一文搞懂数据异常问题该如何分析

“ 上一篇文章给大家介绍了如何巧解费米问题，这篇文章将给大家带来另外一类高频考题——业务分析题，主要以“销售收入下降了该如何分析”这个问题为主线进行分析。”

一、数据异常波动的表现形式

数据异常监控分析不仅是数据分析面试中的高频考题，同时也是业务分析中一项常态化的工作内容。当我们面对市场、产品、运营等各种业务场景，经常会发现很多异常数据的问题，比如：

1. 某APP日活DAU相比昨日突然下降了10%，该如何分析？

2. 某公司销售收入环比上月下降了15%，该如何分析？

3. 某产品客单价环比上月下降了20%，该如何分析？

上述各种业务场景，其实都是发现了数据有异常波动的情况，那接下来问题来了，我们该如何着手进行分析呢？

大部分人解决问题的思路，都是直奔主题找原因，上来就去找出现异常的原因、异常点在哪里。其实这种分析思路有一个最大的弊端就是不够体系化，往往能够找到一些原因，但是很可能是片面的，甚至可能还会踩雷。接下来就给大家分享一种比较实用的方法，我个人称之为“点 - 线 - 面”分析法。

二、数据异常分析的方法论

点：首先排查数据准确性，确定是否属于数据错误。容易出现数据错误的环节有数据采集环节（埋点）、数据提取环节、产品环节（BUG）、业务环节（数据口径）等。如果没有问题进入下一步分析；

线：拉长时间周期，也就是进行纵向分析，看是否属于周期性波动，有些行业受季节或淡旺季影响较大，比如家电、饮料、在线教育等都受淡旺季影响较大。如果没有问题进入下一步分析；

面：首先，综合运用公式拆解法、多维度拆解法等对大问题进行拆解，拆解为一个个可着手分析的小问题；然后，通过计算影响系数初步定位到主要影响原因；最后，大胆假设，小心验证，通过假设检验法逐步排查到产生问题的根本原因。

比如，我们以销售收入下降为例，通过“点 - 线 - 面”分析中的“点 - 线”分析确认属于数据异常后，接下来就可以在“面”的分析环节中采用“三部曲分析”法，主要流程如下：

1. 运用公式拆解法、多维度拆解法等对大问题进行拆解

2. 计算影响系数，定位主要原因

影响系数 = ( 细分项本月数 - 细分项上月数 ) / ( 本月总量 - 上月总量 )

影响系数越大，说明该维度数据就是造成总体波动的主要影响因素。

3. 通过假设检验法逐步排查根本原因

假设在计算影响系数后，初步确定主要是新用户减少引起的收入下降，接下来就需要对新用户数下降的原因进行假设，常见的假设维度有内、外部维度，其中内部维度主要有渠道侧、产品侧、运营侧、技术侧等等，然后通过数据逐一对上述假设进行验证。

以上是几种常见的拆分维度，通过初步拆分，定位原因大致范围。

三、数据异常分析的案例实战

某连锁零售集团最近两年每月销售收入保持稳中有升的趋势，但是在2021年6月销售收入突然下降了17%（下图），这时销售负责人非常着急，让你尽快排查一下销售下跌的原因。面对收入下降这种棘手的问题，如果对于没有经验的同学，确实还是比较头疼的，就像那烫手的山芋，无从下手。

接下来，我们就按照按照上面的套路来演练一下。

点：首先排查数据准确性，确定不属于数据错误；

线：拉长时间周期，不属于季节波动；

面：1. 首先把总收入拆分成新、老用户收入，如下图：

通过观察数据，发现新、老用户收入均有不同程度下滑，于是启动第二步，分别计算其影响系数。

2. 计算新、老用户收入影响系数

新用户收入影响系数 = (33 - 47) / (100 - 120) = 0.7

老用户收入影响系数 = (67 - 73) / (100 - 120) = 0.3

新用户收入影响系数0.7，说明总收入下降主要影响因素是新用户收入下降，明确问题的范围后接着进行细分，新用户收入的构成是什么？

新用户收入 = 新用户数量 * 转化率 * 客单价

通过调取数据分析发现，新用户转化率和客单价都保持稳定，那么问题就出在了新用户数量这个指标上，那新用户又是由什么构成呢？

新用户 = 渠道 1 + 渠道 2 + 渠道 3 + …… + 渠道 n 

于是我们把新用户按照其渠道来源进行拆分：

通过对新用户渠道来源进行拆分，我们发现渠道1在2021年6月新用户数量下降非常严重，于是我们就定位到收入下滑的根本原因在于渠道1新用户数量下滑严重。接下来我们就可以启动第三步，对渠道1新用户数量下滑原因进行假设检验。

3. 对渠道新用户数下滑原因进行假设检验

渠道流量下降可能的原因可以从两个大的维度进行考虑：对于外部维度，可以考虑外部环境变动、竞品变化等；对于内部维度，可能的原因有渠道线索问题、投放策略变化等。这个时候一方面要调取数据进行分析验证，另一方面需要联系渠道1的负责人一起定位具体原因，找到具体原因后，再对症下药。

本案例纯属虚构，如有雷同，纯属巧合。当然，实际的业务要比这复杂的多，需要考虑的因素也很多，花费的时间也会更长。但是，解决问题的方法论和流程是可复用的。相信大家以后再面对类似问题的时候，会有一个清晰的分析思路和明确的入手点。

最后，我们如果对上面的“点 - 线 - 面”分析法进行总结归纳的话，可以提炼为下面这张图：

关注我，获取更多数据分析干货！