鲁达 编辑指南：“分析一下，为什么今天一一突然掉了下来？”这是数据分析面试的高频提问，考察了应聘者的分析问题、验证推测、结果呈现等一系列能力。
本篇作者就对此问题，结合自己的思考理解，给我们总结了如何看数据、做拆分和做假设，一起来看一下。一、框架
分析流程总体可以归纳为三步：看数据、做拆分、做假设。
1. “看数据”，看数据本身及其变化是否存在问题
由于指标的波动可以分为正常的和异常的，按照持续时间又可以分为暂时性波动、周期性波动和持续性波动，所以要先明确这个波动是不是真的是异常的，可以和产品、运营、研发、运维等多方确认数据的真实性，然后观察数据波动持续了多久，判断波动程度是否是在合理的范围之内，比起昨天和上周，同比环比分别变化了多少等等。
这一步可能发现的原因大致有：服务器异常、后台统计出错、报表数据异常、指标计算口径不一致等，也可能是外部的恶意行为造成的，需要根据后续步骤再仔细排查。
2.“做拆分”，将指标和业务流程多维度拆解，缩小排查范围
这一步要注意“辛普森悖论”，即在某些情况下，分析数据整体和分析数据的各个部分会得到相反的结论。
1）从指标上拆：一个指标一般可以由其他指标计算得到，指标的波动是若干个因素共同作用的结果。要想缩小问题的排查范围，可以在原始指标下尽量细分，不断地由粗到细拆解，找出可能影响指标波动的所有因素，得到一个类似树的结构。比如“DAU=新用户+老用户留存+流失用户回流”，新用户有来源渠道，老用户有留存渠道，流失用户有自然回流和干预回流，而用户共同的因素又有软件版本、地区、设备、活跃时间段等等。
另外，拆分不只是用加法，还需要针对具体指标做拆分，比如一些复合指标：“GMV=新用户x转化率x新用户客单价+老用户x转化率x老用户客单价”。
2）从业务流程上拆：一个用户从注册到进入首页再到流失或留存的整个过程，其中的任意一步都有可能会是指标下降的“罪魁祸首”。比如说，当一个新用户第一次进入首页时，发现首页推荐的内容并非他所喜欢的甚至是反感的，反手来一个卸载，这种因为推荐内容质量而导致的用户流失，锅就甩在推荐系统工程师的冷启动没做好上了。
不止是这些“表面上”的因素，还有很多其他因素可以加入进来，它们大体上可以归纳为内因和外因两类，内因往往和用户、产品、运营和内容质量相关，外因则可能和政治、经济、法律、竞品的出现甚至疫情的爆发有关，外因可以从宏观上做PEST分析。
往往在分析之前需要先判断指标波动的情况，一般来说，短期变化找内因，长期异动找外因。比如向外考虑国家是否有重大政策发布，向内考虑是否产品本身有问题，是否用户需求发生了转移，在数据上则需要关注数据指标的起点、拐点和终点。
举个最近的例子就是，最近在线学科教育产品的日活为什么下降了？因素就很有可能是最近国家发布了双减政策，自国家发布消息的那一天起，指标数据开始下跌。
除了使用拆分的方法外，还可以结合相关性分析的方法，思考目标指标与另外一个因素是否相关联。
第二步可以总结成几个问句来辅助思考：指标构成是什么？业务流程是什么？是否有外部因素的影响？相关因素有哪些？有注意辛普森悖论吗？
3.“做假设”，假设某因素就是原因，做实验去验证假设
第三步与第二步是紧密结合的，往往是先从理论上和经验上去分析，得到各种假设，再通过实验验证提出的假设，相当于前面提到的“树”，给它的各条分支路径做剪枝操作，一定要具体问题具体分析，具体措施就是做AB实验。
由于真实场景下存在许多的变量，可能是产品迭代、运营策略改变，或者线上有另一个AB实验在做，都会导致最终结果存在差异，所以不同情况下的验证会有不同的解决方案。
要验证一些可复现的问题或可实施的想法时，如果时间充裕就可以通过AB实验来做，其他情况则可以通过业务经验快速缩小验证范围，用业务指标拆分或相关分析来辅助排查问题，最终锁定一个或多个有意义的结果。
需要注意的是，对于部分能稳定重现的问题来说是可以用AB实验来验证的，还有很多问题是不能稳定重现的，就需要另外思考解决方案了，例如某天发现有大量新增的用户，但是都是脚本模拟的假用户，这时就需要根据当天的用户行为记录，如ip地址与设备标识等已经产生的现有日志进行深入挖掘了。
二、总结
最后，把前述梳理的思维框架总结成一个思维导图，当遇到要分析指标数据变动的问题时可以作为一个参考。
参考
数据指标出现异常波动时，你该如何进行异常分析呢？
猴子《数据分析思维：分析方法和业务知识》。
本文由 @方塘 原创发布于人人都是产品经理，未经许可，禁止转载
题图来自Unsplash，基于CC0协议