作者 | lpl

来源 | lpl （公众号：数据分析从0到1)

1、前言

数据分析工作中我们会经常被问到：

我这活动数据怎么下降了？你帮我分析分析呗？

我这定的指标参考过去的值感觉不太对，你帮我分析一下定的是否合理?

分析一下为什么用户不使用这个功能？

.....

一般遇到这种的，我真想一个笔记本摔过去，再反问，你的活动效果太垃圾了吧？

但是真的遇到这种，我们应该怎么做呢？这里有4步让我们快速的定位到问题。

2、问题定位

2.1 了解背景

分析中，如果我们不了解需求的背景，那么分析的结果就是一堆数字，无有效的建议。

所以我们首先了解需求的背景，了解不同维度的数据对活动效果的影响，是否有串联型的数据。

比如：一个活动，这个活动的目的就是为了以抽奖进行引流到别的平台，但是发现转化率下降了，然后相关的运营人员说：帮我分析分析为啥下降？这个时候就要做数据分析前的几个准备：

了解活动的背景以及指标；

了解关键指标节点是否打点；

了解指标之间的数据是否有交叉性；

了解数据指标对活动的影响；

了解活动内容是否改动、人群或渠道是否变化；

......

通过以上了解，我们就会清楚运营关注的指标有哪些、哪些指标的数据是交叉的、验证问题的时候直接可以找对应指标的数据逻辑等。

2.2 排查数据点的问题

了解完活动的背景等，我们接下来就要看数据值的问题，数据值的问题排查有一下几个方面：

排查是否是运营人员看错数值；

排查统计的逻辑是否有变；

排查数据指标和业务口径是否一致；

排查数据埋点是否有偏差；

排查产品整体改动，数据是否整体变动；

......

以上排查可以排除了，运营人员看错数据（这个也是常有的，没看清楚就来说），统计逻辑问题（有的活动页面等改动，运营人员不会通知数据，统计逻辑还是原来的一套），统计口径对不上等问题。

2.3 排查时间线影响

如果上一步没有问题，那么现在就要排查数据是否是周期性问题，周期性影响多数和环境影响挂钩。

可以采用 pest 用于宏观环境分析：

数据分析从0到1

也需要看是否是淡旺季影响，气候影响，或者出现竞品等影响因素。

当然上面的是影响的可能因素，我们这个时候还得从数据上先看是否符合我们的假设，这个时候就需要拉长时间线，来看数据是否是周期性的变化。然后再根据以上的假设因素进行排查问题。

2.4 问题拆分

问题拆解、定位主要原因、假设验证，通过计算影响系数初步定位到主要影响原因，最后，大胆假设，小心验证，通过假设检验法逐步排查到产生问题的根本原因。

比如说销售额下降，然后就需要看新老用户的影响：

新用户：（新用户昨天收入-新用户今天收入）/（昨天总收入-今天总收入）

老用户：（老用户昨天收入-老用户今天收入）/（昨天总收入-今天总收入）

然后看一下新老用户那个影响更大，然后再往下排查问题。看新用户的注册量*转化率*客单价，然后看其中的计算因子是否稳定，如果稳定再看活动投放的各个渠道数据.......，最后将问题拆成一个个小的问题，问题就好排查了。

比如说日活下降了，看一下日活用户的组成，一般日活组成为：新用户+留存用户+回流用户，然后看一下每个计算因子数据是否有大幅度波动，有大幅度波动的，可能就是问题的因素，然后再向下一步步验证问题。

还有一种原因是，数据上看不出具体问题的，比如这个功能使用人数为什么下降了？你分析了功能的漏斗，发现漏斗整体下降，也没有具体错误日志，这种就不知哪一步是有问题了，这个时候就需要，问卷调研或者是AB实验来验证的。

3、总结

数据中出现的问题多数是以上说的的问题，不过更加复杂的业务数据排查，以上可以作为拆解后的问题排查步骤。

数据分析从0到1

关注公众号【数据分析从0到1】，下期更精彩。