数据异常是每个数据分析师最常见的工作之一，大部分人缺乏方法论，排查起来没有方向感和层次感，这里看看，那里看看，非常耽误时间，可能最后也没有结果。所以，需要认真去制定一套标准化流程去做这件事。
数据异常主要表现在两个方面，一是数据本身有问题，二是业务本身有问题。
数据异常排查的标准化流程：
一、前期准备
1、业务理解。我们知道，所有离开业务谈数据都是耍流氓。比如某个APP的DAU1000万，这个DAU是什么意思？是进程还在，还是打开APP，还是要有主动行为?这几个都是不一样的。
2、指标口径。数据分析师是负责口径的第一人。比如某个APP的DAU1000万，这个DAU是安卓计算还是苹果计算，是imac计算还是手机号码计算
3、当前数据产出过程。数据全链路需要搞清楚。比如某个APP的DAU1000万，这个数据是通过哪些报表，经过哪些清洗得到的？
二、方法论
1、判断是否异常：根据正确的业务理解，判断别人说的异常是否是真的异常。
（1）一定要亲自去看所谓的数据异常是否是真实的异常，不要业务方说异常就去排查。要亲自去看数据准确性，业务方不一定专业。
（2）将报表的时间轴拉长，看是近期异常（3个月）还是历史异常。单纯一周或者一个月的低谷或者高峰不一定是异常，可能是周期性事件。
（3）看和该指标关联的其他指标或者其他核心指标是否也异常。如有异常，应该一同解决。
（4）找到一个关键人物（产品/数据），提前沟通一下。提前沟通可以得知一些经验的东西
2、最大概率法则归类：就那么几种原因，所以要沉淀，按照概率一项一项排查。
（1）假期效应：开学季、暑假、四大节（春节、清明节、端午节、中秋节）、当地节日
（2）热点事件：常规热点如世界杯、突发热点如某爆款IP
（3）活动影响：双11，618，公司层面的活动
（4）政策影响：互联网金融监管、快递行业实名等
（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
3、闭环：只有后期得到验证才能说明整个过程没有问题。
（1）持续跟踪后期数据是否再次异常：确定前期排查的原因是否是正确的，给出建议之后问题有没有解决
（2）记录、沉淀、文档化：异常排查是非常重视经验的，所以整个排查过程，需要沉淀成文档，方便以后的快速找出异常原因。
（3）邮件化：只有确认了没有问题再邮件，描述影响范围和主要结论即可。
三、案例
某APP的主要用户再东南亚地区，某日DAU突然涨到5000万，与历史数据相比明显异常，问了一圈内部人员后，发现数据采集、传输、活动、业务口径、常规热点都没有变化。
对照原因归类法则：只有突发热点某爆款IP没有排查，因此进一步深挖。最后发现是一位国宝级的女明星去世，带来大量访问，于是公司紧急调用运营资源，对该女明星的去世事件进行深度剖析，发酵，养成用户口碑，使整体的DAU在短期内提高了10%
通过数据异常、找到新增长点（使用运营手段去运营，提高整个DAU提高了10%）