我是这么做指标异动分析的。

现在异常排查类的需求非常多，会占用分析师比较多的人力精力，从排查思路、提取数据、统计分析再到分享原因，而且一般异动分析还相对紧急。可是从分析师的角度考虑，异动分析，对个人价值并不高，并且对业务的发展价值也很一般，属于紧急不重要的象限。

所以希望能够用数据产品来解决异常排查类的分析，包含AB实验的不满足预期、发版的不满足预期、指标的不满足预期，从而释放人力，去做更有价值的策略分析。

最近学习了行业上一些常见的根因分析算法，其中之一是微软的Adtributor，行业上应用比较多。

一、关于Adtributor算法的基本介绍

解决了什么问题

对异常问题进行归因，定位到具体的维度和维度下的具体元素

能解决什么指标的问题

• 量值指标，具有可加性，比如页面访问PV、收入、内容/APP分发量
  

• 率值指标，从量值指标衍生而来，比如CPM、下载的应用启动率
  

使用的原则

• 奥卡姆剃刀：形式尽可能的简单

• 找出最令人吃惊的元素（实际值和预测/对照相差最大的维度及元素）

• 贪婪算法：尽可能解释指标的异动

算法的基本思维简述

•  计算每个维度下对绝对波动的贡献度

• • 比如我的日常收入由工资1000、投资500构成，结果这个月工资变成了1400、投资变成了800。那总波动是700,其中工资贡献了波动的400/700，投资波动贡献了300/700。显然，收入的绝对贡献更高

• 计算哪个构成元素最令人惊讶

• • 上述例子中，我的收入变化只有400/1000，而我的投资收入却改变了300/500，所以相对变化它要高的多，最令我吃惊

• 然后会优先给到惊喜度高、能解释波动的元素作为归因因子

算法的局限性

• 限制于人的维度拆解，如果可能的因素不在里面，它也没办法

• 会优先在一个维度里寻找可能的原因，难以考虑因素之间的关联关系

• 量值类型/率值类型都要可叠加？

原来的算法截图：

    

二、关于两种指标类型的实战案例

量值类指标的分析步骤详细举例（以下数据和产品纯属虚构）：

背景：这里面的指标是分发量，可累加。维度是产品的模块。

Adtributor算法使用的指标：EP、Surprise是算法中需要计算和使用的两个指标，公式如下图中所示：

以下维度是用户年龄

算法详细步骤：

从上面看到，结果还是十分准确的，和肉眼分析出来的是一样的~

率值类指标的分析步骤详细举例（以下数据和产品纯属虚构）：

这是衍生指标的分母（和上面量值指标的计算没有任何区别）

这是衍生指标的分子（和上面量值指标的计算没有任何区别）

这里是衍生指标，它的EP和Surprise和量值指标的计算公式有所不同，会同时考虑到分子和分母

可以看到大盘整体的激活率指标降低了12.4%，但是拆开看各个模块，激活率都没有变化。但是通过肉眼观看分子分母，我们能够知道，分发模块的分发占比变化很大

算法最终输出的结果，也是和我们肉眼看到的模块是一致的

算法能够定位到相关的维度（以及下面的元素），最终还需要人给出根本原因。