如何进行异动分析?

以下的内容来自于我们的数据分析特训营中的节选部分,进行了简化。

数据分析这个岗位有一个很重要的日常工作就是:数据异动分析,数据分析大概有一大半的工作在做这个。

我先来解释一下这个数据异动分析是什么意思吧,简单来说就是数据异常波动分析,当企业内部的某些指标发生了异常波动的时候,我们需要对这个指标进行分析,看是哪里出了问题。

比如DAU跌了10%,收入涨了5%等等。

当然了,指标出现异动,并不意味着一定是公司内部出了问题。通常来说解决这种问题的思路是这样的:

1. 确认数据源是否正确,数据是机器产生的,机器偶尔也会出问题,所以拿到异常的数据之后,应该先去确认数据的准确性。

如果本来就是错误数据,没有分析的必要。这就是为什么在共读营里面我会让大家一定要先确认数据报告的的权威性。

2. 确认数据异动的类型,有人会奇怪,数据异动还会有类型吗?你别说,还真的有。

数据异动正常会有三种情况,第一种是偶发性的,第二种是周期性的,第三种是趋势性的。

偶发性指的就是异常了一两天然后又变回去了。

周期性指的就是周期发生,比如每到春节、寒暑假的时候就会上涨或者下跌,一般过了时间之后又回回到原来的位置。

趋势性是指指标发生了根本的变化,往高或者低的方向一去不回头。

偶发性和周期性的异动变化我们基本是不需要分析的,分析的主要点还是趋势性变化。当发生了趋势性的变化的时候,说明我们产品发生了一些根本性的变化,有可能是好的变化,有可能是坏的变化,但是我们需要弄清楚这些变化。

如何进行趋势性的移动分析呢?

3. 维度拆解,大的指标通常可以进行分类,比如说DAU我们可以分成男女的DAU、分成不同年龄的DAU、分成不同城市的DAU、设备的DAU,通过分类我们可以知道是不是某些小的子类别出了问题。

比如收入跌了,拆解了微信和支付宝平台之后,发现是支付宝跌了,而微信没跌,那么我们基本就能确认是支付宝的支付出了点问题,然后对症下药就行了。

维度细分通常可以分为产品和用户两个维度进行下钻,产品又可以分为产品线、产品类别等;用户维度又可以分为用户类型、用户画像、地区等。具体可以看整理好的图。

如何进行异动分析?_第1张图片

4. 指标拆解,如果维度拆解之后发现各个维度都在跌,无法发现问题,那么下一步就是指标拆解了。一个指标通常可以由更细的二级指标相乘而得,比如收入 = 购买人数 * 客单价 = (DAU * 购买转化率)*客单价,一直拆解到无法拆解为止。

有人会觉得维度拆解和指标拆解有点无法区分,那么我叫你一个简单的方法:维度拆解一般是加法,指标拆解一般是乘法。

5. 归因分析,通过3和4我们已经知道了大指标的下跌是因为某个小指标的下跌引起的,但这还不是最终的答案,我们还需要知道这个指标下跌的根本原因是什么,所以这时候又需要做归因分析。

怎么做归因分析呢?整理了一份归因分析的方法,放在下图中了,应该覆盖的比较全了。

如何进行异动分析?_第2张图片

你可能感兴趣的:(大数据,人工智能,数据分析,java,python)