目录
案例简介
第一步：确认数据真实性
第二步：明确定义，并拆解指标，进一步定位原异常部分
第三步：根据几个常见维度初步拆分数据
第四步：进一步做假设并细分深入，得出结论
例题
GMV下降了20%怎么分析？（GMV=访客数（uv）*订单转化率(cr)*单均价）
总结
例题部分转载自公众号《阿狸与小兔》。
案例简介
一款信息流APP平时日活稳定在79w-80w之间，但是在6月13日起突然掉到了78.8w，到6月15日已经掉到78.5w，这时产品负责人着急了，让你尽快排查一下数据下跌的原因。这样的问题对大多数人来说还是比较头疼的，因为对于80w量级的产品，一两万并不是一个非常大的波动，但原因还是要排查。
核心点：先做数据异常原因的假设，后用数据验证假设。
不建议大家第一步先自己对着数据去拆，影响日活数据的因素很多，不可能把所有维度逐一拆解对比，容易浪费时间却没有任何有价值的发现。做数据异常原因分析的核心就是结合以往经验及各种信息，找出最有可能的原因假设，通过数据的拆分进行多维度分析来验证假设，定位问题所在。过程中可能会在原假设基础上建立新的假设或者是调整原来假设，直到定位原因。
第一步：确认数据真实性
在开始着手分析前，建议先确认数据的真实性。我们经常会遇到数据服务、数据上报、数据统计上的BUG，在数据报表上就会出现异常值。所以，找数据流相关的产品和研发确认下数据的真实性吧。
第二步：明确定义，并拆解指标，进一步定位原异常部分
逻辑树模型的思维，由大到小，一步一步深入。(指出拆解方法的局限性：假设缺陷、分布缺陷、估算保守/激进）
第三步：根据几个常见维度初步拆分数据
可以利用人货场模型来思考，如下图
计算影响系数：每一项数据都要和以往正常值做对比，算出影响系数。
影响系数=(今日量-昨日量)/(今日总量-昨日总量)
影响系数越大，说明此处就是主要的下降点
以上是几种常见的初步拆分维度，通过初步拆分，定位原因大致范围。
第四步：进一步做假设并细分深入，得出结论
针对初步定位的影响范围，进行进一步的排查。分三个维度来做假设，建议针对数据异常问题专门建一个群，拉上相应的产品、技术、运营人员一起，了解数据异常时间点附近做了什么产品、运营、技术侧调整。
定位了异常部分后，可根据分指标灵活思考出影响因素。
综合考虑以往数据异常原因、产品运营技术侧调整、初步定位的影响范围最可能由什么原因造成，再结合自身业务经验确定几个最可能的原因假设，给这些假设排数据验证的优先级，逐一排查。
除了上述，可以细分分析的维度实在太多，逻辑上说核心点在于一个假设得到验证后，在这个假设为真的基础上，进行更细维度的数据拆分。
我们需要记住这种分析方式，当猜测是某种原因造成数据异常时，只要找到该原因所代表的细分对立面做对比，就可以证明或证伪我们的猜测，直到最后找到真正原因。
案例分析
以上就是核心数据异常的分析套路，是不是刚才拿到问题还不知道从哪开始分析，现在觉得其实有很多点可以去着手？让我们回到刚才的案例吧。根据上述套路，首先我们拆分新老用户活跃量，如下图（老用户左轴、新用户右轴）：
发现老用户日活较平稳，但是新用户自6月13日下降严重，于是计算新老用户影响系数：
老用户影响系数=(77.89-78)/(78.8-79.5)=0.16
新用户影响系数=(0.98-1.5)/(78.8-79.5)=0.84
新用户影响系数0.84，说明DAU下降是出在新用户身上，明确范围后进一部细分，新用户由什么构成？
新用户=渠道1+渠道2+渠道3+其他渠道 ，于是我们把新用户日活按渠道进行拆分：
通过渠道拆分，我们发现渠道3自6月13日起新用户下降严重，于是我们把问题定位在渠道3，应该是渠道3的渠道效果发生问题。联系渠道3的负责人一起定位具体原因，渠道线索量降低？渠道转化率降低？渠道平台的问题？找出原因后，再针对原因解决问题，制定渠道优化策略。
例题
GMV下降了20%怎么分析？（GMV=访客数（uv）*订单转化率(cr)*单均价）
人货场角度（第一步 → (第二步) → 第三步 → 第四步）：
1、从人的角度来看。主要会考虑
① 新老客户
② 不同地区客户
③ 不同渠道客户
④ 是否VIP客户
⑤ 不同获取方式客户
通过数据一一验证。例如，若数据表明，新用户带来的GMV同比下降25%，但老用户带来的GMV同比上升了1%，则可以将原因定位在新用户身上，推测是否拉新活动失效，导致新用户下单减少；若数据表明h5渠道客户GMV同比减少了70%，可能需要验证h5端是否能够正常的提交订单。
2、从货的角度来看。主要会考虑
① 不同品类
② 不同价位
③ 不同商家
通过数据一一验证。例如，若数据表明去年连衣裙品类产品的GMV占整体GMV比例高达40%，但GMV同比下降了30%，则大胆推测可能是由于连衣裙品类表现不佳，导致整体GMV同比下滑严重。若发现有一批去年同期十分活跃、产量较高的商家，今年没有上架产品，可能是因为商家维护、商家合作政策的变动，需要具体评估后考虑是否追回这批商家。
3、从场的角度来看。主要会考虑
① 企业内部活动
② 行业整体表现
同样通过数据进行验证。例如，若数据表明去年同期活动数量较多且GMV较高，而今年并没有开展类似的活动，可能推测今年GMV同比下滑是活动的影响。
逻辑树角度（第一步 → 第二步 → (第三步) → 第四步）：
提出第一层假设：GMV的同比下降主要受到访客数、转化率、单均价的影响。
验证假设，定位异常的分指标。
经验证，假设二：转化率的影响成立。
对【转化率】进行二次假设与分析，可利用人货场模型或者从产品、技术、运营侧考虑因素
暂时先考虑① 下单页面流程的变动 ② 去年3月上线新活动 ③ 新产品上线效果不及预期
首先考虑①下单页面流程的变动。一般会用漏斗分析（不知道漏斗分析是什么的……建议直接百度或者知乎）来观察数据。查看从【产品详情页】->…………->【支付成功页】的用户浏览转化漏斗，可能发现在【支付付款页】->【支付成功页】的转化率同比下降严重。推测是因为app开发或者产品流程管理问题，导致用户在支付付款页无法付款，造成转化率降低——建议开发与产品合适下单流程是否存在卡点。
其次考虑②去年3月活动的影响。假如和运营沟通后，了解到去年3月同期开展了“开学季”活动，且活动表现优异。数据结果也表明活动期间转化率与活动前后相比，有明显提升，假如数据长这样：
推测由于今年未开展活动，导致转化率同比下降，进而对GMV产生影响——建议运营人员参考去年活动标准，选择合适时机继续开展营销活动。
最后考虑③新产品上线是否效果不及预期。有运营的同事告诉你，今年3月更换了主推产品，这批产品都是之前没有销售记录的。数据的结果也表明新产品的转化率明显低于老产品，推测新产品上线效果不佳对转化率有明显影响，建议考虑更换产品。
验证第三个假设：客单价的影响。
若数据显示2018年3月和2019年3月的单均价没有明显差异，则假设三不成立；
若2018年&2019年三月的单均价分别为191元、154元，假设三成立。在考虑单均价变动时，我们仍然需要对【客单价】进行二次假设，假定①优惠活动②产品市场价格下降的影响，简单表示如下：
先考虑①优惠活动的影响。但由于在假设二中已经获取了信息，2019年3月并未开展优惠活动，反而在2018年3月是有活动的。所以①并不成立。
接下来考虑②产品市场价格下降的影响。通过市场调研，了解到主营产品在这两年得到了规模化生产，出厂成本价格大幅下降，市场卖价也逐步下降，19年均价比18年均价下降了10%以上，所以②成立——推测行业市场的规模化发展影响了单均价，进而造成GMV的同比下降。
总结
- 第一步：确认数据真实性
- 在开始着手分析前，建议先确认数据的真实性。我们经常会遇到数据服务、数据上报、数据统计上的BUG，在数据报表上就会出现异常值。所以，找数据流相关的产品和研发确认下数据的真实性吧。
- 第二步：明确定义，并拆解指标，进一步定位原异常部分，指出拆解方法的局限性：假设缺陷、分布缺陷、估算保守/激进
- 第三步：问题定位初步拆分维度，定位原因大致范围。计算影响系数：(今日量-昨日量)/(今日总量-昨日总量)影响系数越大，说明此处就是主要的下降点
- 人
- 用户类型（新老、付费续费、是否VIP等）
- 用户画像各方面(地区年龄、性别、职业等)
- 拆登录渠道：app/小程序/PC/m端等
- 拆入口：点图标进入/push调起等
- 货
- 拆品类
- 拆价格
- 拆供应商
- 场
- 拆平台：IOS/安卓
- 拆版本：新/老版本
- 拆区域：省份/国家
- 拆时间：访问时段、淡旺季、产品周期性(同比、环比)
- 人
- 第四步：原因分析对维度、细分指标进行原因分析，综合考虑以往数据异常原因、产品运营技术侧调整、初步定位的影响范围最可能由什么原因造成，再结合自身业务经验确定几个最可能的原因假设，给这些假设排数据验证的优先级，逐一排查。
- 外部因素
- PEST方法
- 产品调研方法论（市场、竞品、社会(舆论生活方式、价值观、消费心理) ）
- 内部因素
- 产品侧：
- 功能调整
- 策略调整
- 技术侧：
- 接口不稳定
- 系统故障
- 网页打不开、加载慢
- 运营侧：
- 运营策略
- 广告投放
- 运营活动（提活跃、促留存、拉付费）
- push效果
- 拉新渠道
- 产品侧：
- 外部因素
刚需、乐享、高频
影响定价：成本、需求、竞争
