作為業(yè)務(wù)部門的數(shù)據(jù)分析師，經(jīng)常面臨的場景就是分析異常脑漫。比如老板找到你說：“小伙髓抑，幫我分析下最近一周的GMV下降的原因”。很多人拿到這個問題的時候就開始直接去找各個維度來拆分看了优幸，最后還是一臉茫然吨拍。
首先拿到這個問題時，我們需要用之前那篇文章提到的分析方法网杆，描述和對比分析法羹饰。就是采用描述性分析方法，看具體的GMV值下降了多少碳却，以及采用趨勢和對比的方法來判斷是不是真正的異常队秩，有可能去年同期也是節(jié)假日后的正常下降。這個過程就像偵探探案時了解一些案發(fā)現(xiàn)場的基礎(chǔ)信息昼浦。在對異常有了基礎(chǔ)認(rèn)知之后馍资，想要了解真相，需要細(xì)分的思維方法关噪，一步步分解還原案發(fā)的蛛絲馬跡鸟蟹。但是怎么細(xì)分，以及按照什么樣的套路細(xì)分是有講究的使兔。
首先介紹細(xì)分常見的方法建钥，筆者將其歸納為3類。通常在分析一個具體問題中可能會多種一起使用虐沥。
01 結(jié)構(gòu)細(xì)分
第一類是按照結(jié)構(gòu)進(jìn)行細(xì)分：
- 事物或組織本身的結(jié)構(gòu)熊经；產(chǎn)線的區(qū)分（如化妝品類，生鮮類等）欲险，區(qū)域的區(qū)分（如華東/華西/華南大區(qū)）奈搜，渠道的區(qū)分（APP/小程序/PC端）等；
- 杜邦分析法盯荤，是杜邦公司發(fā)明的馋吗，采用金字塔結(jié)構(gòu)，把企業(yè)凈資產(chǎn)收益率逐級分解為多項(xiàng)財務(wù)指標(biāo)的比值或乘積秋秤。這個借鑒于我們常規(guī)的指標(biāo)體系的分析中宏粤。比如在文首遇到的那個情景脚翘，GMV同比下降30%，可以按照杜邦分析法進(jìn)行指標(biāo)拆解绍哎，定位是UV少了来农，還是cr下降了，還是客單價降低主要影響崇堰。
-分組分析法沃于，根據(jù)一定標(biāo)準(zhǔn)對研究對象進(jìn)行分組。分組分析法分為屬性指標(biāo)分組和數(shù)量指標(biāo)分組海诲。而屬性指標(biāo)所代表的數(shù)據(jù)不能進(jìn)行運(yùn)算繁莹，只是說明事物的性質(zhì)、特征特幔。如人的姓名咨演、部門、性別蚯斯、文化程度等指標(biāo)薄风，可以按照一定規(guī)則分組，比如頁面引流中對于同組織下：內(nèi)部引流拍嵌，其他為外部引流遭赂。
數(shù)量指標(biāo)所代表的數(shù)據(jù)能夠進(jìn)行加減乘除運(yùn)算，說明事物的數(shù)量特征横辆，比如人的年齡嵌牺、工資水平、企業(yè)的資產(chǎn)等指標(biāo)龄糊，例如年齡屬性：1-17：青少年逆粹，18-35青年，35-55中年炫惩，55以上老年僻弹；
-矩陣分析法，又稱四象限分析法他嚷，源自著名的BCG矩陣蹋绽，多用于產(chǎn)品組合戰(zhàn)略分析中，實(shí)現(xiàn)產(chǎn)品及資源分配結(jié)構(gòu)的良性循環(huán)筋蓖，明星/現(xiàn)金牛/廋狗/問題產(chǎn)品卸耘。在分析場景中，可以用來評估兩種因素對于不同組的影響差異時粘咖，識別不同組間不同的業(yè)務(wù)策略蚣抗。比如說評估業(yè)務(wù)中各個大區(qū)的GMV占比vsGMV同比增長率，識別到重點(diǎn)核心大區(qū)和有機(jī)會的大區(qū)瓮下。
02 時間流程
第二類是時間（流程）維度：
- 時間顆粒度下的細(xì)分翰铡，按年/月/周/日對齊的方式細(xì)分看異常是否集中于某一時間段钝域；
- 漏斗分析法，這是互聯(lián)網(wǎng)用于行為分析中使用較多的分析法锭魔，分析從潛在用戶到最終用戶這個過程中用戶數(shù)量的變化情況例证，確定整個流程的設(shè)計是否合理，各步驟的優(yōu)劣迷捧，和是否存在優(yōu)化的機(jī)會织咧。
-客戶生命周期的方法，主要應(yīng)用的場景是用戶運(yùn)營漠秋，聚焦不同階段用戶運(yùn)營的策略笙蒙，平時接觸不多，就不展開膛堤。
03 程度屬性
第三類是程度分析方法手趣，聚焦關(guān)注重點(diǎn)：
-ABC分析法晌该，又稱帕累托圖法肥荔。據(jù)事物在技術(shù)或經(jīng)濟(jì)方面的主要特征，進(jìn)行分類排隊(duì)朝群，分清重點(diǎn)和一般燕耿，從而有區(qū)別地確定管理方式的一種分析方法。A類是我們重點(diǎn)關(guān)注的姜胖。比如可以在平臺上去識別A類SKU帶來累計GMV達(dá)80%誉帅，B類和C類占比剩余20%，理清楚平臺的重點(diǎn)品類右莱。
A類因素蚜锨，發(fā)生累計頻率為0%~80%，是主要影響因素慢蜓。
B類因素亚再，發(fā)生累計頻率為80%~90%，是次要影響因素晨抡。
C類因素氛悬，發(fā)生累計頻率為90%~100%，是一般影響因素耘柱。
04 應(yīng)用
案例使用：
在日常指標(biāo)分析過程中如捅，一般常用的是杜邦分析，結(jié)構(gòu)細(xì)分和漏斗想結(jié)合的方式來定位異常點(diǎn)调煎。
1-我們通過定位發(fā)現(xiàn)近期GMV的下降镜遣，首先拆解日期來看，沒有集中在哪一天有異常士袄；
2- 通過杜邦分析法拆解為UV*cr*客單價三個部分烈涮，定位到是轉(zhuǎn)化率cr的下將是主要影響成分朴肺。
3- 拆解cr的過程，按照 詳情頁-填寫頁-提交訂單-支付訂單漏斗流程中去拆解發(fā)現(xiàn)是在填寫頁到提交訂單這個過程轉(zhuǎn)化率下降坚洽。
4- 使用常見單維度因素去識別：平臺（APP/H5/PC）,主要影響是APP戈稿，產(chǎn)線（門票/跟團(tuán)/酒店）無差異；
5- 拆解ios/安卓系統(tǒng)讶舰，版本維度拆解去看是否對這個過程的影響鞍盗；識別到時填寫頁驗(yàn)證碼有bug導(dǎo)致 這個步驟轉(zhuǎn)化率變低，從而識別到改進(jìn)點(diǎn)跳昼。
以上這個案例是將平時的分析過程進(jìn)行了簡化般甲，但是方法和套路是不變的，多加練習(xí)鹅颊，用好細(xì)分分析手法敷存，拆解定位問題信手拈來。
下圖附上我整理的原因分析方法的思維導(dǎo)圖堪伍。更多私藏數(shù)據(jù)分析資料锚烦，歡迎關(guān)注公眾號數(shù)據(jù)氧氣，恢復(fù)【POWER BI】獲取帝雇。
