演算法工程師該如何提高數據敏感度？

• 2019 年 10 月 4 日
• 筆記

大家有沒有特別羨慕和害怕過這種人，他能一眼看出你做的PPT裡面的數據異常，隨時能提出一個數據證明你的小結論有問題，然後以一個數據問題迅速推翻你整 個報告的結論，結果就是你做了整整一個月的分析，全毀了，從頭再來。

這樣的人邏輯性極強且對你的彙報有生殺大權，最重要的是他有極強的數據敏感度。

那麼，什麼是數據敏感度？

所謂的數據敏感度，其實就是在大腦內建立了數字和業務之間的聯繫，而優秀的數據敏感度，就是能夠一眼看出數據的問題和背後可能的原因。

什麼叫一眼看出？

❖ 如果你是遊戲行業的，我告訴你這款MMORPG的次留是20%，你能知道我款產品在行業里處於什麼樣的水準，遊戲前期可能存在什麼樣的問題等；

❖ 如果你是O2O行業的，我告訴你外賣訂單量相比於昨天下跌了10%，你能很快判斷出問題的影響面和造成訂單量下跌的可能原因；

❖ 如果你是電商行業的，我告訴你我這款產品的復購率是40%，你能很快判斷出我這款產品大概是什麼類型的產品，在行業內是什麼樣的水準；

做到這程度，就叫優秀的數據敏感度。如何提升數據敏感度呢？

秘籍：熟悉業務

數據敏感度練成的基礎是一定要對業務非常熟悉，無數次的推測及驗證都是有用的寶貴經驗。

接下來我會根據分析師數據敏感度高的三個表現來給出提升數據敏感度的方法。

⒈如何快速判斷數據是高了低了還是錯了：熟記關鍵指標的大數、觀察趨勢、緊盯異常值

這種快速判斷是基於平時對業務數據的熟記與使用的，請相信每個人的記憶力有好壞之分，但是只要下功夫，熟記業務的關鍵指標，了解他們的基本規律，經過一段時間的積累，你看這些數據的時候肯定會覺得胸有成竹。

記憶數據的技巧也是有的，不需要記全，只需要把關鍵指標的大數記下來，忽略小數，每天早上養成看報表的習慣，觀察趨勢，盯緊異常數，多看一些別人是怎麼分析異常原因的案例。慢慢地，對各項數據有了基本概念之後，理解數據背後的業務邏輯關係，這樣在閱讀報表時也能很快發現異常值，及時進行追蹤。

但是對於想轉行的新人，或者說應屆生來說，這個時候還沒有接觸到具體業務的機會，怎麼辦？

對於新人或面臨轉行的人來說，這兩種類型的人都缺少對本行業的通識，第一件要做的事就是背數據，記住這個行業的行業平均數據和各項通用指標的定義，這麼做是為了對整個行業有個總體的認知。

比如遊戲行業，可以查詢應用寶、360、硬核等各家平台發布的遊戲數據，對市面上的各種遊戲類型的留存、付費等數據有一個整體的整理和記憶，比如Arppu、Arpu、次日留存、三日留存、七日留存、月留存、付費率等等。

比如電商行業，流量*轉化率*客單價*復購率這個公式則是重中之重等等。

⒉知道所有指標是怎麼來的，知道它們的意義以及相互的關係，進而判斷數據異常的原因

提升敏感度的時刻想著三個問題：

❖ 數據怎麼來的？

理解業務，分析溯源，同時也要判斷數據來源的可靠性

❖ 指標維度有哪些？

理解評估標準，不同業務有不同的關鍵業務指標，利用思維導圖積累相關業務的指標體系，多總結多問為什麼；指標體系經常用於數據細分找原因，知道數據構成才能更快地拆分數據，找到異常原因。

❖ 數據如何說明業務？

指標在業務中的應用，業務數據正常水平是怎麼樣的，受節假日或者活動營銷的影響的數據又是怎麼樣的，要多對比，結合環比同比明白數據高低的意義等。

⒊拿到數據，能夠根據分析目標很快理出分析框架，得出結論。

假如你是百度外賣的運營負責人，某天移動端的訂單量比前一日下降了5%，你的老闆要求你對這一變動做出合理解釋，你如何應答？

其次先明確指標變動的異常程度和影響面，訂單量比前一日下跌5%，是否大到必須加以重視。

以2015年百度外賣B輪融資計劃書展示的數據看，其擁有3000萬的註冊用戶，日訂單數量超過110萬，客單價可達50元左右。以此數據估算，假設2016年底註冊用戶數達到6000萬，日訂單數據量突破200萬，客單價基本不變，那麼5%的訂單量下滑意味著當日損失500萬營收。天然的單一突發事件幾乎不可能造成這麼大的損失，因此足以引起團隊的重視（這裡只是以融資計劃書的付費數據為例，實際上作為運營負責人，這些數據都是內部可直接獲取的）。

確定需要引起重視後，就需要尋求數據分析的角度，排查異常原因，我們以遊戲行業為例，分析影響數據異常變動的原因可能有哪些，這裡的思考模式其實就是金字塔結構思維模式：

先考慮全局指標：包括一定時間內新增用戶量、總體付費率、總留存率、用戶活躍度、各環節總轉化率、搜索功能使用率、翻頁率、崩潰率等。全局指標用於分析對全體用戶產生影響的共性原因，絕大部分問題都會在全局指標上體現出來；

再看分渠道指標：可以按不同用戶屬性（新老用戶）、用戶來源（下載渠道）、用戶自然屬性（地域、性別）網路環境（網路運營商、網路接入方式）等維度觀察不同渠道數據是否存在異常。

在上述兩項指標基礎上，再考慮用戶行為數據：重點觀測用戶在不同時間段、不同需求類型下的行為，從而定位到由於某一細分人群的定向變化產生的數據異常；

時間因素：外界環境的影響也可能對產品數據造成影響，因此觀測環比和同比數據都很重要。

典型如「月末效應」，即一定規模的用戶群體因月底流量耗盡而減少上網行為，造成整體流量的下滑。另外，對於一款外賣產品而言。天氣變化也會造成數據波動，通常陰雨天氣的訂單量會走高。

同樣的，「周一效應」「寒暑假效應」也是遊戲行業比較常見的效應，遊戲dau在周一往往會走低，在寒暑假往往會走高；

其他產品線監控：百度集團旗下的其他產品線變動也可能成為造成訂單量下滑的原因，例如91應用市場改變了App廣告的展示位置，或是搜索引擎的演算法調整降低了網民常用關鍵詞的權重等（通過下載來源的分渠道數據可以明顯看到哪個下載來源的數據有減少）；

輿情監控：包括但不限於通過人工或機器方式，從內部回饋渠道如客服系統到論壇、貼吧、微博、朋友圈等處採集大眾對產品的實時意見。極有可能因此發現導致產品數據驟然降低或飆升的特殊輿情，如競爭對手有了哪些動作、母公司運作重大紕漏等；

定位到具體的問題和原因後，給出對應的結論和解決方案，比如修復某個bug，針對競爭對手的營銷策略做出同等力度的折扣反擊等。

分析出問題原因只是第一步，提出解決問題的方案才是最關鍵的。