓手指标        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 ▼ 和预期比，在战术层面，我们知道距离顶层制定的kpi是否达成，差距有多少，现有的方向是否正确 ▼ 和基准比，在策略方面，我们知道业务的现存情况是什么，发展态势如何，现有的打法是否有效 ▼ ...等等                          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       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 我们顺着讨论下为啥要做这项工作            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。   例如这类的发生情景是，短期内发现某业务指标下降，业务方迫切想知道哪里出现了问题，抓紧怼策略，争取回拉指标       ▼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                   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？       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          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。                                                3.1 错当异常                                       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。       ▼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 是希望得到 ："主要是xx渠道流量老用户减少和新用户客单价下降     导致的"          还是希望得到："主要是xx渠道老用户占比变动（异常贡献度高达X%），新用户客单价下降（异常贡献度高     达Y%）导致的"                               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~                                  如果感兴趣，可来工粽 号  "  数据攻略 "，原创文章分类更清晰。       最近在集中输出简历、笔试、面试相关干货文章，后续有更多日常学习case。