指标异常波动分析-dau下降

先明确数据指标出现异常：上升或下跌，通常有以下情况

1.一次性波动：只在某个时间节点发生波动。原因一般是短期或突发事件。

2.周期性波动：周期性发生上升/下跌,比如双十一，周末，季节性因素等。

3.持续性波动：从某个时间开始，一直出现上升/下降趋势。持续性上升/下跌背后原因往往都是深层次的，比如用户需求转移，渠道投放长期暂停，大环境等因素，导致出现持续性的。

如果是数据指标下跌的话，周期性下跌一般都不需要做特殊处理；一次性下跌往往比较突然，要关注事件的持续性；持续性下跌的，特别是不见好转，持续的时间越长问题越严重 

注：不要只看日周月报表中的趋势图走势，要结合波动的幅度去看-幅度越大，异常问题越严重

在一定时间内引起数据指标异常可能存在多种原因，主要关注数据指标的起点、拐点、终点。

起点：数据指标刚下跌时，发生了什么事件

拐点：在指标持续下跌过程中，是否某个事件的出现，让问题变得更严重，或者开始转暖。拐点意味着，这是可以通过运营手段改善指标的

终点：当某个事件结束后，指标恢复正常（等问题自己过去）。或当开始某个事件后，指标下跌结束（主动出击解决问题）

处理异常数据前，要明确

1.业务理解

2.指标口径

3.当前数据产生过程

排查数据异常的步骤

   1.判断数据是否异常：看数据指标是否是周期性异常，异常情况的严重性，数据是否准确

（1.亲自看数据数据准确性；2.将时间轴拉长，看最近异常（3个月）还是历史异常；3.看和该指标相关联的其他指标是否异常；4.找一个数据关键人物，依靠经验提前预判）

2.最大概率法则归类：造成数据异常的原因有多个，按照概率大小依次排查

（a.假期效应：节假日，寒暑假；      b. 热点事件：突发热点某爆款IP；        c.活动影响：双十一，公司层面活动；       d. 政策影响：快递行业实名；          e.底层系统保障：数据传输，存储，清晰有无问题；                f.统计口径：业务逻辑更改，指标计算方式更改）

3.闭环：只有通过后期验证，才能说明整个过程没有问题

(a.持续跟踪后期数据是否再次异常            b.记录沉淀，文档化            c.邮件告知，描述原因和主要结论)

例子：DAU指标异常波动（下降）

针对数据异常类问题，可参考如下分析框架：

 1.确认数据真实性

 

2.利用数据验证对数据异常作出假设

3.常见拆分维度

 

根据以上维度拆分之后，每项数据都需要和历史数据做对比，计算影响系数

影响系数越大，说明此处为主要原因所在。

4.后期验证

 

整个的分析流程是先确认数据的准确性-----然后对数据异常作出假设----从不同维度进行拆解，找到异常范围----最后验证说明过程无问题