系统分析指标的波动，数据模型应该是这样建的，又跌了？”“怎么三天没变了？”总有十万个为什么，从各个部门的嘴里冒出来，然后做数据的同学天天忙着数，一头雾水不说话：“为什么不能提前洞察？”“你不深入！”抱怨。怎么了？今天来系统的解释一下1.常见错误最常见的做法是在指标变化时拆解，将各个维度拉出来进行交叉，最后取差异最大的就是造成指标波动的因素（如图如下图），而且这样做很无脑+低效率。无脑，因为：业务方关注的是具体问题。例如：新品是否强势，对手有没有出手，执行有无没有到位，或者当还是环境变了……这些业务原因不能用数据库中的“性别、年龄、地区、产品名称”等简单的维度来概括。因此，即使拉出交叉表，也无法回答这些深层次的问题。低效原因：严重浪费数据分析师的时间。相当多的波动，基本都是自然波动，或者是商家本身的作为。相当多的波动，也就是简单的展开，不动声色的移动了埋点。这些问题根本不需要反复拉交叉表。我只知道，逼着数据分析师去拉交叉表，不仅浪费时间，而且错失总结规律、深入分析的机会。那么，如何优化实践呢？2.诊断模型的三个关键点追溯源头，问三个灵魂问题：1.是否所有指数波动都重要？2.所有的波动都是未知的吗？3.是真的吗？所有的波动都值得采取行动吗？答案是：不不不！至少有3/4的波动是有计划的、可预测的、不值得关注的。所以，提前做好基础工作远比仓促行事有用。明确区分指标，提前收集原因，提前预测结果，是系统解决问题的关键。要做到这一点，靠的是整个工作流的支持，而不是一堆神秘的代码。3.区分核心指标、辅助指标和边际指标。与收入、成本、利润相关的都是核心指标。必须重点关注核心指标的波动。子指标是构成收入、成本、利润的过程指标或子指标。比如用户数、转化率、客单价等等。附属指标的波动是问题所在吗？不必要。很有可能业务发展有了新的形式。所以，没必要天天看变化，而是关注发展趋势（如下图）：边际指标，而是一些没有直接关系甚至无法准确量化的指标，比如满意度、NPS、等。这些指标监测其长期趋势。而且，关注口碑和舆论中的极端案例（尤其是不满意的客户或恶意攻击）会比看统计指标更有价值。当然，不同业务对核心、子公司、边缘的定义会有所不同。但必须区别对待，否则极有可能出现：“分析了很多，对性能没有影响一毛钱”的窘境。4、明确正反面原因常见正反面原因：促销活动政策利好新品上市、新店开张，其中相当一部分可以提前分析，给出一个可接受的范围。在淡季/旺季，可以使用周期分析的方法，从过去的数据中提取周期波动规律（如下图）。对于促销活动，可以先标注活动类型，然后根据过往数据计算出每种活动的投入产出比。新产品上线时，可以先标注产品类型，然后根据过往数据计算产品LTV曲线。开新店时，可以先标注店铺类型，然后根据过往数据计算店铺LTV曲线（原理同商品分类）。通过标签分类+评论分析，大部分自然原因和人为因素造成的波动都可以获得一个量化范围。提前收集这些原因，可以大大缓解指数波动带来的紧张情绪，把注意力集中在真正应该关注的问题上。注意这里有两类问题是很难提前准备的：1.突发性的意外，比如系统bug、恶劣的天气等2.外部因素的变化，比如竞争对手的促销、政策风险，这需要沟通+故障排除机制解决。五、日常沟通及故障排除日常沟通：1、从业务角度：近期促销推出、产品下架计划、开店计划、上架计划。2、从技术上看：发展进度、发展问题3、从外部看：新政策出台实施；竞争对手公布动作问题排查：基本数据质量，日常数据定期检查。所有的信息，汇总在时间表上，就可以形成解读波动的基础材料，然后等待数据给出结果。在决定是否进行更深入之前先查看结果。6、结果发生后的A类诊断：知道原因+期待+积极改变。只要预期没有被打破，就可以监控趋势。要问波动的原因，就四个字：正常波动。B型：知道原因+期待+负面变化。只要预期没有被打破，就可以监控趋势。要问波动的原因，就四个字：正常波动。C类：知道原因+意想不到的+积极的改变。比如下图，原本预计线上促销会火爆，但没有任何反应。是什么原因？事件拉胯了……这时候直接切入事件细节分析，让业务方快速做一手调研，思考救死扶伤。方法比较靠谱。D型：知道原因+出乎意料+消极改变。例如下图，原本预计恶劣的天气会持续太久，导致一些原本实力薄弱的门店倒闭。这时候，部队应该分成两组。一种方式：分析是否有其他交叉因素，帮助别人滥用另一种方式：做对标分析，看看是否有恶劣环境下的应急措施。E类：不明原因+积极变化。超出预期是好事吗？不必要。例如，闪回风格的短期销售激增。如果业务方相信并补货，只会造成更大的积压。因此，当利好事件超出预期时，应特别关注相关因素。比如畅销品短缺、滞销品积压、营销成本暴涨（别贪便宜，羊毛党）、投诉量激增等。F类：不明原因+负面变化。这是需要警惕的事情。这时候首先要看“三查”：局部问题还是全局问题。第二项检查：突发性问题或持续性问题。对于紧急问题，从内部查找原因更快；对于全球性和持续性问题，可能会产生深远的外部影响。之前分享《提升DAU，数据分析要怎么做?》的时候，有比较详细的说明，大家可以参考一下。总之，有了充分的基础准备，就可以快速区分轻、中、重问题，输出分析结论，为后续分析做铺垫，避免漫无目的的交叉。七、总结数据分析需要流水号，但要解读数字，需要掌握丰富的事实，用数据对可量化的部分进行量化和评价，对可持续发展的部分进行监测，对模糊的部分进行拆解，从而做到离真相越来越近了。需要注意的是，这些任务不能仅由数据分析师完成。如果领导不知道目标，如果发展一意孤行，如果业务连什么叫“分类”都不懂，如果业务非要说“我做的就是胡说八道！一定是有别的原因干扰了我！”……分析？分析个屁！分析的结论是：这家公司太傻了，救不了。刚接触数据的同学一定要掌握分类、标注、提取周期波动、计算ROI这些基本方法。懂得科学管理，对方就是浑水摸鱼。毕竟好公司来之不易，而进入好公司的正确方法是培养自己的技能。当然，有同学会问：我们这边活动多，一个月100多条推广规则一起跑，怎么衡量？
