对于异常数据的分析，相信每位数据分析师都不陌生，对于业务部门来说同样很希望了解数据分析的思路。去年同期也写过类似的一篇异常数据分析文章，过了一年后有了更进一步的思路和想法，因此再次分享一下，对于数据分析师常见的“异常数据分析”。
分析思路包括以下5个步骤：
1. 确定这是不是问题？
2. 判断问题严重吗？
3. 具体问题具体分析，找出原因
4. 拉齐业务，对症下药
5. 形成SOP或数据产品
下面来细说下每个步骤的分析内容：
1. 确定这不是问题？
一般来说，业务数据下降这类问题会是业务方主动提出的。当然作为数据分析师也可能凭借数据敏感，发现异常数据。
这个步骤主要思考4个小问题：
1）什么叫异常数据？
2）异常数据真的是问题吗？对比标准是什么：KPI？去年同期？竞争对手等等
3）数据出口、指标计算口径是一致的吗？
4）数据的真实性如何？有没有宕机、传输有没有丢包、数据流转是否有预警等等
2. 判断问题严重吗？
如果确实存在问题后，需要再判断问题是否严重，这决定了下一步工作的优先级和分析程度。实战中，一方面需要判断与对比标准的差距到底有多大，另一方面也需要拉长时间线来看趋势变化，毕竟下降的时间越久，问题也越严重。
下图是之前的一个分析思路，结合问题严重程度和紧急程度做的步骤拆解：
3. 具体问题具体分析，找出原因
分析原因和分析方法一定是结合着具体场景的。
大致来说，可以从这几个角度切入分析：
1）指标拆解，即把结果指标拆解为一个个过程指标，对过程指标逐个分析
以DAU为例，DAU=DNU+昨日的次日留存用户数+前N日的N日回流用户数（N>=2），可以分别计算出每部分变化的影响系数，即哪部分变化是最大的，先从变化最大的入手
2）内外部分析，即从分析对象的内外部影响因素入手
例如文章点击量时，从内部来说可以从产品功能（是否版本迭代、新功能未满足需求等）、渠道来源（是否某个主要渠道推广出现限制等），外部影响因素包括整个行业宏观环境、竞争对手策略以及产品用户
3）主谓宾分析，即从分析对象所处环境整体把握分析（PS：这个方法是我个人所悟，可能还不是很成熟）
具体来说可以从这三个主谓宾进行分析：使用主体是用户（可以再拆解新老用户、用户画像、访问渠道、访问时段等等），使用 载体即产品本身（产品功能分析），使用行为也就是用户在产品上的行为（例如停留时长、启动次数等）
分析方法和视角有很多，如果时间允许还可以做深度分析，找到切入点做假设，以数据验证假设，以找到原因。
4. 拉齐业务，对症下药
针对具体分析出的原因提出相应的改进策略，毕竟数据从业务中来，需要返回业务中执行，需要拉齐业务部门制定出可执行的解决方案，并落地执行，才可能让数据朝健康方向发展。
5. 形成SOP或数据产品，不断迭代优化
前面4步主要还是单次分析，结合自己之前做数据产品的经验，可以更进一步：梳理好分析维度，指标，业务流程等内容，健全相应的一些监控报表，加入一些对比标准进行预警，持续观察一段时间，特别要留意的是数据指标缓缓下降的情况，提前介入分析原因，否则越到后期问题往往也越严重。
当然业务是在不断变化的，行成的SOP或数据产品也需要迭代优化，跟得上业务发展。
小结：异常数据分析属于“事后诸葛亮”式的后验分析，做得好也是可以发现业务中存在问题的，但同时提需要提醒数据一定要形成闭环，即从业务中来，更需要回到业务中去，落实到业务执行，分析才不会白费
附2：此图为一些分析视角，仅供参考
网友评论