异动分析技术解决方案—异动归因之指标拆解

简介：归因的方法有多种，这篇文章的重点是指标拆解，也是我们做业务分析时最常用到的方法。我们的目的是解放人力，将指标拆解实现自动化，一方面可以加快业务迭代速度，快速定位问题；另一方面可以对可能产生异动的维度进行全局量化，增强可比性，明确下一步的业务行动点的优先级。自动化异变归因的目的是为了尽快判断并抓住机遇，寻求以数据驱动作为灯塔指引业务航向。

作者 | 伊琏
来源 | 阿里技术公众号

一 前言

唯一不变的是变化，在拥抱它前，请事先探知、归因、并充分准备。

在相对完善的指标体系建设背景下，我们需要通过指标以及指标波动的解读来描述、追踪、推动业务。当一个指标波动时，我们首先需要从业务视角判断其波动是否异常，即异动检测，其次判断异常背后的原因是什么，即异动归因。

归因的方法有多种，这篇文章的重点是指标拆解，也是我们做业务分析时最常用到的方法。我们的目的是解放人力，将指标拆解实现自动化，一方面可以加快业务迭代速度，快速定位问题；另一方面可以对可能产生异动的维度进行全局量化，增强可比性，明确下一步的业务行动点的优先级。自动化异变归因的目的是为了尽快判断并抓住机遇，寻求以数据驱动作为灯塔指引业务航向。

二 目的

三 贡献率的拆解方法

1 加法拆解

举例针对绝对值指标的维度拆解都是加法拆解。绝对量指标的同比/环比变化，就是各个分指标变化的加权求和，例如访问uv总和等于各渠道uv加总， 那么总uv的变化下钻贡献率等于各渠道分别的变化除以上个月的总uv数。

2 乘法拆解

举例 漏斗模型，借助用户动线，拆解指标。

以全站商品详情页的浏览量（ipv）为例，其变动涉及流量、承接页到商品详情页的转化（uv-d转化）、商品详情页用户人均浏览量（人均pv），分别对应了用户增长、搜推场景承接以及私域用户活跃度等业务域或用户行为指标。借此对全站ipv的构成链路进行静态乘法拆解：

3 比率型指标拆解

4 实例应用

根据上文提到的不同指标的计算方法，