数据异常简要分析框架

一、数据异动根因分析的背景介绍

---

       业务考虑的最重要的问题是，业务现状怎么样，出现什么问题，原因是什么，可能的解决方案是什么？而回答这些的是数据分析的思维。

       数据异动根因分析的特色不仅是发现数据异动，而是使用专家经验，分析框架，定位问题，说明原因。

数据端异动发现：

1、异动发现

1.1、人工配置阈值:

       人工配置指标的同比环比阈值、指标的上限下限，超出人工配置的阈值即认为是数据异动，这是目前数据异动的主流方式。

       优点就是人工可以灵活干预，缺点是人工维护很多阈值，且在不同的业务阶段，阈值要不断更新，给人增加很多工作量，且这个异动判断人为因素太重，不科学

1.2、时间序列预测模型:

       通过回归模型，时间序列（如：移动平均，指数平滑...）算法对数据进行预测。

       优点：可以根据数据的变化趋势，周期等因素。更好的预测出更合理置信区间。减少了人为干扰因素。缺点：无法将一些特定的人为活动（如：营销活动）等因素考虑进去，最终导致实际数据超出预测范围（置信区间），但是结合规则系统是可以弥补的。

2、异动分析框架

2.1 关联分析：梳理核心指标的关联指标，当核心指标发生异动时，先定位相关指标是否发生异常。例如完成订单量异常，要关注呼叫订单量是否异常。

2.2 多维分析：对指标进行多维度拆解。当关联指标发生异动时，要确定哪些维度对核心指标的异动影响最大。

2.3 事件分析：检查异常日是否有新事件发生，例如 重大节假日、线上活动、异常天气、产品发布日等

总结：一般可以基于对业务理解先确定指标，然后通过相应分析粒度，定位相应的问题！