走過路過不要錯過
點擊藍字關注我們
數據異常分析作爲數據分析日常工作中“再正常不過”的常規工作內容，經常出現在需求方的溝通消息中,"Hello,某某數據很異常啊，能查下原因麼？”
雖然近乎一半的“數據異常”最後檢查下來，都是口徑不一致等的理解問題，但即便砍掉這部分需求，剩下的需求工作量也是不少的。
本着“重複性需求”要想辦法自動化解決或者沉澱出方法論（固定套路）讓“小弟”去解決的“方針”，（咳咳，弟弟，我這不是害你呀，我這是愛你呀），我尋思着寫寫異動分析的方法論。
具體步驟如下，enjoy.
Step 0. 明確需求是不是真的是異動分析需求
這一步準確來講，其實不是異動分析的步驟，而是承接需求的工作習慣；所以本步驟記爲 Step 0 吧。
像上邊說的那樣，在真正的工作中，異動分析類的需求有不少都是理解偏差的僞需求，所以在接到需求時，不要着急馬上就去拆解思路查問題；而是應當詢問清楚需求方，Ta的數據異常結論是怎麼得出來的，看了哪些數據。
然後自己按照需求方發現問題的過程，檢查一遍數據，排查是否是如下原因引起的僞需求：
(1) 數據口徑不一致等理解差異；
(2) 數據源更新延遲等數倉側原因；
(3) 數據未上報/未採集等開發側原因；
Step 1.定位呈現問題的最小單元
先解釋下什麼叫最小單元。最小單元就是對有這樣問題表現的羣體（即集合）進行不同維度（特徵）的劃分，直到找到某個集合，該集合中的羣體都有這樣的問題表現。
舉個例子，假設我們發現，某電商交易平臺月活客戶數持續下降。
在問題提出時，我們得到的羣體是“平臺特定週期內所有活躍客戶”，但是具體去看的時候，發生活躍度降低的用戶羣可能僅僅是某些渠道來的新客，也可能是具有某些羣標籤的老客，也可能是某些地區的用戶（無新老客的差異），而我們要做的，就是對“平臺特定週期內的活躍客戶”進行一級*二級*三級等粒度維度的劃分，具體去看呈現出異常表現的是具有哪些特徵的人羣。
圖1. 拆分所有維度/特徵
在這一步，用到的僅僅是人羣維度的結構化拆解，注意維度列舉時應遵循MECE原則，即：相互獨立，完全窮盡。
Step 2. 基於最小單元，梳理相關因素，進行猜想驗證
假設在第一步，我們定位到問題呈現現的最小單元是：某些投放渠道來的新客、某些城市的新客和某些城市的老客；
圖2. 驗證相關維度/特徵
基於第一步的“最小單元”，梳理出每個單元涉及的相關方和相關因素。
其中相關因素就涉及需求方的工作了，所以記得平時多和需求方溝通學習，瞭解合作方的工作內容。數據分析師能力模型中，所謂的“懂業務”，一部分就是可以通過這種多溝通的方式得到提升，特別是當你遇到一個很專業很能打的合作方。
圖3. 相關因素窮舉
針對梳理出來的因素，我們可以提出猜想並進行驗證(以排除無關因素)：
1、【渠道】是不是渠道本身質量有問題？
2、【渠道】是不是投放渠道配置的素材有問題，以致吸引的客羣質量不佳？
3、【渠道】是不是投放選的人羣標籤不對？
4、【地區】是不是有競對在分走客戶？
5、【地區】是不是區域的運營策略做了調整且調整後效果沒有之前好？
6、【地區】是不是區域最近有什麼大事件，影響用戶消費？
......
列出各種猜想後，通過蒐集相關資料和數據，來排除肯定錯誤的猜想，保留有證據支持的猜想。
圖4. 驗證有效因素
Step 3. 測算每個因素對結果的“貢獻度”
在第二步的基礎上，排除掉確定無關的因素，且有證據表明剩餘因素相關，若相關因素唯一，則原因定位到了，反饋給合作方，後續持續跟進問題解決即可；
若相關因素不唯一，則需要通過對比分析等方法，測算出各個因素對結果的影響程度，和需求方一起討論解決方案以及各個子方案的優先級。
番外.碰到實在分析不出原因的數據異常怎麼辦？
上述的方法一定程度上可以解決大多數異動分析問題，但是還是會遇見一些無法通過數據分析定位到異常原因的數據異常，這個時候就得上用戶調研了。
高手在民間，用戶的行爲，只有你想不到，沒有他們做不到的。實在分析不出來，就去回訪用戶爸爸吧。
熱門文章
【您的在看，我的莫大鼓勵】
