當業務指標開始波動的時候，人們總會有問題：

“為啥漲了5%”

“為啥又跌了1%”

“為啥漲了2天又跌了？”

“為啥三天了都沒變化呀？”

總有十萬個為什么，從各個部門口中脫出，然后搞得做數據的同學天天忙著跑數，暈頭轉向不說，還落個：“為啥不能事前洞察？”“你這也不深入呀！”的抱怨。

咋整？今天系統講解下。

一、常見的錯誤做法 

最常見的做法，就是遇到指標變化就拆解。各種維度都拉出來做交叉，最后哪個差異最大，就說是哪個因素導致的指標波動（如下圖）。

圖片

而這么做，非常無腦+低效。

無腦，是因為：業務方關心的是具體的問題。比如：

是不是新品不給力

是不是對手有動作

是不是執行沒到位

是不是環境有變化

……

這些業務原因，不是數據庫里“性別、年齡、地域、產品名”這樣的簡單維度能概括的。因此即使拉出交叉表來，也不能解答這些深層問題。

低效，是因為：嚴重浪費數據分析師的時間。相當多的波動，丫根本就是自然波動，或者是業務自己整出來的活。相當多的波動，就是單純因為開發動了埋點又沒吭聲。這些問題根本不需要反反復復拉交叉表。只知道逼數據分析師拉交叉表，不但浪費時間，而且錯失了總結規律，深入分析的機會。

那么，怎么優化做法呢？

二、診斷模型三大關鍵

從源頭上看，反問三個靈魂問題：

1、是不是所有指標波動都很重要？

2、是不是所有波動都原因未知？

3、是不是所有波動都值得行動？

回答是：不是、不是、不是！

至少3/4以上的波動是計劃內的、可預知、不值得理會的。因此事前的基礎工作，遠比著急忙慌有用。把指標分清楚，原因提前收集，結果提前預判，是系統解決問題關鍵。想達成這一點，靠的是整個工作流程的支持，而不是一串神秘代碼。

三、區分核心、附屬、邊緣指標

同收入、成本、利潤相關的，都是核心指標。核心指標發生波動一定是優先關注的。

附屬指標，則是組成收入、成本、利潤的過程指標或子指標。比如用戶數、轉化率、客單價等等。附屬指標的波動是問題嗎？不一定是。很有可能只是業務發展有了新形態。因此，不需要每天看變化，而是關注發展趨勢（如下圖）：

圖片

邊緣指標，而是一些不直接相關，甚至不可準確量化的指標，比如滿意度、NPS等等。這些指標監控其長期趨勢即可。并且，關注口碑、輿情中極端個案（特別不滿的顧客或者惡意攻擊）會比看統計指標更有價值。

當然，不同業務的核心、附屬、邊緣定義會有差異。但區別對待是必須的，不然很有可能出現：“分析了一堆，對業績影響一毛錢都沒有”的窘境。

四、理清正向、負向原因

常見的正向原因：

• 促銷活動
• 政策利好
• 新品上市
• 新店開張
• 旺季到來

常見的負向原因：

• 系統宕機
• 政策利空
• 舊品退市
• 陰雨天氣
• 淡季到來

這些不但可以提前知道，而且其中相當多的部分，可以提前做分析，給出可接受的范圍。

淡季/旺季，可以用周期分析法，從過往數據中提取周期波動規律（如下圖）。

圖片

促銷活動，可以先對活動類型打標簽，再根據過往數據，測算每一類活動投入產出比。

圖片

新品上市，可以先對商品類型打標簽，再根據過往數據，測算商品LTV曲線。

圖片

新店開張，可以先對門店類型打標簽，再根據過往數據，測算店鋪LTV曲線（原理同商品分類）。

通過標簽分類+復盤分析，大部分自然原因、人為原因導致的波動，可以得出一個量化范圍。在事前收集這些原因，就能極大地緩解指標波動帶來的神經過敏，聚焦真正該聚焦的問題。

注意，這里有兩類問題是很難事前準備的：

1、突發型事故，比如系統bug，惡劣天氣等等

2、外部因素變化，比如對手促銷，政策風險

這些需要溝通+問題排查機制解決。

五、常規溝通與問題排查

常規溝通：

1、從業務：近期促銷上線、產品上下架計劃、開店計劃、投放計劃。

2、從技術：開發進度、開發問題

3、從外部：新政策發布、生效；競爭對手已公布動作

問題排查：基礎數據質量，常規日報數據核對。

所有信息，匯總到時間表上，就能形成解讀波動基本素材，之后靜待數據給出結果。看結果再決定是否深入。

圖片

六、發生結果后診斷

A類：知道原因+期望內+正向變化。只要沒有擊穿期望值，監控趨勢即可。要問波動原因，就四個字：正常波動。

B類：知道原因+期望內+負向變化。只要沒有擊穿期望值，監控趨勢即可。要問波動原因，就四個字：正常波動。

C類：知道原因+期望外+正向變化。比如下圖所示，原本預計的上促銷會大漲，結果沒啥反應，啥原因？活動拉胯了唄……這時候直接切入活動分析細節，讓業務方趕緊做做一手調研，想想救命辦法更靠譜。

D類：知道原因+期望外+負向變化。比如下圖所示，原本預計惡劣天氣持續太久，導致一些原本薄弱的門店快不行了。這時候要兵分兩路。

一路：分析是否有其他交叉因素，助紂為虐

另一路：做標桿分析，看惡劣環境下有沒有應急辦法

圖片

E類：不知道原因+正向變化。超出預期是不是好事？不見得，比如回光返照式短期銷售暴增，如果業務方信了，又補了貨，那只會造成更大積壓，因此正向事件超出預期時，要格外注意關聯因素，比如暢銷品缺貨、滯銷品積壓、營銷成本暴漲（別便宜了羊毛黨）、投訴數量激增等問題。

F類：不知道原因+負向變化。這是得警惕的。這個時候要先“三看”

一看：局部問題or全局問題

二看：突發問題or持續問題

三看：有緩解跡象or越來越嚴重

（舉個簡單例子，如下圖）

圖片

原則上局部、突發性問題，從內部找原因更快；全局、持續型問題，有可能存在外部深刻影響。之前在分享《提升DAU，數據分析要怎么做？》的時候，有更詳細說明，大家可以參考。

總之，有了充分的基礎準備，就能快速區分問題的輕、中、重，輸出分析結論，也能為后續分析做好鋪墊，避免漫無目地交叉。

七、小結

數據分析需要跑數，但想解讀跑出來的數，需要的是掌握豐富的事實情況，用數據量化評估其中可量化的部分，監控其中持續發展的部分，拆解其中模糊部分，從而越來越接近真相。

需要注意的是，這些工作并非靠數據分析師一個人能完成。

如果領導自己都不清楚目標

如果開發我行我素瞎胡亂搞

如果業務連啥叫“分類”都不懂

如果業務一定要扯“我做的就是牛掰克拉斯！一定是其他原因干擾了我！”

……