當指標下跌，該如何進行分析？【珍藏版】
- 2019 年 12 月 9 日
- 筆記
提示：這是一篇超長硬貨，建議先保存，之後反覆看
「當XX指標下跌時，你會如何進行分析？」XX包括但不限於銷售額、用戶數、活躍率、ROI等等。這個問題是一個面試時經常遇到的問題，也是日常工作中很常見的一個問題。可同學們在回答的時候，經常丟三落四，似乎不管怎麼講都講不全。在日常工作中，也經常被業務方糾纏。屁大一點波動也讓你分析一下，分析完了又嫌棄：「我早知道了！」。今天我們系統性講解一下，該如何應對這個問題。
解讀指標波動的大原則
首先要明白一點：單純靠數據分析，不可能100%理清所有原因。真實的問題原因往往需要數據分析+市場調查+一線走訪+行業研究共同努力才能鎖定的。數據分析在解析原因上，更大的作用是定位問題而不是解答問題。想要解答問題背後的業務邏輯，市場調查要有用得多。
其次，業務出現波動是很正常的事，哪天不動了才是見鬼了。所以日常會經常碰到類似問題。第一順位要解決的是判定問題的輕重緩急。這樣才能在時間和精力都有限的情況下，選擇合適的方法。如果每一個問題都要深入徹底分析，就會浪費大量人力精力，耽擱其他工作。數據分析工作也要講投入產出比的。
最後，很多時候其實真實的原因很難100%解析出來，但對業務來說，也不需要100%解析原因才能行動。對業務方而言，在特定的時間內，可以調整指標的方法是非常有限的，只要信息量足夠支持行動就行了。
以銷售指標波動為例，影響銷售指標的原因有一大堆（見下圖）
其中：顧客態度非常難量化，需要調研支持；外部競爭，行業景氣這些需要行業研究。而產品賣的不好，到底有百分之多少歸罪於用戶，百分之多少歸罪於銷售，百分之多少歸罪於營銷，很難完全剝離清楚。可能還得上個ABtest測試一下。如果每一次波動都這麼折騰去找原因，公司就可以關門了。
與此同時，改善指標的方法卻非常有限的：
- 如果時間是一天，只夠在門店做個商品堆頭
- 如果時間是一周，可以做業務員話術培訓
- 如果時間是一月，才考慮拉動銷量的活動
- 如果時間是季度，才足夠調整產品線布局
- 如果時間是一年，才能策劃新產品
所以判定了問題的輕重緩急之後，在有限的時間內幫業務部門找到應對策略，改善局面才是最重要的。指標能改善回來才是終極目標，探索宇宙真理不是終極目標。這是企業里做分析和大學裏做研究的根本區別。
小結一下
分析指標下跌的時候，本着：清晰情況 + 突出重點 + 夠用就行的三原則，就能應付實際工作中各種場景。分析指標下跌並不是下鑽的越多越好，並不是找的指標越多越好，並不是事事都得上ABtest。在能滿足業務需求的情況，盡量依靠日報、周報、月報等固定報表解決戰鬥。盡量把專題分析留給真正有意義的話題，而不是每天對着這鑽來鑽去。
判斷指標下跌的輕重緩急
第一步：確認數據沒有異常。實際上因為數據源出問題，導致的指標異常非常非常多，具體的可以參見做埋點、ETL、數倉的同學們的各種吐槽。所以遇到問題第一順位先確認數據沒有錯，不要報假警。
第二步：確認指標波動幅度。這是確認問題的輕重。常見的指標，比如銷售額/新用戶數/活躍率等等，其波動是有一定範圍的，根據歷史經驗可以劃分為輕中重。在數據真實的情況下，一般重度波動都是有明顯跡象的。比如受政策影響要停止某些業務，公司主動關停業務，春節/十一等假日因素。所以對於重大變化，事先要設好預期值，這樣看數據的時候，就不會一驚一乍。對於嚴重超出預料的情況才做重點跟進。
第三步：確認指標波動持續時間。這是確認問題的緩急。指標下跌/上升，通常有三種形態：
- 一次性變化：只在某個時間點發生波動。一次性變化背後的一般都是短期/突發事件，比如系統down掉導致無法交易，比如某一天突然下大雨，比如某天上大促銷等等。
- 周期性變化：會周期性發生，比如每周的工作日和周末。一般業務開展都有周期性，比如零售行業，就是以周為單位循環。工作日和周末就是有明顯波動。
- 持續性變化：從XX時間開始，一直出現上升/下降趨勢。持續性變化背後往往是深層次的原因，比如用戶需求轉移，行業繁榮/枯萎，渠道形態變遷等等。這些都是單一企業很難低檔，只能跟着走的力量，所以才會顯示出持續變化。
這三種形態本身意味着問題的嚴重性不同。如果是指標下跌的話，持續性下跌≥一次性下跌≥周期性下跌。如果是周期性下跌，一般都不需要大驚小怪。如果是一次性下跌，往往來的猛去的也快，要關注事件持續性。持續性下跌，特別是不見好轉，一路大牛市的下跌，持續的時間越長問題越嚴重。
單純看走勢並不能嚴謹解釋問題，要和波動幅度結合起來看。比如同樣是周期性下跌，如果本周期的數值明顯比上周期跌的更厲害，就得注意，可能在周期性變化背後隱藏了其他問題。同樣是一次性下跌，如果相同事件下，跌越來越厲害，就說明隱藏有其他問題。有些看似一次性事件，帶來的影響可能持續發酵，最後演化成持續性下跌。持續性下跌中，可能每一期跌幅都不大，但放長線看，就會發現累積跌幅特別大，這時候問題嚴重性就更高。
很多業務部門會在這裡犯錯誤。比如一說為什麼二月份銷量下降，就理所當然的認為是春節影響，沒有認真計算其實今年春節後恢復速度大大慢於往年。一看上促銷有銷量，就急着慶功，沒有計算促銷前的蓄力期和促銷後的疲軟期越來越長，很有可能平台的用戶已經出現了結構性變化，忠誠用戶越來越少。這些都是一味憑經驗辦事，不細緻看數據的惡果。
做數據分析的同學們，往往會犯相反的錯誤，還沒有判斷輕重緩急，聽到要分析XX指標下跌就急着提取一大堆數據。既浪費時間，又沒有什麼分析假設，結果大海撈針一樣空費氣力。
不同輕重緩急，不同分析手段
重+急：趕緊打電話向相關部門確認，之後向領導彙報。如果真的短時間內發生重大問題，慢慢寫代碼分析本身就是貽誤戰機的行為，就像火災來了不去打119，還在這認真分析哪裡起火了，火大不大一樣腦殘。這時候趕緊先確認數據有沒有問題，不能報假警。之後抓起電話趕緊向相關部門反饋。
重+緩：對於長期存在的重大問題，要深入分析才能找到癥結，這時候就得慢慢來，做多角度多維度的分析，而且分析結論要放回到市場調查、一線走訪、行業研究里去相互驗證，這樣才是從根上解決問題的辦法。不然分析完一版，業務並不覺得好用，最後還是白費力氣。
輕+急：不嚴重但是突發問題，先鎖定問題點。因為問題本身並不嚴重，如果全面做檢查，很有可能被淹沒在平均值的計算里。去平均化，把真正問題嚴重的點暴露出來，這樣後續分析才能深入。
輕+緩：這時候不用急着取一堆數據，問題本身不嚴重，取了也對比不出來所以然，可以再觀測一段時間再說。
要注意的是，到目前為止我們沒有談到任何專業的分析方法或者技術，只要盯着一根銷售曲線或者用戶數曲線，做一些簡單的同比，環比就夠了。這就是傳說中的數據敏感性。看到指標曲線開始下跌，敏感性高的話會先對走勢進行解讀。這一點後續我們還有專門的分享。
有了輕重緩急的判斷，下一步就可以縮小懷疑範圍，建立分析假設。之前我們說了，單純依靠數據很難把原因搞清楚，但當我們縮小問題範圍的時候，就更容易找到問題源頭。而建立假設，有助於去偽存真的進行驗證，進一步逼近真實原因。
縮小懷疑範圍，建立分析假設
角度一：事件
往往重大的變化都伴隨着重大事件的發生。因此反映在數據上，往往表現為在事件發生後，指標應聲而落。這樣即使不需要嚴謹的分析，只要在指標走勢圖上標識出事件發生的先後順序，都能看出事件的影響。
事件可分為內部事件和外部事件。嚴格區分兩種事件的影響是個很巨大的分析工程，而且很有可能壓根區分不了。但內部外部事件對指標的影響方式與效果是不同的。外部宏觀事件我們常用PEST來分析，P影響一般是致命打擊，直接把指標打崩，把業績搞停。而EST的影響更多是漸進的、緩慢的、基礎的、結構性的，因此表現在指標上，更多是陰跌不止。內部事件往往能短期內快速改變指標，所以在解讀指標變化的時候，可以按這個簡單原則進行：泰山壓頂看政策，短期變化找內因，長期異動找外因。
一定時間內同時發生的事件可能很多，要特別關注三類：
- 起點事件：指標剛開始下跌時，發生了什麼事；往往起點事件是問題發生的直接原因。
- 拐點事件：在指標持續下跌過程中，是否某個事件的出現，讓問題變得更嚴重，或者開始轉暖。拐點職業意味着，這是可以改善指標的手段。
- 終點事件：當XX事件結束後，指標恢復正常。或當開始XX事件後，指標下跌結束。終點事件的兩種形態，代表着兩種改善指標的方法：等問題自己過去，或者主動出擊解決問題。
我們可以把事件標註在指標變動趨勢圖上，這樣可以清晰的看到事件與指標的關係，從而更好地縮小懷疑範圍，細化分析假設。找到那些看起來像是核心問題的事件進行深入研究。
有趣的是，在指標變動趨勢圖上標事件這件事，業務部門也會幹，而且很多業務部門會直接依此下結論。比如天氣一下雨銷量就跌，一調價銷量就漲。他們就想當然的會說：就是這個原因。這是一種很經驗主義的做法，可能會忽視很多結構性的問題。對做數據分析的同學而言，對於非十萬火急的問題，其實這麼做也無妨大雅。既然大家都這麼認可，我們也省省精力。可以精選一些重+緩的問題，深入分析，找結構性變化的原因。這樣既顯得我們有價值，又顯得我們懂業務。
角度二：區域
區分問題發生的區域/渠道，也可以縮小假設範圍。比如看起來整體銷售業績下跌了30%，是否所有門店，所有區域都是30%，有沒有還在漲的，有沒有跌的更慘的，還在漲的/跌的慘的是不是有規律（門店位置、店長資歷、開店時間、銷售的產品線、存量客戶群體……）通過分類對比，可以幫我們更容易找到問題發生點。
這麼干還有個好處：為解決問題找標杆。比如在整體銷售業績下滑的情況下，有些省份/地市的門店可以做到不下滑，很有可能他們有獨特的手段可以應對問題。比如在整體流量減少的情況下，有些渠道仍然能供應優質流量，很有可能意味着新的機會。因此可以通過對比不同區域的數據，把表現相對好的也標出來，這樣未來尋找解決方案也有了依據，不用自己憑空拍腦袋想辦法。
需要注意的是，很多做分析的同學在這一步就直接下結論，大標題寫「各地區銷售問題分析」，然後給個答案是：因為ABC地區銷量差，所以拖累大盤。這種分析是很容易引來：「我早知道了」的吐槽的。因為這只是找到了問題發生的地點，沒有真正切入問題原因，真正影響零售的是外部內部，是人貨場，不找到真正的問題根源，是不能說「問題原因是XXX」這句話的。
角度三：群體
同區域類似，可以區分不同的客群進行切入，看是否不同客群間有差異。產品線也可以做類似的區分觀察。一般傳統企業沒有完善的CRM，缺少客戶ID，所以從產品線+區域的角度切入的比較多。互聯網企業更關注用戶群體，從用戶角度切入的多。
這裡引發了一個問題，比如當我看到區域、客群、產品線的時候，有可能都存在組間差異，該先從哪個維度切入呢？原則上講，應該按行業的業務特性來，比如傳統企業就是要先看區域再看產品。互聯網企業就是習慣性先看用戶。如果沒有業務理解的話，那就看哪個組間差異大，從明顯的問題切入。
截止到這裡，字寫了很多，可實際操作的時候非常輕鬆。因為以上所有分析只要基於一張指標日報和有分渠道/分用戶群兩個維度的日報就能搞掂。難點不是跑一個神奇的指標出來，而是去認真解讀指標曲線走勢，如收集和指標相關的數據。
在條件允許範圍內，深入分析
鎖定問題點以後，我們會有很多問題假設：
本次指標下跌是因為
- 新品不給力
- 銷售不會賣
- 渠道缺配合
- 競品太兇猛
等等
之後可以根據時間、資源的條件來深入分析了。如果時間緊，可以直接打電話聯繫一線確認問題，然後把那些做的好的標杆經驗直接複製出來。如果時間寬裕，互聯網企業可以做ABtest，嘗試剔除一些干擾因素。傳統企業可以做試點，丟一些樣板店下去看效果。總之有了明確的假設，驗證假設的速度就很快，找優秀標杆的速度也很快。前邊所有的工作都是在為這一刻鋪路。基礎工作做紮實了，後續才越做越輕鬆。
為什麼要講這麼多
這一篇的長度又破了陳老師的進度。熟悉陳老師的同學都知道，陳老師一向懶得寫長文。為什麼這個看似簡單的問題卻寫了這麼多？是因為：解讀指標才是數據分析師的看家本事，而這些年過度迷信技術，沉迷可視化，沉迷阿爾法大狗子，搞得新入行的數據分析師們的看家本事的水平越來越差。無論是求職還是工作都有很多讓人尷尬的事。
比如很多同學2月份寫日報，就寫：因春節因素影響，銷量低迷。然後2月份的周報也是：因春節因素影響，銷量低迷。然後2月份的月報也是因春節因素影響，銷量低迷。這就是傳說中的三花聚頂式報表。同一句話啰嗦三遍，完全沒有任何解讀。
- 比如看到一天數據跌了，急的抓耳撓腮，結果連往前多看幾天，看看是不是周期性變化都不知道。
- 比如往前看了幾天，發現已經連續跌了6周了，結果還是繼續盯着眼前的指標繼續抓耳撓腮的。
- 比如知道往前看，問題是丫做了漂亮的曲線，然後用肉眼在看跌了多少，連計算個絕對值都不記得的。
- 比如算了分渠道/區域的絕對值，然後認為下跌5%與50%是同一類問題，在報告寫上：「所有渠道都在跌」就完事的
- 比如只知道對着數據着急，連業務方幹了什麼事都不知道的
- 比如期望能有一個人工智能算法，自動計算有幾個因素的
_(¦3」∠)_
不過這不能怪同學們，因為跟很多同學深入聊以後發現：他們的主管壓根沒教過這些……難怪，這些年很多掛着「數據分析」組長頭銜的領導，其實是做hadoop，做BI出身，寫sql出身，本身確實只有開發能力沒有分析能力。所以這一篇才特別啰嗦，希望大家能平時多練起來，日報、周報、月報是數據分析的骨架，骨頭都軟了，人也就直接廢了。
照例，這麼長的啰嗦是有福利的，陳老師把上邊拉拉雜雜所有的總結一張思維導圖，下圖左邊是確認假設，右邊是判定輕重緩急。大家在面試的時候，最好自己一邊寫思維導圖一邊說，對面試官是秒殺級的，比隨口扯幾個理由，然後被人嫌棄：講的不全，講的不到位要好的多。
