指标监控和归因分析——数据异常波动
目录
前言
一、基于统计分析检测指标异常
二、指标异常归因分析
2.1 横向归因分析
2.2 纵向归因分析
三、智能指标波动监控&归因分析
3.1 指标看板查看
3.2 指标归因分析
前言
企业搭建完善，全面的指标体系是企业数据指导业务经营决策的第一步，当指标发生了异常波动（上升或下降），需要企业能够及时发现，并快速找到背后真实的原因，才能针对性的制定相应的策略，否则就是盲打，原地打转。
指标异常波动的具体场景，比如：
- 企业关键词的搜索流量突然降低了，是什么原因？
- 3月的GMV数字比2月下降了40%，应该如何分析？
- 最近某个品类的订单数猛增，为什么
下面详细介绍如何建立完善的指标异常监控及其对应归因分析机制，当遇到此类问题时，能够快速从数据中发现业务问题与机会，提升业务推进速度。
一、基于统计分析检测指标异常
企业的日常数据走势会在一定范围内上下浮动，但不同的指标其浮动范围会有差异。当业务在高速增长期，指标每日波动幅度较大；业务在平稳期，指标每日波动幅度则较小；统计粒度越粗，数据量越大，统计结果的波动性越小。因此，对不同的指标需用不同的标准去衡量指标波动是否存在异常。
指标异常监控方法主要有三种：
- 基于实际业务经验进行阈值设置：
- 基于数据结果进行统计分析
- 融入算法进行建模预测
下面介绍如何基于统计分析方法来评估指标波动是否异常。
统计学中，指标的数据分布通常满足正态分布。正态分布具有对称性，会用到均值，标准差两个数据。其中均值可以反应数据的平均水平，标准差可以反应数据波动幅度，标准差越大，反映出数据波动性越大。标准差的计算公式如下：
利用数据在正态分布中的位置可以判断指标波动是否符合预期，在正态分布中，数据分布在2倍标准差内的概率是95.5%，在3倍标准差的概率内是99.7%。日常可以使用2倍标准差作为衡量标准。
正常数据结果会在 均值±2* 标准差和范围内浮动，若实际数据超过了这个范围，则认为本次数据波动异常。日常数据波动规律会以日、周、月、年为单位出现相同或相似的变化规律，此处以日活指标为例，来说明指标异常波动的监测过程。
某游戏类APP日活指标通常以周为单位进行数据波动，先计划基于过去5周的数据走势来判断本周一的日活数据是否出现异常波动。
数据准备如下：
上述数据的前五周周一的均值：10900，标准差：1507，数据的2倍标准差分别为7887、13913，本周周一数据为7700，在2倍标准差范围外，则说明本周一日活指标数据波动异常，需要进一步分析异常波动原因，以判断业务是否真正存在异常。
二、指标异常归因分析
指标归因分析方法有很多，总结起来可以分为两大类：横向归因分析和纵向归因分析。
2.1 横向归因分析
横向归因分析，指的是对于组合型的指标可以对过程指标做拆分，分析每个过程指标的波动影响因素，再对多个影响因素做整合分析。
如：昨日的付费金额显著增高。分析增高原因时，先对付费金额工时拆解：付费金额 = 日活*日活 * 平均付费金额，平均付费金额在正常范围内波动，日活显著增加，进一步对相关业务做分析，发现是昨日买量增加带来的结果影响。
2.2 纵向归因分析
纵向归因分析，即对指标通过维度下钻进行归因分析。维度下钻分析主要包括两个分析粒度：一是分析各个维度对指标的贡献程度，二是分析维度值对指标的贡献程度。
维度的贡献程度计算可基于每个维度的贡献程度汇总得到，而每个维度值的贡献程度计算有多种计算方式，贡献程度的计算可以基于预测算法等多种方法进行，本文介绍一个简单的基于增长率平均值计算贡献程度的方法。
单一维度下，每个维度值贡献程度可通过下列公式计算：
下面，以销售额为例，介绍一下计算过程。
某产品线1月1日和1月2日销售额分别为3097万元、3300万元。细分到城市维度，每个城市两天的数据表现如下：
城市维度中：
基于上述步骤即可简单地实现维度贡献度及维度值贡献度的计算。
三、智能指标波动监控&归因分析
在实际的数据场景中，每个维度下维度值的数量少说几十上百个，多则成千上万个，每天纯手动计算维度贡献程度将是一个巨大的工作量。分析效率过于低下，导致业务方很容易根据经验进行结论推断，如果推断错误，将很有可能产生错误决策。
3.1 指标看板查看
对于企业关注的指标，可以将指标添加到关注看板中进行日常数据观察与监控。在看板中可直观查看所有指标的当前数据表现、近期数据走势。系统会根据当前数据做智能诊断，判断指标波动是否为正常波动，帮助用户快速定位异常数据，针对性分析与应对数据变化。
3.2 指标归因分析
当一个指标结果出现异常时，如果依次对维度、维度值进行归因分析是一件工作量很大的事情。能够将分析方法、分析过程系统化，会大大提升归因分析效率，对业务发展形成极为正向的促进作用。
对执行指标归因分析时，系统会区分维度值计算指标波动情况，进一步计算出维度贡献度，并根据贡献度大小进行降序排序，让用户聚焦于头部更重要的影响因素。
在关注的维度下，用户可以进一步查看细分维度值的贡献度，快速发现数据变化原因，通过数据推动业务提升。