把波动当异常，小心变傻子

编辑导读：工作里常常会出现关注的指标或数据出现波动，或者在分析某个功能时发现难以理解的数据的情况，当APP产品业务线的某个数据指标出现异常的波动时，该如何着手数据异常分析呢？本文作者从自身经验出发，围绕数据波动的问题展开了思考，一起来看看~

一大早，刚刚到工位。

领导：“小明，XX指标昨天有些异常，你尽快确认下原因”。

小明：“好的，我这就看看，尽快给出结论”。

大家看到这个情景，不用我说，肯定都知道怎么回事儿。

相信大家都和小明一样，遇到波动时，我们都会条件反射的疑问：啥又异常了？

但是，再深入想想，这个“异常”是我们“理所应当”认为的“异常”，并不一定是真异常。

数据分析切忌“理所应当”，某些问题的原因，查到最后都在”理所应当“里。

我们来拆解下“啥又异常了”这句话

“啥”

一定有个主体。

我们要非常明确的知道，XX指标波动了，代表的业务含义是什么。

我们才能知道，业务上，这个波动可能引发的原因，以及可能影响的范围。

“波动”

就是起伏不定。

那么起伏了多少，我们如何量化？

量化了波动大小，再去对比校验，是否才能知道波动是否异常？

确认了波动异常，是否才应该去定位引发异常的原因？

“又”

说明不止一次的发生了波动。

那么，对于这些不止一次发生过的波动，我们是否有详尽的监控机制，预警机制，原因钻取机制？

再发现波动后，我们如何更高效、准确的落地原因和后续改进措施？

根据 “啥又异常了” 这句话的拆解，我们来总结下如何解读指标的波动。

第一步：定位波动主体及波动性质

我们先来解决“啥”的问题，也就是波动的主体以及波动是否异常。

关于波动的主体

明确是什么指标波动了，对应的业务含义是什么。

如果是通用指标，那可以视情况而定是否需要解释对应的业务含义。

步骤1：什么指标在什么时间内产生了波动，对应的指标，在业务上的含义是什么

步骤2：这个波动的对比方式是什么？环比？同比？还是历史均值？

步骤3：指标波动的大小，即对波动有一个具体量化

公式总结：业务 + 时间段 + 对比方式 + 定性的量化

如：DAU（业务）  昨日（时间段） 同比上周（对比方式）下降了5%（定性的量化）

关于波动是否异常

明确波动是否是异常，并给出自己的判断。

步骤1：结合之前的数据经验和业务了解，初步判断波动是否异常

步骤2：通过历史一段时间内的自然波动阈值，查看相对波动值是否超出阈值，如果超出，则大概率是异常

步骤3：针对异常，给出一个明确的定性，是由于什么原因引起（一定要尝试给结论，哪怕这个结论在初期是错的，在不断提升改进之后，也会越来越好）

tips：步骤3的结论总结，可以后期分析出结论后再给，当然，如果业务方着急，可以通过平时的积累和业务经验做一个初步判断

公式总结：历史情况 + 波动阈值 + 初步判断

如：对比去年的趋势发现（历史情况），此次下降超过了历史波动阈值（3%）（波动阈值），推测由于 XX 原因引起（初步判断）

第二步：定位波动的原因

我们再来解决“波动”的问题，也就是引起波动的原因。

原因初定：从大方向上，初步确定引起波动的原因。

从时间的角度

从时间的角度，我们可以依次看周同比、月同比、年同比。

即：从时间发展的角度，我们确认指标波动是否具有周期性，通过周期性的波动规律，我们能够大致定位该次波动是否属于季节性趋势

比如：

招聘的高峰期都在年后，那年后换工作潮，会导致APP的各项指标增长；

旅行的高峰期都在节假日，那旅行相关APP的指标在节假日肯定会有波动；

从业务的角度

从业务的角度，我们可以去和对接业务方了解沟通，确认近期“动作”。

即：从业务的方向出发，我们确认指标波动是否由于业务的变动导致，通常业务的变动如果和指标的变动时间点能对上，那么大概率是由于业务变化导致

比如：

市场近期做了一波市场营销，推广了某活动，那么，某些流量相关指标会出现波动

渠道侧调整了渠道投放策略，那么，某些留存&NU指标会出现波动

从指标的角度

从指标的角度，我们可以和数据工程师确认流程中的逻辑和执行流程。