走过路过不要错过
点击蓝字关注我们
数据异常分析作为数据分析日常工作中“再正常不过”的常规工作内容，经常出现在需求方的沟通消息中,"Hello,某某数据很异常啊，能查下原因么？”
虽然近乎一半的“数据异常”最后检查下来，都是口径不一致等的理解问题，但即便砍掉这部分需求，剩下的需求工作量也是不少的。
本着“重复性需求”要想办法自动化解决或者沉淀出方法论（固定套路）让“小弟”去解决的“方针”，（咳咳，弟弟，我这不是害你呀，我这是爱你呀），我寻思着写写异动分析的方法论。
具体步骤如下，enjoy.
Step 0. 明确需求是不是真的是异动分析需求
这一步准确来讲，其实不是异动分析的步骤，而是承接需求的工作习惯；所以本步骤记为 Step 0 吧。
像上边说的那样，在真正的工作中，异动分析类的需求有不少都是理解偏差的伪需求，所以在接到需求时，不要着急马上就去拆解思路查问题；而是应当询问清楚需求方，Ta的数据异常结论是怎么得出来的，看了哪些数据。
然后自己按照需求方发现问题的过程，检查一遍数据，排查是否是如下原因引起的伪需求：
(1) 数据口径不一致等理解差异；
(2) 数据源更新延迟等数仓侧原因；
(3) 数据未上报/未采集等开发侧原因；
Step 1.定位呈现问题的最小单元
先解释下什么叫最小单元。最小单元就是对有这样问题表现的群体（即集合）进行不同维度（特征）的划分，直到找到某个集合，该集合中的群体都有这样的问题表现。
举个例子，假设我们发现，某电商交易平台月活客户数持续下降。
在问题提出时，我们得到的群体是“平台特定周期内所有活跃客户”，但是具体去看的时候，发生活跃度降低的用户群可能仅仅是某些渠道来的新客，也可能是具有某些群标签的老客，也可能是某些地区的用户（无新老客的差异），而我们要做的，就是对“平台特定周期内的活跃客户”进行一级*二级*三级等粒度维度的划分，具体去看呈现出异常表现的是具有哪些特征的人群。
图1. 拆分所有维度/特征
在这一步，用到的仅仅是人群维度的结构化拆解，注意维度列举时应遵循MECE原则，即：相互独立，完全穷尽。
Step 2. 基于最小单元，梳理相关因素，进行猜想验证
假设在第一步，我们定位到问题呈现现的最小单元是：某些投放渠道来的新客、某些城市的新客和某些城市的老客；
图2. 验证相关维度/特征
基于第一步的“最小单元”，梳理出每个单元涉及的相关方和相关因素。
其中相关因素就涉及需求方的工作了，所以记得平时多和需求方沟通学习，了解合作方的工作内容。数据分析师能力模型中，所谓的“懂业务”，一部分就是可以通过这种多沟通的方式得到提升，特别是当你遇到一个很专业很能打的合作方。
图3. 相关因素穷举
针对梳理出来的因素，我们可以提出猜想并进行验证(以排除无关因素)：
1、【渠道】是不是渠道本身质量有问题？
2、【渠道】是不是投放渠道配置的素材有问题，以致吸引的客群质量不佳？
3、【渠道】是不是投放选的人群标签不对？
4、【地区】是不是有竞对在分走客户？
5、【地区】是不是区域的运营策略做了调整且调整后效果没有之前好？
6、【地区】是不是区域最近有什么大事件，影响用户消费？
......
列出各种猜想后，通过搜集相关资料和数据，来排除肯定错误的猜想，保留有证据支持的猜想。
图4. 验证有效因素
Step 3. 测算每个因素对结果的“贡献度”
在第二步的基础上，排除掉确定无关的因素，且有证据表明剩余因素相关，若相关因素唯一，则原因定位到了，反馈给合作方，后续持续跟进问题解决即可；
若相关因素不唯一，则需要通过对比分析等方法，测算出各个因素对结果的影响程度，和需求方一起讨论解决方案以及各个子方案的优先级。
番外.碰到实在分析不出原因的数据异常怎么办？
上述的方法一定程度上可以解决大多数异动分析问题，但是还是会遇见一些无法通过数据分析定位到异常原因的数据异常，这个时候就得上用户调研了。
高手在民间，用户的行为，只有你想不到，没有他们做不到的。实在分析不出来，就去回访用户爸爸吧。
热门文章
【您的在看，我的莫大鼓励】
