來源：產(chǎn)品遇上運營
鏈接：https://coffee.pmcaff.com/article/1900050815295616/pmcaff?utm_source=forum&newwindow=1

我是小z
今天給大家?guī)硪黄獌?nèi)容，從數(shù)據(jù)職能，到數(shù)據(jù)應用場景、常規(guī)性數(shù)據(jù)報表的定制及數(shù)據(jù)監(jiān)控和專題分析，很干。
一、互聯(lián)網(wǎng)公司數(shù)據(jù)職能設置
互聯(lián)網(wǎng)公司普遍十分重視數(shù)據(jù)，數(shù)據(jù)部門職能設置卻各不相同。大多會設置獨立的BI部門（如攜程、京東），有些（如亞馬遜）也會把數(shù)據(jù)人員分散在各個團隊。
數(shù)據(jù)職能常見的有三個主要角色：
a. 數(shù)據(jù)工程師，負責搭建底層數(shù)據(jù)架構(gòu)，定義數(shù)據(jù)埋點規(guī)范、編寫埋點代碼（有時也會由開發(fā)人員植入埋點代碼）、以及建立和管理數(shù)據(jù)庫報表。
b. BI，負責根據(jù)業(yè)務需求在數(shù)據(jù)庫中抓取對應數(shù)據(jù)項，編寫SQL代碼，生成各類報表。（注：傳統(tǒng)的數(shù)據(jù)庫管理員（DBA）的職能更類似于數(shù)據(jù)工程師 + BI – 埋點）
c. BA，負責對BI生成的報表進行分析，結(jié)合業(yè)務知識對數(shù)據(jù)進行透徹解讀，輸出有明確指導意義的觀察和建議。BA人員通常需要有較強的業(yè)務背景知識，能夠準確地理解數(shù)據(jù)背后的業(yè)務狀況和波動原因，并用業(yè)務“語言”輸出分析結(jié)論。
我在實踐中的體會是：兩種組織架構(gòu)方式各有明顯的利弊，優(yōu)缺點截然相反。
當數(shù)據(jù)人員集中在一個部門時，數(shù)據(jù)庫管理和報表定制均十分專業(yè)高效。但因為離業(yè)務部門較遠，業(yè)務理解受到影響，在數(shù)據(jù)定義和解讀上相對偏薄弱。
數(shù)據(jù)職能分散在各個業(yè)務線時，正好相反。并有較嚴重的數(shù)據(jù)重復拉取，人力浪費不說，還因口徑定義上的差異，導致同一數(shù)據(jù)在不同部門各不相同。例如轉(zhuǎn)化率=訂單數(shù)／訪客數(shù)，有的部門在訪客數(shù)中去除“疑似機器人”部分，有的部門則統(tǒng)一訪客數(shù)為“二跳訪客”，帶來轉(zhuǎn)化率數(shù)據(jù)的明顯差異。
一個比較好的做法是把數(shù)據(jù)工程師和BI集中在數(shù)據(jù)部門，在各個業(yè)務線分別設置BA人員，兩邊對接。
二、數(shù)據(jù)使用方式
互聯(lián)網(wǎng)需要進行數(shù)據(jù)觀察的領域十分廣泛，每個細分領域都有不同的核心KPI，應當根據(jù)核心目標拆分背后的影響因素，有針對性地提出數(shù)據(jù)需求，制定數(shù)據(jù)報表。
通常數(shù)據(jù)的使用方式分為如下情況：
1. 常規(guī)數(shù)據(jù)報表
常規(guī)數(shù)據(jù)報表主要用于需要長期持續(xù)觀察的核心數(shù)據(jù)。例如：
流量漏斗監(jiān)控，可分為首頁跳失率、商詳頁到達率（分為瀏覽-商詳、搜索-商詳兩大分支）、加車率、結(jié)算率、結(jié)算完成率等核心環(huán)節(jié)漏斗數(shù)據(jù)。
用戶渠道來源情況，如各渠道來源的用戶數(shù)、新客數(shù)、訂單占比、轉(zhuǎn)化情況等等。
品類轉(zhuǎn)化率波動，如各品類的流量、訂單、SKU銷售數(shù)量等。
流量分發(fā)效率，如各頻道／欄目的CTR、商詳頁到達、轉(zhuǎn)化、復訪率等。
當常規(guī)監(jiān)控的核心數(shù)據(jù)項發(fā)生超閾值波動或趨勢性波動時，通常會觸發(fā)專題分析，并根據(jù)分析結(jié)果采取相應對策，以推動數(shù)據(jù)回到常規(guī)范圍。
常規(guī)數(shù)據(jù)報表建議通過公司的BI系統(tǒng)定制在線報表，按監(jiān)控頻度進行觀察分析。
2. 專題分析
專題數(shù)據(jù)分析通常按專題的主要影響因素確定數(shù)據(jù)項，拆分觀察維度，抓取多維度數(shù)據(jù)，對某個專題目標進行分析，找到影響因素所在的數(shù)據(jù)維度，得出結(jié)論，指導后續(xù)動作。例如：
針對某個重大事件的狀況或效果分析，如雙11大促后的數(shù)據(jù)總結(jié)盤點。
核心數(shù)據(jù)出現(xiàn)重大波動，如Web平臺轉(zhuǎn)化率持續(xù)提升的原因分析。
出現(xiàn)趨勢性狀況，如某付費渠道來源的用戶數(shù)量持續(xù)下降。
某個專題研究，如95后導購特征和消費特征分析。
3. AB測試
產(chǎn)品經(jīng)理常有的困惑是，當上線了某一個功能或者頻道后，目標數(shù)據(jù)出現(xiàn)了某種變化。然而，變化背后的影響因素非常多，例如時間因素導致的差異（如工作日的轉(zhuǎn)化率高于周末）、競爭對手的動作、季節(jié)性因素等等。核心數(shù)據(jù)的波動往往是這些影響因素綜合作用的結(jié)果，很難準確界定該功能本身帶來了多少直接影響。
運營也常有類似的訴求，例如當首頁圖標做了飄紅，或者引導文案做了一些調(diào)整，數(shù)據(jù)出現(xiàn)了波動，但卻很難確定多大程度為該特定運營動作的效果。
上述情況下，最好的方法就是做AB測試：取兩個數(shù)據(jù)集，在數(shù)據(jù)集樣本的選取中對各種影響因素做均勻的隨機分布（如地域、用戶群體特性），并對其中一個數(shù)據(jù)集實施特定產(chǎn)品功能或運營動作；在同一時段中，觀測目標數(shù)據(jù)在兩個測試集上的差異，從而精確判定待觀測功能／動作的準確效果。
這里要特別注意兩點：
1. 為了確保統(tǒng)計效果的準確性，需要有較大的樣本量和統(tǒng)計時長（結(jié)果數(shù)量=用戶量*統(tǒng)計時長，要么用戶量足夠大，統(tǒng)計周期可以略短；如果用戶量較小，則需要更長的統(tǒng)計周期）。
2. 如果某一個樣本中存在少數(shù)對均值影響巨大的樣本（例如一個金額巨大的訂單），需要予以排除，以減少偶然性帶來的偏差。
4. 個性化
這是個大數(shù)據(jù)的時代，差異巨大的用戶群體面對海量的商品和選擇，“千人一面”帶來的糟糕體驗已不再適用。
每個用戶在系統(tǒng)中都會留下自己的線索和足跡，體現(xiàn)自己在商品品類、價格段、品牌偏好等方面的階段性需求。系統(tǒng)可以通過數(shù)據(jù)有效發(fā)現(xiàn)當前用戶的當前需求，進行有效的推薦，而用戶也會感受到系統(tǒng)“懂我”，產(chǎn)生良好的購物體驗。
亞馬遜早年的“Everything Store”理念，在當前時代下，也逐漸轉(zhuǎn)化為“Everyone Store”，也就是我們常說的“千人千面”。
數(shù)據(jù)是千人千面的基礎，通過機器學習和算法設計，讓系統(tǒng)在各個模塊中進行智能化推薦，自動組裝匹配當前用戶的場景，是數(shù)據(jù)使用的最重要方式之一。這部分我會在后續(xù)文章中結(jié)合實際案例重點展開。
三、常規(guī)性數(shù)據(jù)報表的定制及數(shù)據(jù)監(jiān)控
為了最優(yōu)使用BI資源并突出自身專注點，在定制常規(guī)性數(shù)據(jù)報表時，切勿大而全。需要完全考慮清楚的主要有兩點：北極星指標、指標監(jiān)控頻度。
1. 北極星指標
任何一個業(yè)務要能不斷優(yōu)化和提升，做出更好的效果，都需要正確設立核心指標，持續(xù)監(jiān)控，并根據(jù)實際數(shù)據(jù)與階段性預期進展之間的差距進行分析，觸發(fā)相應的調(diào)整動作，以使得業(yè)務的發(fā)展和計劃保持一致。
這套思路在項目管理理論中被總結(jié)為PDCA ，即計劃（Plan）、執(zhí)行（Do）、校驗（Check）、響應（Act），在項目管理和持續(xù)質(zhì)量改善中也被稱為戴明循環(huán)。該體系是業(yè)務目標管理的核心方法，感興趣的同學可以查閱項目管理理論，本文不進行贅述。
從PDCA概念中可以看到，目標的制定、執(zhí)行成效的判斷以及糾偏動作的效果，都需要好的數(shù)據(jù)指標進行衡量，并作為最終目標達成與否的判斷依據(jù)。這個可度量的指標，與目標呈直接的正相關關系，該指標被稱為北極星指標。
北極星指標體系通常分為多級，每一級指標的設立選取，都是為了更好的支持上一級指標的達成，以最終共同實現(xiàn)公司頂層戰(zhàn)略（公司級的北極星指標）。
在這里舉個實際例子。一個電商公司的經(jīng)營規(guī)模往往通過公司的年營業(yè)額（GMV）來衡量，也即GMV是整個公司的北極星指標之一。營業(yè)額有多種拆分計算方式，在此列出常見的一種簡化計算方式：
GMV = AC * Freq * Conversion * AOS
AC：活躍顧客數(shù)
Freq：顧客平均訪問頻度
Conversion：轉(zhuǎn)化率
AOS：平均單均價
上面四個核心指標，則為第二級核心指標，通?？上逻_到各個部門分別負責。
例如，市場部負責流量和用戶數(shù)及其活躍度，產(chǎn)品和運營負責轉(zhuǎn)化率指標，類目線負責單均價指標。于是這些指標成為各個部門的北極星指標。如果一個指標的核心影響因素分散在多個部門，也由同一個部門牽頭負責。
為了達到上述各個二級指標，還可以進一步拆分。以活躍顧客數(shù)為例：
AC = RC + NC – EC
RC：留存顧客數(shù)
NC：新客數(shù)
EC：流失顧客數(shù)
于是這些指標又可以進一步分配到負責拉新和留存的職能團隊，成為這些團隊的北極星指標，由這些團隊各自牽頭負責。
負責拉新的團隊，又可以進一步把拉新指標拆分到渠道，如付費渠道、免費渠道等，進行下一級的核心指標定義和目標制定。
同樣地，下一級負責付費渠道的職能團隊或人員，則可以進一步拆分到具體渠道，如網(wǎng)盟、SEM、應用商店等，進一步制定各個渠道的具體目標。如此層層往下，直到直接可控的最下一層。
以此類推，產(chǎn)品和運營負責的轉(zhuǎn)化率指標，則可以沿轉(zhuǎn)化漏斗拆分為首頁到商詳、搜索到商詳、商詳加車率、購物車結(jié)算率、支付成功率等，通過逐層遞進的拆分具體到各個團隊進行分解，成為各自的北極星指標。
對于各個職能部門／團隊來說，自己所負責的這一級指標以及下一級指標情況，應當成為常規(guī)數(shù)據(jù)報表的監(jiān)控內(nèi)容，由此制定報表格式，向BI部門提出數(shù)據(jù)需求。
站在宏觀維度來看，三級指標的達成可以確保二級指標的達成，二級指標的達成可以確保頂層指標的達成，從而為業(yè)務目標提供保障。因此，指標體系的合理拆分和嚴密監(jiān)控糾偏對公司目標實現(xiàn)至關重要。
2. 指標監(jiān)控頻度
常規(guī)數(shù)據(jù)報表的周期通常為日報、周報、月報、季報。實時數(shù)據(jù)監(jiān)控通常為應急響應需要（如故障宕機、突發(fā)事件處理），而半年報、年報則大多為業(yè)務結(jié)果的統(tǒng)計，周期過長，發(fā)現(xiàn)的問題及響應過慢，通常不在常規(guī)數(shù)據(jù)報表的范圍。
每個業(yè)務單元都具有各不相同的特點，需要進行有針對性的數(shù)據(jù)統(tǒng)計頻度設定。下面以產(chǎn)品和運營層面對轉(zhuǎn)化率的監(jiān)控為例：
實時監(jiān)控
在大促期間觀察活動效果，流量變化迅速，高峰此起彼伏，爆品庫存時有告罄，此時數(shù)據(jù)觀察應當精確到最小顆粒度甚至實時監(jiān)控數(shù)據(jù)曲線，對數(shù)據(jù)體現(xiàn)的問題（如售罄、宕機、技術故障、黃金資源位單品滯銷、頁面陳列錯誤、價格設置錯誤導致的波動等）迅速響應，優(yōu)化促銷品及資源位，并使用賽馬機制，調(diào)整會場流量分發(fā)，以把大促效果推到極致。
日報表
對于日常促銷活動，可以以天為單位，對促銷品類和促銷方式在整體轉(zhuǎn)化漏斗中的表現(xiàn)進行觀察，定位問題點并迅速進行針對性優(yōu)化；如換品，換促銷規(guī)則，更新活動頁／活動欄目，配置促銷標簽等，以達到最佳活動效果。
周報表
運營方面，例如首頁或頻道運營，可以以周或月為單位，通過各板塊CTR、停留時間、商詳?shù)竭_率、加車率、轉(zhuǎn)化率、復訪頻度等維度觀察欄目用戶的興趣指數(shù)，對于薄弱環(huán)節(jié)通過數(shù)據(jù)進行深入分析（如用戶動線跟蹤、區(qū)域點擊熱度分析、跳失分析等），并適當結(jié)合用研的定性定量深訪對頻道入口交互設計、頁面信息架構(gòu)設計、頻道子欄目鋪設、信息展示、營銷文案等進行優(yōu)化，以達到最佳效果。
月／季報表
移動時代受到移動端發(fā)包頻度的限制（大多為每兩周到一個月發(fā)一個包），高度依賴技術功能的核心指標往往以月或季為單位進行統(tǒng)計。
例如，對于核心轉(zhuǎn)化漏斗模塊的功能迭代和新產(chǎn)品模塊的效率效果，可以以月或季為單位（與技術發(fā)版周期和新欄目用戶教育養(yǎng)成周期有關），結(jié)合季節(jié)性因素，縱向?qū)Ρ韧群铜h(huán)比相應數(shù)據(jù)的波動，找到可以發(fā)力優(yōu)化提升的環(huán)節(jié)。
運營動作一般帶來較快速的數(shù)據(jù)響應，側(cè)重于日報、周報對運營的指導；而產(chǎn)品動作一般受技術發(fā)版影響，數(shù)據(jù)響應周期適中，更偏重月或季為周期的報表，但都謀求發(fā)現(xiàn)問題后迅速響應。
年報總體來說可能更適用于公司戰(zhàn)略和業(yè)務線的財務考量，除了成果和得失總結(jié)，產(chǎn)品和運營側(cè)的使用相對較少。
上述是針對轉(zhuǎn)化率的舉例。
如果是用戶運營和增長，同樣可以根據(jù)頻度對用戶的渠道來源和激活情況、傳播效果（短周期，如天或周）、活躍度、品類滲透率、交易情況、人均價值（中周期，如月）、留存率、流失返回率、生命周期情況（長周期，如季或半年／年）進相應的數(shù)據(jù)報表制定和監(jiān)控，并觸發(fā)響應的調(diào)整動作。
最后，在報表制定時，建議不要把太多級別的數(shù)據(jù)放在同一個報表上，造成數(shù)據(jù)的汪洋大海，表格過度復雜，也會迷失專注點。通常一個報表含兩級指標為最佳。
例如，一級指標的報表只含一、二級指標數(shù)據(jù)，對于一級指標的波動從二級指標進行觀察，找到波動原因。如果需要繼續(xù)深入，建議另外定制二級指標報表，含二、三級指標數(shù)據(jù)。以此類推。
四、專題分析
工作中常會碰到一些突發(fā)異常情況，例如某階段用戶轉(zhuǎn)化率大幅波動、交易金額飆升或銳減、某欄目CTR暴跌等，再或者觀察到某些趨勢性的變化（如消費者導購偏好演變、品牌消費趨勢變化）。此時通常會進行專題性分析，以明確下一步解決問題的思路。
 1. 專題分析觸發(fā)原因
專題分析主要由如下情況觸發(fā)：
a. 在數(shù)據(jù)報表中，我們常?？吹揭恍┖诵臄?shù)據(jù)指標產(chǎn)生波動，當波動范圍超過一個預定義的警戒閾值時，就應該觸發(fā)分析（無論正向的還是負向的波動），以理解波動背后的原因，并采取相應的對策。
多大幅度的波動值得觸發(fā)分析因指標本身特性對應的業(yè)務敏感度而定。閾值設置沒有固定規(guī)則，大家可以根據(jù)影響的承受力來設定。這里有一個常見錯誤，就是對正常的小幅波動太過敏感，觸發(fā)頻繁的分析，最終卻沒有有價值的發(fā)現(xiàn)，屬于自然波動，浪費了人力。
什么是正常幅度的波動，可以對一個大時間段的同一指標進行同比環(huán)比的統(tǒng)計后判斷。
例如，上圖是我們在某五周期間觀察到到流量按時間段到分布情況。大家仔細看下有什么異常？
猜對了，0點出現(xiàn)大流量！9點，14點，19點的流量峰值符合移動端用戶在早晨通勤時間、下午回到座位、傍晚通勤時間的訪問規(guī)律。但0點出現(xiàn)如此之大的流量，十分異常，就應當觸發(fā)專題分析。
b. 在數(shù)據(jù)報表中，數(shù)據(jù)體現(xiàn)出某個同趨勢性的連續(xù)變化，例如，連續(xù)7次正向或負向的增長。此時，即使還沒有達到預設的異常警戒閾值，都應當進行分析，以理解趨勢背后的原因。
可能有同學會問，為什么是7次呢？
其實這不是絕對的，當一個連續(xù)趨勢出現(xiàn)時，同向的數(shù)據(jù)點越多，表明背后有某種非偶然因素的可能性越大。從統(tǒng)計學角度，如果是偶然因素導致連續(xù)7個點往同一個方向發(fā)展，可能性只有1/128，大約為8%。因此，7點同趨勢變化背后存在非偶然因素的置信度已經(jīng)足夠高了。如果是特別關鍵的指標，連續(xù)5個點同向發(fā)展（97%的確定性）也許就該進行分析了。想要深入了解的同學可以搜索“7點原則”，查閱PMP或者統(tǒng)計學有關的理論知識。
當然，背后應當去除已經(jīng)理解的影響因素，例如越來越靠近春節(jié)時流量持續(xù)下滑，或者接近換季時新一季的服裝銷售持續(xù)上升，都是正?，F(xiàn)象，除非波動過大嚴重脫離同比情況，否則這樣的趨勢并不值得浪費人力進行分析。
c. 對某個數(shù)據(jù)背后的原因感興趣，需要分析和理解該數(shù)據(jù)背后蘊含的信息。這個和數(shù)據(jù)的波動本身沒有關系，只是深入去理解數(shù)據(jù)背后的原因或因素。
例如，分析為什么在平臺上第三方商家的流量達到48%，以制定更平衡的流量分發(fā)策略來扶持自營或第三方業(yè)務；分析為什么付費渠道來源的用戶占比偏低或單客成本過高，以做更精準更高性價比的流量采買投放。
2. 專題分析常用方法
簡單概括，專題性分析的主要做法是，按多個維度全面對波動數(shù)據(jù)指標的下層構(gòu)成進行拆分，觀察對比各個下層數(shù)據(jù)，找到在哪個細分維度出現(xiàn)異常波動，并鎖定該維度，層層遞進，深入分解，直到最終找到答案。
在拆分到下層維度過程中，需要考慮從多個角度出發(fā)，反復對比。例如，如果某一周發(fā)現(xiàn)轉(zhuǎn)化率產(chǎn)生異常波動，可以按如下維度進行拆分觀察：
維度一：商品品類
拆分到各個品類，觀察是否由某個品類的轉(zhuǎn)化率大幅波動帶動了整體轉(zhuǎn)化率的波動。
案例1：
某一周我們發(fā)現(xiàn)全站轉(zhuǎn)化率飆升近2%，通過二級報表對各品類轉(zhuǎn)化率進行觀察后發(fā)現(xiàn)，轉(zhuǎn)化率波動主要出現(xiàn)在美妝品類。進一步對美妝品類各SKU的銷售進行觀察，發(fā)現(xiàn)潔面儀、水牙線、和某款面膜等三個商品短時間銷量巨大。這三個單品的上線價格遠比京東和天貓更為低價，并與市場部確認，市場部有在“什么值得買”網(wǎng)站進行投放，導致大量用戶涌入，銷量激增，通過這三個熱銷爆款的銷售推動了全站轉(zhuǎn)化率的波動。
案例2：
有一次服裝線的采銷對某品牌服裝在設置促銷券時忘記設置互斥，導致用戶可以反復領券和疊加用券。而該技術漏洞被人在烏云平臺所披露，導致大規(guī)模的用戶和黃牛涌入搶購，零元購買，極短的時間里賣出數(shù)千件，造成轉(zhuǎn)化率瞬時飆升。因為人工設置價格和促銷時錯誤難以絕對避免，此類問題在各個電商平臺時有發(fā)生。
維度二：用戶群體
拆分到各個用戶群體，觀察是否由于某個用戶群體的購買情況變化造成了轉(zhuǎn)化率的波動。注意用戶本身就可以按很多個維度拆分：
性別
地域：省、地區(qū)
消費價格段：高、中、低價格段
消費風格類型：例如時尚人群，母嬰人群，數(shù)碼控，閱讀愛好者，家庭主婦……
案例3：
某一周的數(shù)據(jù)觀察中我們發(fā)現(xiàn)全站轉(zhuǎn)化率的飆升，通過地域和品類的分析，發(fā)現(xiàn)是由于華東地區(qū)高溫，導致空調(diào)風扇等商品在華東的銷售飆升，推高全站轉(zhuǎn)化率。北京地區(qū)霧霾爆表也曾導致凈化器、口罩等商品在北京地區(qū)銷售猛增。
維度三：渠道來源
拆分到各個用戶來源渠道，按渠道對應的銷售情況進行觀察。
例如，有時轉(zhuǎn)化率大幅提升，分析發(fā)現(xiàn)是因為市場部在某些導購網(wǎng)站的黃金資源位進行了爆款投放，從該渠道產(chǎn)生了巨大的流量和銷售進而推高了整體轉(zhuǎn)化率。當然部分渠道的刷單現(xiàn)象也常常會引起整體轉(zhuǎn)化率波動。
維度四：轉(zhuǎn)化漏斗
觀察首頁到商詳，商詳?shù)劫徫镘?，購物車到結(jié)算，結(jié)算到支付等轉(zhuǎn)化漏斗環(huán)節(jié)的細分轉(zhuǎn)化率的變化情況。
案例4：
有一周轉(zhuǎn)化率低于警戒值，通過漏斗分析發(fā)現(xiàn)支付環(huán)節(jié)成功率大幅下滑。對支付渠道進行分解后發(fā)現(xiàn)某銀行渠道的支付成功率下降到零。與該銀行溝通后確認，該銀行對支付接口進行了升級，升級版本存在問題，導致該支付渠道支付失敗，導致整體轉(zhuǎn)化率產(chǎn)生波動。
案例5：
有一次技術團隊上線新版本后，發(fā)現(xiàn)轉(zhuǎn)化率下跌，通過漏斗分析發(fā)現(xiàn)，在新用戶注冊環(huán)節(jié)有較大的注冊成功率下降。進一步通過注冊流程的分析，看到產(chǎn)品功能上增加了一步強制實名認證，導致部分用戶在這一步由于各種考慮而放棄了注冊。在與產(chǎn)品經(jīng)理溝通后把實名認證改為可跳過，改為在后續(xù)階段進行引導認證。這一步改變使注冊成功率得以恢復，問題解決。
維度五：設備平臺
觀察iOS，Android，PC，Web等各個平臺以及各個app版本的轉(zhuǎn)化率情況。例如，我們有時發(fā)現(xiàn)，新發(fā)的Android包存在技術故障，導致用戶大規(guī)模登錄失敗，進而影響整體轉(zhuǎn)化率。
維度六：銷售渠道
很多平臺會對接下一級分銷渠道，各個渠道的銷售情況變化也會帶來整體轉(zhuǎn)化率波動。有時某個渠道進行了效果極佳廣告投放，會重大促進該渠道的銷售，進而影響整體轉(zhuǎn)化率。
維度七：流量或銷售時段分布
拆分到各個用戶來源渠道，按渠道對應的銷售情況進行觀察。
例如，有時轉(zhuǎn)化率大幅提升，分析發(fā)現(xiàn)是因為市場部在“什么值得買”的黃金資源位進行了爆款投放，從該渠道產(chǎn)生了巨大的流量和銷售進而推高了整體轉(zhuǎn)化率。當然部分渠道的刷單現(xiàn)象也常常會引起整體轉(zhuǎn)化率波動。
案例6：
有一次轉(zhuǎn)化率下降報警，數(shù)據(jù)分析表明銷售情況在用戶、渠道、品類等方面都分布均勻。最后產(chǎn)品經(jīng)理與BA聯(lián)合排查，發(fā)現(xiàn)在0點到7點之間有大流量出現(xiàn)，并且流量集中在整點剛到時爆發(fā)，由此基本可以推測這些流量并非真實顧客，而是某種程序腳本整點觸發(fā)導致。最后與技術團隊跟進分析，確認是某搜索引擎爬蟲開始集中爬取平臺商品、價格信息。
維度八：用戶賬號或商戶
有時某個商戶，或某些用戶，出現(xiàn)異常大規(guī)模訂單，導致整體轉(zhuǎn)化率、單均價等出現(xiàn)巨大波動（此類現(xiàn)象往往是刷單導致）。通過按商戶或用戶賬號的銷售情況拆分，可以發(fā)現(xiàn)此類問題。
在我和數(shù)據(jù)團隊所做過的實際的分析中，以上八種維度都經(jīng)常發(fā)現(xiàn)問題。并不排除還有更多維度，大家可以按自己的業(yè)務特性進行類推。
以上只是對轉(zhuǎn)化率進行分解分析的一個例子。任何一種指標通常都可以向下拆解，直到最后發(fā)現(xiàn)問題所在，而上面列舉的八個維度，通用于絕大部分的線上狀況分析。
具體的做法是：按各個維度對指標拆分到下一級后，觀察下級各維度指標是否均勻體現(xiàn)該波動。如果是，則基本可以排除是該維度的因素所導致。對同級的各個維度逐一拆分觀察，通常會發(fā)現(xiàn)某個維度下的某個次級指標劇烈波動，鎖定該指標，再次對其下層指標進行分解觀察，層層遞進，最終可以找到結(jié)論。
以上。
--END--


掃碼即可加我微信
老表朋友圈經(jīng)常有贈書/紅包福利活動
新玩法，以后每篇技術文章，點贊超過100+，我將在個人視頻號直播帶大家一起進行項目實戰(zhàn)復現(xiàn)，快嘎嘎點贊吧！?。?/span>
直播將在我的視頻號：老表Max 中開展，掃上方二維碼添加我微信即可查看我的視頻號。

大家的 點贊、留言、轉(zhuǎn)發(fā)是博主的最大支持。


學習更多：
整理了我開始分享學習筆記到現(xiàn)在超過250篇優(yōu)質(zhì)文章，涵蓋數(shù)據(jù)分析、爬蟲、機器學習等方面，別再說不知道該從哪開始，實戰(zhàn)哪里找了
“點贊”就是對博主最大的支持