• 前言：

• 1. 分析思路

• 1.1 定位问题

• 1.2 排查影响因素

• 2. 自动化实现

• 2.1 必备功能（由始至终）

• 2.2 面向用户（由内而外）

• 2.3 前后端逻辑

前言：

作为一名数据分析师，分析“某某指标下降或者提升”是非常日常的工作。但如果每次一遇到这类问题就一通操作分析，着实有些耽误时间。好在这类“指标异动”的分析通常是有一些固定的套路的，逻辑并不复杂。

因此，咱们尝试抽象出这类问题的解决方法，并做一个「自动分析」的工具，来替代数据分析师的这部分日常工作，解放生产力呀。

本文就拿“GMV异动”举例，来介绍这类指标异动的分析思路、以及如何实现自动化。

其中“分析思路”在业内主要有两种：贡献度和基尼系数。本文主要介绍前者。

1. 分析思路

1.1 定位问题

1. 确定发生期和基准期

即：什么时候相对什么时候的下降？

• 发生期：GMV产生变化的时期，比如2021年11月1号-11月30号
• 基准期：参照期，比如2021年10月1号-10月31号

这里注意，发生期和基准期的天数是否相同？如果是相同，那么直接对比总GMV变化就行；反之可以对比他们的日均GMV变化。为了方便“自动化”，我们暂且都按日均GMV算。

2. 确定数据准确性

这是我们在收到“GMV异动”时候，第一个要排查的因素！

为什么要把【数据准确性】放到第一个？因为以免我们吭哧吭哧分析半天后发现：“原来只是数据源出问题了”，白白浪费了分析资源！

那么数据准确性可以从以下几个方向确定：

• 数据传输、存储、清洗有没有问题？
• 与该指标（GMV）关联的其他指标是否异常？
• 指标统计口径是否异常？
• 是否有业务逻辑上的更改？
• 是否埋点上报异常？
• 是否指标计算方式更改？

3. 按【GMV=dau转化率客单价】来定位问题所在

到此，我们进入正题，开始开始定位GMV异动的可能原因。

按GMV公式，我们分3步骤探索：

1. 定位GMV下降的特征——对应GMV本身
2. 是否是由于dau基数影响到gmv——对应公式里的dau
3. 定位GMV下降的特征的支付漏斗折损位置——对应公式里的转化率

下面具体展开：

1）定位GMV下降的特征

统计GMV的常见维度，分为固有属性和变化属性，如：

• 固有属性：（用户从一开始就自带的属性，在之后的行为里都不会发生变化）
• 新增渠道：ios，华为，小米，vivo，oppo，其他...
• 城市线 ：一线，二线，三线，...
• ...

变化属性：（用户在之后的行为里可能会产生变化的）

• 支付时段：0-6点，6-12点，12-18点，18-24点
• 支付方式：sdk支付，微信支付，...
• sku类型：包月，包季，包年，...
• ...

展开这些维度，计算这些维度下的特征对GMV异动的贡献度，并按贡献度降序排名
记：

发生期各维度的特征为gmv2，总值为sum2

基准期各维度的特征为gmv1，总值为sum1

某特征贡献度=(gmv2-gmv1)/(sum2-sum1)

给贡献度设定阈值，认为超过该阈值就是需要重视的特征，比如“贡献度超过20%”就算它是影响GMV异动的特征

把以上特征分为【固有特征】和【变化特征】

2）是否是由于dau基数影响到gmv

计算两个时期下的【固有特征】的特征的DAU相对差异：

同样还是给差异设定阈值，如果超过该阈值就是dau基数影响了GMV。

比如：

“新增渠道-ios，在发生期的dau比基准期的dau低了50%”，那我们就认为ios的基数变化可能是影响GMV异动的因素之一。

3）定位GMV下降的特征的支付漏斗折损位置

计算两个时期下的【固有特征】和【变化特征】的转化漏斗，来看是哪个位置的上级转化率产生较大差异。

比如：

支付路径为【a-b-c-d-e】，其中发生期和基准期的【a-b-c-d】的各级转化率的相对差异不超过5%，比较稳定；但是发生期【d-e】的上级转化率的比对照期低50%，那我们认为【d-e】是一个对GMV异动折损比较大的位置。

综上，我们基本定位到：

• 是哪些特征的GMV产生了异动？
• 是否是因为这些特征原本的基数（dau）异动了，而导致GMV异动？
• 在这些特征下的支付路径上，有哪些位置产生了折损？

1.2 排查影响因素

我们再继续从产品内外部寻找可能导致产生“异动特征和折损位置”的事件。

1. 内部

• 大盘

• 拉长时间轴到去年/上季度/上月/上周同期，看历史异常还是近期异常？*添加其他产品的同期数据，看是否大家都是异常？

• 产品

• 发生期的版本是否有功能调整、样式改版、策略调整？

• 发生期的版本是否有其他缺陷？

• 技术

• 【支付路径】之间哪里有bug？

• 运营

• 运营活动、push效果如何？

• 拉新渠道、投放推广是否发生变化？

• 用户

• 用户群是否发生变化？

2. 外部（PEST）

• 政治

• 政策影响、监管

• 经济

• 竟品app数据、双11、618

• 社会

• 假期效应：开学季、暑期、传统节假日

• 热点事件：突发热点

综上，我们基本能定位到GMV下降的可能原因：

1. 找出“异动特征和折损位置”
2. 找出产生“异动特征和折损位置”的事件

2. 自动化实现

所谓“自动化”，其实是指：开发一个让“GMV下降”能够一键分析的数据产品。

我们首先需要确认该产品的必备功能；其次是它的面向用户，即“给谁用”；最后确定该产品的前端展示和后端交互逻辑。

2.1 必备功能（由始至终）

把必备功能分为以下3类：

• 展示现状：刚开始让用户看到他所要分析的2个时期的GMV现状，每天是如何波动的？绝对值差异和相对差异分别是啥样的？
• 自动一键分析：接下来交给我们后台一键分析，除了给出“异动特征和折损位置”的数据过程，还要对其每一步进行自动化文字解读。
• 快速：最后尽量使整个“一键分析”的过程控制在秒级别

2.2 面向用户（由内而外）

知道用户是谁，才能知道给他具体做什么功能；以及让这些功能的理解成本最低、用起来顺手又方便。

• 数据人员：

• 因为原本的“异动分析”工作是咱们数据分析师承担的，因此得要这个产品首先满足咱们自己人，先要让分析师用起来爽；

• 即使该产品的理解门槛高，分析师也能比较容易的解读。

• 业务人员：

• 其次是最关注“异动分析”的是业务同学，业务同学对“分析思路”的理解成本相对分析师要高一些，因此我们要把该产品的理解成本再降低，让业务更快跑起来！

• 有的业务同学在获取“GMV异动原因”的信息后，需要把这个解读汇报给领导，因此存在“信息二次传递”的情况，我们还需要继续往外考虑。

• 领导：

• 最后我们希望该产品能够被领导们用（称）上（赞）呀！让领导们能够自由分析、提高信息传递的效率，因此就更需要让该产品容易用、好用。

2.3 前后端逻辑

根据以上对产品功能、面向用户的明确，我们最后把产品的设计为如下几部分：

1. 前端

• 筛选区域：

• 日期：发生期、基准期

• 各个维度

• 数据现况展示：（使用GMV分区表）

• 相对差异：（发生期-基准期）/基准期，也按day1-dayn展开

• 基准期是20天、发生期是15天

• 那么横轴上起点是基准期和发生期的第一天的GMV、以此往后推

• 基准期的是day1-day20、发生期是day1-day15

• 横轴上先是基准期、再是发生期

• 拉长自然日期的GMV展示，比如：

• 合并2个时期的GMV绝对值展示，比如：

• 合并2个时期的GMV相对差异展示

• 贡献度分析：（使用GMV分区表）

• DAU分析：（使用支付漏斗表）

• 漏斗分析：（使用支付漏斗表）
  以上3个步骤是对应【1.1定位问题：按【GMV=dau转化率客单价】来定位问题所在】

• 大事件：

• 大事件是指【排查因素里的内外部事件】，这部分需要人工手动维护。

• 自动化总结

• 对以上每个步骤的自动化文字总结，这样更方便用户理解分析过程。

2. 后端数据

• GMV分区表（按各维度展开）
• 支付路径漏斗表（按各维度展开）

到此，实现“自动化GMV异动分析”的讲解就结束啦。总之，本文的分析思路是简化版，具体还需要各位大佬结合实际业务场景做定制化的修改啦～

·················END·················