當APP產(chǎn)品業(yè)務線的某個數(shù)據(jù)指標出現(xiàn)異常的波動時，該如何著手數(shù)據(jù)異常分析呢？

在日常的工作中，我們經(jīng)常會遇到“產(chǎn)品XX數(shù)據(jù)指標出現(xiàn)異常波動，或上升或下跌”的問題，XX指標包括但不限于日活、次日留存率、注冊轉化率、GMV、客單價等等。我們該如何著手處理分析呢？

這也是面試數(shù)據(jù)方面的工作比較常見的問題。那么，今天將系統(tǒng)的梳理總結一下這類問題的分析框架以及需要考慮的問題，今后在遇到此類問題時，希望能有一個明確的著力點以及分析思維。

01

一般來講，產(chǎn)品的某些數(shù)據(jù)指標都會具有固定的波動周期，而且每個周期內數(shù)據(jù)的變化應該趨于穩(wěn)定，但在數(shù)據(jù)監(jiān)控體系里的日報、周報、月報中某數(shù)據(jù)指標突然不再符合預期的穩(wěn)定變化，這就是我們所說的數(shù)據(jù)出現(xiàn)異常波動。在這種情況下，我們就需要去深挖數(shù)據(jù)異常產(chǎn)生的原因。

而做數(shù)據(jù)異常分析核心就是結合以往經(jīng)驗及各種信息，找出最有可能的原因假設，通過將數(shù)據(jù)指標的進行拆分，再多維度分析來驗證假設，定位問題所在。其過程中可能會在原假設基礎上建立新的假設或者是調整原來假設，直到定位原因。

其實，通過我們每一次的異常分析來定位造成數(shù)據(jù)波動的問題及原因，建立起日常運營工作和數(shù)據(jù)異常波動之間的關聯(lián)性，進而就可以從中找到促進數(shù)據(jù)增長的新的思路和方法，改變數(shù)據(jù)結果。

02

現(xiàn)在，我們先來明確一下數(shù)據(jù)指標出現(xiàn)異常：上升或下跌，通常有以下情況：

• 一次性波動：只在某個時間節(jié)點發(fā)生波動。一次性上升/下跌背后原因的一般都是短期/突發(fā)事件，比如系統(tǒng)更新導致數(shù)據(jù)統(tǒng)計錯誤，突發(fā)的渠道投放凍結等。
• 周期性波動：會周期性發(fā)生上升/下跌，比如雙十一、周末、春節(jié)等季節(jié)性因素。一般業(yè)務開展都有周期性，比如考勤工具類APP，就是以周為單位循環(huán)。工作日和周末就是有明顯差異波動。
• 持續(xù)性波動：從某時間開始，一直出現(xiàn)上升/下降趨勢。而持續(xù)性上升/下跌背后原因往往都是深層次的，比如用戶需求轉移，渠道投放長期暫停，大環(huán)境等因素，導致出現(xiàn)持續(xù)性的。

以上，這三種情況意味著問題本身不同的嚴重程度。

如果是數(shù)據(jù)指標下跌的話，周期性下跌一般都不需要做特殊處理；一次性下跌往往來的比較突然，要關注事件持續(xù)性；持續(xù)性下跌的，特別是不見好轉，持續(xù)的時間越長問題越嚴重。

需要注意是：不能單純的看日周月報表中趨勢圖的走勢，要結合波動的幅度來看——幅度越大，說明出現(xiàn)的異常問題越值得注意。

03

那么接下來，捋清楚思路，我們以“某APP的日活有所下降”，該如何著手分析呢？

第一步：確認數(shù)據(jù)以及統(tǒng)計來源的準確性

在這里強調一下：數(shù)據(jù)真實性是根基。

實際上因為數(shù)據(jù)源出問題，導致的指標異常非常非常多。所以在開始著手分析前，必須首先確認數(shù)據(jù)的真實性；經(jīng)常會遇到服務器異常、數(shù)據(jù)后臺統(tǒng)計出現(xiàn)錯誤、在數(shù)據(jù)報表上出現(xiàn)異常值。

所以，遇到問題第一順位先確認數(shù)據(jù)沒有錯，找數(shù)據(jù)統(tǒng)計相關的產(chǎn)品和開發(fā)確認下數(shù)據(jù)的真實性。

第二步：了解清楚數(shù)據(jù)指標（app日活）具體業(yè)務情況和異常情況

明確以下問題：

1. 明確日活究竟下跌了多少？持續(xù)的時間是多久？
2. 相比昨天、上周都分別跌了多少？（同比、環(huán)比）
3. 確認指標波動幅度是不是在合理的范圍？
4. 引起日活下跌的因素有哪些？這些因素分別對日活的影響程度有多大？
5. 與這些因素相關的運營以及產(chǎn)品部門對日活的影響程度有多大？
6. 這些部門是不是會因為產(chǎn)品迭代或者運營策略得到改變影響日活？
7. 確認日活下跌對整體產(chǎn)品業(yè)務線的KPI影響程度?
8. 了解日活下跌對產(chǎn)品業(yè)務線有哪些影響？
9. 以前日活下跌后，都采取過哪些措施？

清楚了數(shù)據(jù)指標（APP日活）的具體情況，有了輕重緩急的判斷，下一步就可以進行指標的拆解，再縮小懷疑范圍，建立分析假設。

而建立假設，有助于去偽存真的進行驗證，進一步逼近真實原因。

第三步：將數(shù)據(jù)指標進行拆解

如：日活=新增用戶+老用戶留存+流失用戶回流，二級指標拆解如下

1. 可拆解新增用戶來源渠道：如應用市場，百度搜索等
2. 可拆解老用戶留存渠道：華為、vivo應用商店等
3. 可拆解新老用戶登錄平臺：安卓、iOS等
4. 可拆解新老用戶用戶的地區(qū)：天津、北京等
5. 可拆解新老用戶使用版本：新老版本
6. 可拆解新老用戶活躍時間：節(jié)假日、周期性等
7. 可拆解流失用戶：自然回流， 回訪干預回流等

可分別計算每個維度下不同的活躍用戶數(shù)。

通過這種方法，定位到導致哪個區(qū)域或者渠道的日活下降的用戶群體是誰，以及定位原因有了大致范圍。

比如定位是新用戶問題，我們需要再把新用戶日活按渠道進行拆分：新用戶=渠道1+渠道2+渠道3+其他渠道；通過渠道拆分，我們會發(fā)現(xiàn)是具體哪個渠道效果發(fā)生的問題。

那么，繼續(xù)下一步我們要根據(jù)實際業(yè)務進一步做假設，具體情況具體分析。

第四步：異常范圍定位后，要根據(jù)業(yè)務進一步做假設，實際具體情況具體分析

具體分析可以采用“內部-外部”事件因素考慮。

? 內部-外部事件

在一定時間內同時發(fā)生可能很多種，主要關注數(shù)據(jù)指標的起點、拐點、終點。

• 數(shù)據(jù)指標起點：數(shù)據(jù)指標剛下跌時，發(fā)生了什么事件；往往起點事件是問題發(fā)生的直接原因。
• 數(shù)據(jù)指標拐點：在指標持續(xù)下跌過程中，是否某個事件的出現(xiàn)，讓問題變得更嚴重，或者開始轉暖。拐點意味著，這是可以通過運營手段改善指標的。
• 數(shù)據(jù)指標終點：當某個事件結束后，指標恢復正常?；虍旈_始某個事件后，指標下跌結束。終點事件的兩種形態(tài)，代表著兩種改善指標的方法：等問題自己過去，或者主動出擊解決問題

??內部事件因素

• 分為獲取用戶（渠道轉化率降低、渠道平臺的問題等）
• 滿足用戶需求（新功能變更等引起某類用戶不滿）
• 促活運營手段（簽到等提活手段沒達成目標、產(chǎn)品自然使用周期低導致上次獲得的大量用戶短期內不需要再使用等）
• 內部功能和運營策略調整（產(chǎn)品、運營、技術在數(shù)據(jù)異常時間點附近做了什么策略調整）

?外部事件因素

采用PEST分析（宏觀經(jīng)濟環(huán)境分析）——政治（政策影響）、經(jīng)濟（短期內主要是競爭環(huán)境，如對競爭對手的活動）、社會（輿論壓力、用戶生活方式變化、消費心理變化、價值觀變化等偏好變化）、技術（創(chuàng)新解決方案的出現(xiàn)、分銷渠道變化等）。

我們遵循短期變化找內因，長期異動找外因。

在條件允許范圍內，再結合自身業(yè)務經(jīng)驗確定幾個最可能的原因假設，給這些假設排數(shù)據(jù)驗證的優(yōu)先級，逐一排查，深入分析，比如本次指標下跌是因為新功能不符合預期不給力、渠道投放力度不夠、競品太厲害、版本更新大bug、流失嚴重等。

第五步：預測未來是否還會下跌？應該采取什么方式避免下跌？

與業(yè)務溝通反饋分析結論，探討后續(xù)方案的執(zhí)行；再針對原因解決問題，制定優(yōu)化策略。

最后，我們要預測影響到什么時間；并運營、產(chǎn)品溝通反饋分析結論，探討后續(xù)方案的執(zhí)行。

04

以上，就是梳理的“數(shù)據(jù)指標出現(xiàn)異常波動時，該如何著手數(shù)據(jù)異常分析？”的思路框架，現(xiàn)在總結一下：

第一步：確認數(shù)據(jù)以及統(tǒng)計來源的準確性?

第二步：了解清楚數(shù)據(jù)指標具體業(yè)務情況和異常情況

第三步：將數(shù)據(jù)指標進行拆解。

第四步：異常范圍定位后，要根據(jù)業(yè)務進一步做假設，實際具體情況具體分析。

第五步：預測未來是否還會下跌？應該采取什么方式避免下跌？與業(yè)務溝通反饋分析結論，探討后續(xù)方案的執(zhí)行。再針對原因解決問題，制定優(yōu)化策略。

總之，在實際業(yè)務中，數(shù)據(jù)異常的影響原因可能是多方面的，有的時候也需要建立統(tǒng)計分析模型來做一些定量分析。可能要花幾天的時間去不斷排查問題。

所以我們需要在平時工作中多留意數(shù)據(jù)變化，隨著對業(yè)務的熟悉和數(shù)據(jù)敏感度的提升，針對數(shù)據(jù)異常分析我們也會越來越熟練，更快的找到問題所在。

作者：木兮，數(shù)據(jù)運營小白；公眾號：木木自由

本文由 @木兮 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉載

題圖來自 Unsplash，基于 CC0 協(xié)議