數據指標出現異常波動時,你該如何進行異常分析呢?

3 評論 19290 瀏覽 126 收藏 12 分鐘

當APP產品業務線的某個數據指標出現異常的波動時,該如何著手數據異常分析呢?

在日常的工作中,我們經常會遇到“產品XX數據指標出現異常波動,或上升或下跌”的問題,XX指標包括但不限于日活、次日留存率、注冊轉化率、GMV、客單價等等。我們該如何著手處理分析呢?

這也是面試數據方面的工作比較常見的問題。那么,今天將系統的梳理總結一下這類問題的分析框架以及需要考慮的問題,今后在遇到此類問題時,希望能有一個明確的著力點以及分析思維。

01

一般來講,產品的某些數據指標都會具有固定的波動周期,而且每個周期內數據的變化應該趨于穩定,但在數據監控體系里的日報、周報、月報中某數據指標突然不再符合預期的穩定變化,這就是我們所說的數據出現異常波動。在這種情況下,我們就需要去深挖數據異常產生的原因。

而做數據異常分析核心就是結合以往經驗及各種信息,找出最有可能的原因假設,通過將數據指標的進行拆分,再多維度分析來驗證假設,定位問題所在。其過程中可能會在原假設基礎上建立新的假設或者是調整原來假設,直到定位原因。

其實,通過我們每一次的異常分析來定位造成數據波動的問題及原因,建立起日常運營工作和數據異常波動之間的關聯性,進而就可以從中找到促進數據增長的新的思路和方法,改變數據結果。

02

現在,我們先來明確一下數據指標出現異常:上升或下跌,通常有以下情況:

  • 一次性波動:只在某個時間節點發生波動。一次性上升/下跌背后原因的一般都是短期/突發事件,比如系統更新導致數據統計錯誤,突發的渠道投放凍結等。
  • 周期性波動:會周期性發生上升/下跌,比如雙十一、周末、春節等季節性因素。一般業務開展都有周期性,比如考勤工具類APP,就是以周為單位循環。工作日和周末就是有明顯差異波動。
  • 持續性波動:從某時間開始,一直出現上升/下降趨勢。而持續性上升/下跌背后原因往往都是深層次的,比如用戶需求轉移,渠道投放長期暫停,大環境等因素,導致出現持續性的。

以上,這三種情況意味著問題本身不同的嚴重程度。

如果是數據指標下跌的話,周期性下跌一般都不需要做特殊處理;一次性下跌往往來的比較突然,要關注事件持續性;持續性下跌的,特別是不見好轉,持續的時間越長問題越嚴重。

需要注意是:不能單純的看日周月報表中趨勢圖的走勢,要結合波動的幅度來看——幅度越大,說明出現的異常問題越值得注意。

03

那么接下來,捋清楚思路,我們以“某APP的日活有所下降”,該如何著手分析呢?

第一步:確認數據以及統計來源的準確性

在這里強調一下:數據真實性是根基。

實際上因為數據源出問題,導致的指標異常非常非常多。所以在開始著手分析前,必須首先確認數據的真實性;經常會遇到服務器異常、數據后臺統計出現錯誤、在數據報表上出現異常值。

所以,遇到問題第一順位先確認數據沒有錯,找數據統計相關的產品和開發確認下數據的真實性。

第二步:了解清楚數據指標(app日活)具體業務情況和異常情況

明確以下問題:

  1. 明確日活究竟下跌了多少?持續的時間是多久?
  2. 相比昨天、上周都分別跌了多少?(同比、環比)
  3. 確認指標波動幅度是不是在合理的范圍?
  4. 引起日活下跌的因素有哪些?這些因素分別對日活的影響程度有多大?
  5. 與這些因素相關的運營以及產品部門對日活的影響程度有多大?
  6. 這些部門是不是會因為產品迭代或者運營策略得到改變影響日活?
  7. 確認日活下跌對整體產品業務線的KPI影響程度?
  8. 了解日活下跌對產品業務線有哪些影響?
  9. 以前日活下跌后,都采取過哪些措施?

清楚了數據指標(APP日活)的具體情況,有了輕重緩急的判斷,下一步就可以進行指標的拆解,再縮小懷疑范圍,建立分析假設。

而建立假設,有助于去偽存真的進行驗證,進一步逼近真實原因。

第三步:將數據指標進行拆解

如:日活=新增用戶+老用戶留存+流失用戶回流,二級指標拆解如下

  1. 可拆解新增用戶來源渠道:如應用市場,百度搜索等
  2. 可拆解老用戶留存渠道:華為、vivo應用商店等
  3. 可拆解新老用戶登錄平臺:安卓、iOS等
  4. 可拆解新老用戶用戶的地區:天津、北京等
  5. 可拆解新老用戶使用版本:新老版本
  6. 可拆解新老用戶活躍時間:節假日、周期性等
  7. 可拆解流失用戶:自然回流, 回訪干預回流等

可分別計算每個維度下不同的活躍用戶數。

通過這種方法,定位到導致哪個區域或者渠道的日活下降的用戶群體是誰,以及定位原因有了大致范圍。

比如定位是新用戶問題,我們需要再把新用戶日活按渠道進行拆分:新用戶=渠道1+渠道2+渠道3+其他渠道;通過渠道拆分,我們會發現是具體哪個渠道效果發生的問題。

那么,繼續下一步我們要根據實際業務進一步做假設,具體情況具體分析。

第四步:異常范圍定位后,要根據業務進一步做假設,實際具體情況具體分析

具體分析可以采用“內部-外部”事件因素考慮。

? 內部-外部事件

在一定時間內同時發生可能很多種,主要關注數據指標的起點、拐點、終點。

  • 數據指標起點:數據指標剛下跌時,發生了什么事件;往往起點事件是問題發生的直接原因。
  • 數據指標拐點:在指標持續下跌過程中,是否某個事件的出現,讓問題變得更嚴重,或者開始轉暖。拐點意味著,這是可以通過運營手段改善指標的。
  • 數據指標終點:當某個事件結束后,指標恢復正常?;虍旈_始某個事件后,指標下跌結束。終點事件的兩種形態,代表著兩種改善指標的方法:等問題自己過去,或者主動出擊解決問題

??內部事件因素

  • 分為獲取用戶(渠道轉化率降低、渠道平臺的問題等)
  • 滿足用戶需求(新功能變更等引起某類用戶不滿)
  • 促活運營手段(簽到等提活手段沒達成目標、產品自然使用周期低導致上次獲得的大量用戶短期內不需要再使用等)
  • 內部功能和運營策略調整(產品、運營、技術在數據異常時間點附近做了什么策略調整)

?外部事件因素

采用PEST分析(宏觀經濟環境分析)——政治(政策影響)、經濟(短期內主要是競爭環境,如對競爭對手的活動)、社會(輿論壓力、用戶生活方式變化、消費心理變化、價值觀變化等偏好變化)、技術(創新解決方案的出現、分銷渠道變化等)。

我們遵循短期變化找內因,長期異動找外因。

在條件允許范圍內,再結合自身業務經驗確定幾個最可能的原因假設,給這些假設排數據驗證的優先級,逐一排查,深入分析,比如本次指標下跌是因為新功能不符合預期不給力、渠道投放力度不夠、競品太厲害、版本更新大bug、流失嚴重等。

第五步:預測未來是否還會下跌?應該采取什么方式避免下跌?

與業務溝通反饋分析結論,探討后續方案的執行;再針對原因解決問題,制定優化策略。

最后,我們要預測影響到什么時間;并運營、產品溝通反饋分析結論,探討后續方案的執行。

04

以上,就是梳理的“數據指標出現異常波動時,該如何著手數據異常分析?”的思路框架,現在總結一下:

第一步:確認數據以及統計來源的準確性?

第二步:了解清楚數據指標具體業務情況和異常情況

第三步:將數據指標進行拆解。

第四步:異常范圍定位后,要根據業務進一步做假設,實際具體情況具體分析。

第五步:預測未來是否還會下跌?應該采取什么方式避免下跌?與業務溝通反饋分析結論,探討后續方案的執行。再針對原因解決問題,制定優化策略。

總之,在實際業務中,數據異常的影響原因可能是多方面的,有的時候也需要建立統計分析模型來做一些定量分析??赡芤◣滋斓臅r間去不斷排查問題。

所以我們需要在平時工作中多留意數據變化,隨著對業務的熟悉和數據敏感度的提升,針對數據異常分析我們也會越來越熟練,更快的找到問題所在。

 

作者:木兮,數據運營小白;公眾號:木木自由

本文由 @木兮 原創發布于人人都是產品經理,未經許可,禁止轉載

題圖來自 Unsplash,基于 CC0 協議

專欄作家
木兮,微信公眾號:木木自由,人人都是產品經理專欄作家。多年互聯網數據運營經驗,涉獵運營領域較廣,關注于運營、數據分析的實戰案例與經驗以及方法論的總結,探索運營與數據的神奇奧秘!

本文原創發布于人人都是產品經理。未經許可,禁止轉載

題圖來自Unsplash,基于CC0協議

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 學到了!!不過有個細節想探討一下:第一步和第二步交換一下順序是不是更好,先有對業務指標數據正常值以及異?,F狀的了解才能開始排查是數據源問題還是數據指標拆解因子所依賴的其他因素或業務線影響。

    來自北京 回復
  2. 講得很好!

    回復
  3. 打卡

    回復