数据分析/运营——数据异常的排查方法

问题引入：如果老板问你最近日活量（或者其他指标）出现下降/异常，是什么原因？

数据异常主要从两个大方向进行排查：①数据是否有问题？②业务是否有问题？

针对这两个方向，可以将数据异常排查分为以下几个步骤：

步骤一、数据是否有问题，即数据是否是真的异常？

（1）亲自查看数据准确性，不要人云亦云

（2）时间轴拉长，看是近期异常（3个月）还是历史异常

（3）看和该指标关联的其他指标或其他核心指标是否也异常

（4）找到一个关键任务（产品/数据），提前沟通一下

步骤二、如果数据是真的异常，怎么排查？

在分析异常原因时，最好先将用户进行拆分，常见的几个拆分维度

（1）按注册时间：新用户/老用户

（2）按登陆平台：iOS/安卓

（3）按新旧版本：新版本/旧版本

（4）按时间：淡季旺季、日间和夜间、周期性产品

将用户进行细分后，再分别对每一个维度进行原因排查，最大概率法归类（找出所有的可能，讲它们出现的概率进行排序）

（1）假期效应：开学季、暑期、四大节、当地节日

（2）热点事件：常规热点和世界杯、突发热点某爆款IP

（3）活动影响：双11、618、公司层面活动

（4）政策影响：互联网金融监管、快递行业实名

（5）底层系统故障：数据传输、存储、清洗有无问题

（6）统计口径：业务逻辑更改、指标计算方式更改

步骤三、针对步骤二发现的异常原因进行验证

（1）凡事用数据说话，即便是有时候觉得异常原因很符合我们的直觉，但是如果有条件的话，还是希望能够进行一下ABtest、假设检验，用数据验证你的假设。

总结：先检查数据是否真的异常，如果是，那么将用户进行细分，分别找出每一部分用户最可能的异常原因，最后使用数据对这些原因进行验证。

以下是一个案例分析：