系统分析指标波动，数据模型得这么建

当业务指标开始波动的时候，人们总会有问题

“为啥涨了5%”

“为啥又跌了1%”

“为啥涨了2天又跌了？”

“为啥三天了都没变化呀？”

总有十万个为什么，从各个部门口中脱出，然后搞得做数据的同学天天忙着跑数，晕头转向不说，还落个：“为啥不能事前洞察？”“你这也不深入呀！”的抱怨。

咋整？今天系统讲解下。

一、常见的错误做法 

最常见的做法，就是遇到指标变化就拆解。各种维度都拉出来做交叉，最后哪个差异最大，就说是哪个因素导致的指标波动（如下图）。

而这么做，非常无脑+低效。

无脑，是因为：业务方关心的是具体的问题。比如：

是不是新品不给力

是不是对手有动作

是不是执行没到位

是不是环境有变化

……

这些业务原因，不是数据库里“性别、年龄、地域、产品名”这样的简单维度能概括的。因此即使拉出交叉表来，也不能解答这些深层问题。

低效，是因为：严重浪费数据分析师的时间。相当多的波动，丫根本就是自然波动，或者是业务自己整出来的活。相当多的波动，就是单纯的开发动了埋点又没吭声。这些问题根本不需要反反复复拉交叉表。只知道逼数据分析师拉交叉表，不但浪费时间，而且错失了总结规律，深入分析的机会。

那么，怎么优化做法呢？

二、诊断模型三大关键

从源头上看，反问三个灵魂问题：

1、是不是所有指标波动都很重要？

2、是不是所有波动都原因未知？

3、是不是所有波动都值得行动？

回答是：不是、不是、不是！

至少3/4以上的波动是计划内的、可预知、不值得理会的。因此事前的基础工作，远比着急忙慌有用。把指标分清楚，原因提前收集，结果提前预判，是系统解决问题关键。想达成这一点，靠的是整个工作流程的支持，而不是一串神秘代码。

三、区分核心、附属、边缘指标

同收入、成本、利润相关的，都是核心指标。核心指标发生波动一定是优先关注的。

附属指标，则是组成收入、成本、利润的过程指标或子指标。比如用户数、转化率、客单价等等。附属指标的波动是问题吗？不一定是。很有可能只是业务发展有了新形态。因此，不需要每天看变化，而是关注发展趋势（如下图）：

边缘指标，而是一些不直接相关，甚至不可准确量化的指标，比如满意度、NPS等等。这些指标监控其长期趋势即可。并且，关注口碑、舆情中极端个案（特别不满的顾客或者恶意攻击）会比看统计指标更有价值。

当然，不同业务的核心、附属、边缘定义会有差异。但区别对待是必须的，不然很有可能出现：“分析了一堆，对业绩影响一毛钱都没有”的窘境。

四、理清正向、负向原因

常见的正向原因：

• 促销活动
• 政策利好
• 新品上市
• 新店开张
• 旺季到来

常见的负向原因：

• 系统宕机
• 政策利空
• 旧品退市
• 阴雨天气
• 淡季到来

这些不但可以提前知道，而且其中相当多的部分，可以提前做分析，给出可接受的范围。

淡季/旺季，可以用周期分析法，从过往数据中提取周期波动规律（如下图）。

促销活动，可以先对活动类型打标签，再根据过往数据，测算每一类活动投入产出比。

新品上市，可以先对商品类型打标签，再根据过往数据，测算商品LTV曲线。

新店开张，可以先对门店类型打标签，再根据过往数据，测算店铺LTV曲线（原理同商品分类）。

通过标签分类+复盘分析，大部分自然原因、人为原因导致的波动，可以得出一个量化范围。在事前收集这些原因，就能极大地缓解指标波动带来的神经过敏，聚焦真正该聚焦的问题。

注意，这里有两类问题是很难事前准备的：

1、突发型事故，比如系统bug，恶劣天气等等

2、外部因素变化，比如对手促销，政策风险

这些需要沟通+问题排查机制解决。

五、常规沟通与问题排查

常规沟通：

1、从业务：近期促销上线、产品上下架计划、开店计划、投放计划。

2、从技术：开发进度、开发问题

3、从外部：新政策发布、生效；竞争对手已公布动作

问题排查：基础数据质量，常规日报数据核对。

所有信息，汇总到时间表上，就能形成解读波动基本素材，之后静待数据给出结果。看结果再决定是否深入。

六、发生结果后诊断

A类：知道原因+期望内+正向变化。只要没有击穿期望值，监控趋势即可。要问波动原因，就四个字：正常波动。

B类：知道原因+期望内+负向变化。只要没有击穿期望值，监控趋势即可。要问波动原因，就四个字：正常波动。

C类：知道原因+期望外+正向变化。比如下图所示，原本预计的上促销会大涨，结果没啥反应，啥原因？活动拉胯了呗……这时候直接切入活动分析细节，让业务方赶紧做做一手调研，想想救命办法更靠谱。

D类：知道原因+期望外+负向变化。比如下图所示，原本预计恶劣天气持续太久，导致一些原本薄弱的门店快不行了。这时候要兵分两路。

一路：分析是否有其他交叉因素，助纣为虐

另一路：做标杆分析，看恶劣环境下有没有应急办法

E类：不知道原因+正向变化。超出预期是不是好事？不见得，比如回光返照式短期销售暴增，如果业务方信了，又补了货，那只会造成更大积压，因此正向事件超出预期时，要格外注意关联因素，比如畅销品缺货、滞销品积压、营销成本暴涨（别便宜了羊毛党）、投诉数量激增等问题。

F类：不知道原因+负向变化。这是得警惕的。这个时候要先“三看”

一看：局部问题or全局问题

二看：突发问题or持续问题

三看：有缓解迹象or越来越严重

（举个简单例子，如下图）

原则上局部、突发性问题，从内部找原因更快；全局、持续型问题，有可能存在外部深刻影响。之前在分享《提升DAU，数据分析要怎么做？》的时候，有更详细说明，大家可以参考。

总之，有了充分的基础准备，就能快速区分问题的轻、中、重，输出分析结论，也能为后续分析做好铺垫，避免漫无目地交叉。

七、小结

数据分析需要跑数，但想解读跑出来的数，需要的是掌握丰富的事实情况，用数据量化评估其中可量化的部分，监控其中持续发展的部分，拆解其中模糊部分，从而越来越接近真相。

需要注意的是，这些工作并非靠数据分析师一个人能完成。

如果领导自己都不清楚目标

如果开发我行我素瞎胡乱搞

如果业务连啥叫“分类”都不懂

如果业务一定要扯“我做的就是牛掰克拉斯！一定是其他原因干扰了我！”

……

分析？分析个屁！分析结论就是：这个公司蠢逼太多，救不了。

只是做数据的同学，要掌握这些基础的做分类、打标签、提取周期波动、计算ROI的方法，这样才能在争吵中清晰地判断是我们自己没有用对方法，还是对方不愿意配合，对方不懂得科学管理，对方在浑水摸鱼。毕竟好公司可遇不可求，自己长本事，才是进入好公司的正道。

当然有同学会问：我们这边活动一大把，一个月100多条促销规则一起跑，怎么做衡量？这需要用主题分组的方法应对，有兴趣的话，本篇集齐60个在看，我们下一篇分享，敬请期待。

原创精选：

• 数据分析 VS 算法模型，如何高效分工合作？
• 超全面！用户生命周期分析攻略
• 一个案例，看懂用户画像如何做出效益

点击“阅读原文”试听视频课程