本文来自微信公众号 “接地气的陈老师”，作者：接地气的陈老师，纷传经授权发布。
当业务指标开始波动的时候，人们总会有问题
“为啥涨了5%”“为啥又跌了1%”“为啥涨了2天又跌了？”“为啥三天了都没变化呀？”
总有十万个为什么，从各个部门口中脱出，然后搞得做数据的同学天天忙着跑数，晕头转向不说，还落个：“为啥不能事前洞察？”“你这也不深入呀！”的抱怨。
咋整？今天系统讲解下。
01
常见的错误做法
最常见的做法，就是遇到指标变化就拆解。各种维度都拉出来做交叉，最后哪个差异最大，就说是哪个因素导致的指标波动（如下图）。
而这么做，非常无脑+低效。
无脑，是因为：业务方关心的是具体的问题。比如：是不是新品不给力是不是对手有动作是不是执行没到位是不是环境有变化……
这些业务原因，不是数据库里“性别、年龄、地域、产品名”这样的简单维度能概括的。因此即使拉出交叉表来，也不能解答这些深层问题。
低效，是因为：严重浪费数据分析师的时间。相当多的波动，丫根本就是自然波动，或者是业务自己整出来的活。
相当多的波动，就是单纯的开发动了埋点又没吭声。
这些问题根本不需要反反复复拉交叉表。只知道逼数据分析师拉交叉表，不但浪费时间，而且错失了总结规律，深入分析的机会。
那么，怎么优化做法呢？
02
诊断模型三大关键
从源头上看，反问三个灵魂问题：1、是不是所有指标波动都很重要？2、是不是所有波动都原因未知？3、是不是所有波动都值得行动？
回答是：不是、不是、不是！
至少3/4以上的波动是计划内的、可预知、不值得理会的。因此事前的基础工作，远比着急忙慌有用。
把指标分清楚，原因提前收集，结果提前预判，是系统解决问题关键。想达成这一点，靠的是整个工作流程的支持，而不是一串神秘代码。
03
区分核心、附属、边缘指标
同收入、成本、利润相关的，都是核心指标。核心指标发生波动一定是优先关注的。
附属指标，则是组成收入、成本、利润的过程指标或子指标。比如用户数、转化率、客单价等等。附属指标的波动是问题吗？不一定是。
很有可能只是业务发展有了新形态。因此，不需要每天看变化，而是关注发展趋势（如下图）：
边缘指标，而是一些不直接相关，甚至不可准确量化的指标，比如满意度、NPS等等。这些指标监控其长期趋势即可。
并且，关注口碑、舆情中极端个案（特别不满的顾客或者恶意攻击）会比看统计指标更有价值。
当然，不同业务的核心、附属、边缘定义会有差异。但区别对待是必须的，不然很有可能出现：“分析了一堆，对业绩影响一毛钱都没有”的窘境。
04
理清正向、负向原因
常见的正向原因：促销活动政策利好新品上市新店开张旺季到来
常见的负向原因：系统宕机政策利空旧品退市阴雨天气淡季到来
这些不但可以提前知道，而且其中相当多的部分，可以提前做分析，给出可接受的范围。
淡季/旺季，可以用周期分析法，从过往数据中提取周期波动规律（如下图）。
促销活动，可以先对活动类型打标签，再根据过往数据，测算每一类活动投入产出比。
新品上市，可以先对商品类型打标签，再根据过往数据，测算商品LTV曲线。
新店开张，可以先对门店类型打标签，再根据过往数据，测算店铺LTV曲线（原理同商品分类）。
通过标签分类+复盘分析，大部分自然原因、人为原因导致的波动，可以得出一个量化范围。
在事前收集这些原因，就能极大地缓解指标波动带来的神经过敏，聚焦真正该聚焦的问题。
注意，这里有两类问题是很难事前准备的：
1、突发型事故，比如系统bug，恶劣天气等等。
2、外部因素变化，比如对手促销，政策风险这些需要沟通+问题排查机制解决。
05
常规沟通与问题排查
常规沟通：
1、从业务：近期促销上线、产品上下架计划、开店计划、投放计划。
2、从技术：开发进度、开发问题3、从外部：新政策发布、生效；竞争对手已公布动作
问题排查：基础数据质量，常规日报数据核对。
所有信息，汇总到时间表上，就能形成解读波动基本素材，之后静待数据给出结果。看结果再决定是否深入。
06
发生结果后诊断
A类：知道原因+期望内+正向变化。只要没有击穿期望值，监控趋势即可。要问波动原因，就四个字：正常波动。
B类：知道原因+期望内+负向变化。只要没有击穿期望值，监控趋势即可。要问波动原因，就四个字：正常波动。
C类：知道原因+期望外+正向变化。比如下图所示，原本预计的上促销会大涨，结果没啥反应，啥原因？
活动拉胯了呗……这时候直接切入活动分析细节，让业务方赶紧做做一手调研，想想救命办法更靠谱。
D类：知道原因+期望外+负向变化。比如下图所示，原本预计恶劣天气持续太久，导致一些原本薄弱的门店快不行了。
这时候要兵分两路。一路：分析是否有其他交叉因素，助纣为虐另一路：做标杆分析，看恶劣环境下有没有应急办法
E类：不知道原因+正向变化。
超出预期是不是好事？不见得，比如回光返照式短期销售暴增，如果业务方信了，又补了货，那只会造成更大积压。
因此正向事件超出预期时，要格外注意关联因素，比如畅销品缺货、滞销品积压、营销成本暴涨（别便宜了羊毛党）、投诉数量激增等问题。
F类：不知道原因+负向变化。这是得警惕的。
这个时候要先“三看”一看：局部问题or全局问题二看：突发问题or持续问题三看：有缓解迹象or越来越严重（举个简单例子，如下图）
原则上局部、突发性问题，从内部找原因更快；全局、持续型问题，有可能存在外部深刻影响。之前在分享《提升DAU，数据分析要怎么做？》的时候，有更详细说明，大家可以参考。
总之，有了充分的基础准备，就能快速区分问题的轻、中、重，输出分析结论，也能为后续分析做好铺垫，避免漫无目地交叉。
07
小结
数据分析需要跑数，但想解读跑出来的数，需要的是掌握丰富的事实情况。
用数据量化评估其中可量化的部分，监控其中持续发展的部分，拆解其中模糊部分，从而越来越接近真相。
需要注意的是，这些工作并非靠数据分析师一个人能完成。
如果领导自己都不清楚目标如果开发我行我素瞎胡乱搞如果业务连啥叫“分类”都不懂如果业务一定要扯“我做的就是牛掰克拉斯！一定是其他原因干扰了我！”。
分析？分析个屁！分析结论就是：这个公司蠢逼太多，救不了。
只是做数据的同学，要掌握这些基础的做分类、打标签、提取周期波动、计算ROI的方法，这样才能在争吵中清晰地判断是我们自己没有用对方法。
还是对方不愿意配合，对方不懂得科学管理，对方在浑水摸鱼。毕竟好公司可遇不可求，自己长本事，才是进入好公司的正道。
当然有同学会问：我们这边活动一大把，一个月100多条促销规则一起跑，怎么做衡量？这需要用主题分组的方法应对。
