起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識數據分析 | 當面試官問“分析一下為什么XX指標下降了？”
編輯導語：“分析一下，為什么今天的日活突然下降了？”這是數據分析面試的高頻題，考察的是應聘者的分析問題、驗證猜想、結果呈現等一系列能力。本篇作者就對此問題，結合自己的思考理解，給我們總結了如何看數據、做拆分和做假設，一起來看一下。
一、框架
分析流程總體可以歸納為三步：看數據、做拆分、做假設。
1. “看數據”，看數據本身及其變化是否存在問題
由于指標的波動可以分為正常的和異常的，按照持續時間又可以分為暫時性波動、周期性波動和持續性波動，所以要先明確這個波動是不是真的是異常的，可以和產品、運營、研發、運維等多方確認數據的真實性，然后觀察數據波動持續了多久，判斷波動程度是否是在合理的范圍之內，比起昨天和上周，同比環比分別變化了多少等等。
這一步可能發現的原因大致有：服務器異常、后臺統計出錯、報表數據異常、指標計算口徑不一致等，也可能是外部的惡意行為造成的，需要根據后續步驟再仔細排查。
2.“做拆分”，將指標和業務流程多維度拆解，縮小排查范圍
這一步要注意“辛普森悖論”，即在某些情況下，分析數據整體和分析數據的各個部分會得到相反的結論。
1）從指標上拆：一個指標一般可以由其他指標計算得到，指標的波動是若干個因素共同作用的結果。要想縮小問題的排查范圍，可以在原始指標下盡量細分，不斷地由粗到細拆解，找出可能影響指標波動的所有因素，得到一個類似樹的結構。比如“DAU=新用戶+老用戶留存+流失用戶回流”，新用戶有來源渠道，老用戶有留存渠道，流失用戶有自然回流和干預回流，而用戶共同的因素又有軟件版本、地區、設備、活躍時間段等等。
另外，拆分不只是用加法，還需要針對具體指標做拆分，比如一些復合指標：“GMV=新用戶x轉化率x新用戶客單價+老用戶x轉化率x老用戶客單價”。
2）從業務流程上拆：一個用戶從注冊到進入首頁再到流失或留存的整個過程，其中的任意一步都有可能會是指標下降的“罪魁禍首”。比如說，當一個新用戶第一次進入首頁時，發現首頁推薦的內容并非他所喜歡的甚至是反感的，反手來一個卸載，這種因為推薦內容質量而導致的用戶流失，鍋就甩在推薦系統工程師的冷啟動沒做好上了。
不止是這些“表面上”的因素，還有很多其他因素可以加入進來，它們大體上可以歸納為內因和外因兩類，內因往往和用戶、產品、運營和內容質量相關，外因則可能和政治、經濟、法律、競品的出現甚至疫情的爆發有關，外因可以從宏觀上做PEST分析。
往往在分析之前需要先判斷指標波動的情況，一般來說，短期變化找內因，長期異動找外因。比如向外考慮國家是否有重大政策發布，向內考慮是否產品本身有問題，是否用戶需求發生了轉移，在數據上則需要關注數據指標的起點、拐點和終點。
舉個最近的例子就是，最近在線學科教育產品的日活為什么下降了？因素就很有可能是最近國家發布了雙減政策，自國家發布消息的那一天起，指標數據開始下跌。
除了使用拆分的方法外，還可以結合相關性分析的方法，思考目標指標與另外一個因素是否相關聯。
第二步可以總結成幾個問句來輔助思考：指標構成是什么？業務流程是什么？是否有外部因素的影響？相關因素有哪些？有注意辛普森悖論嗎？
3.“做假設”，假設某因素就是原因，做實驗去驗證假設
第三步與第二步是緊密結合的，往往是先從理論上和經驗上去分析，得到各種假設，再通過實驗驗證提出的假設，相當于前面提到的“樹”，給它的各條分支路徑做剪枝操作，一定要具體問題具體分析，具體措施就是做AB實驗。
由于真實場景下存在許多的變量，可能是產品迭代、運營策略改變，或者線上有另一個AB實驗在做，都會導致最終結果存在差異，所以不同情況下的驗證會有不同的解決方案。
要驗證一些可復現的問題或可實施的想法時，如果時間充裕就可以通過AB實驗來做，其他情況則可以通過業務經驗快速縮小驗證范圍，用業務指標拆分或相關分析來輔助排查問題，最終鎖定一個或多個有意義的結果。
需要注意的是，對于部分能穩定重現的問題來說是可以用AB實驗來驗證的，還有很多問題是不能穩定重現的，就需要另外思考解決方案了，例如某天發現有大量新增的用戶，但是都是腳本模擬的假用戶，這時就需要根據當天的用戶行為記錄，如ip地址與設備標識等已經產生的現有日志進行深入挖掘了。
二、總結
最后，把前述梳理的思維框架總結成一個思維導圖，當遇到要分析指標數據變動的問題時可以作為一個參考。
參考
猴子《數據分析思維：分析方法和業務知識》。
本文由 @方塘 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
說的挺不錯的
好文