产品运营中出现数据异常情况就从这几点查很快找到原因(完整版)

要处理数据异常,我们要先知道什么是数据异常,首先要有数据,才能知道什么是“异常”。

百度百科的解释是:指非正常的,不同于平常的。比方如突然的涨,突如其来的跌。数据涨跌是我们在日常工作中,最容易被发现的现象,也是我们平时工作中要去分析的。

也就是说,平时数据没有波动,也许我们不需要去分析,但是如果数据有涨或者跌我们都需要去查出原因的。

一、为什么涨和跌都要关注?

相信很多朋友跟我一样,起初接触到数据,我只关心跌,为什么昨天的数据跌了?并去分析其原因,也会关心涨,但并不关心为什么涨,就像买股票一样,跌了痛心疾首,并分析原因,涨了满心欢喜,后悔自己为什么不买入多一点儿。

在数据分析的过程中,我们不仅仅要关心跌,以便采取相应动作,减缓跌的趋势,也更要关心涨,弄清楚涨的原因,并放大它,或者说是复制它!

在数据分析的过程中,一定要搞明白每一次数据涨跌的原因。

一、数据异动分析方法论

面对数据异常通常有五步:

(1)发现异常

就像你发现昨天数据跟往前不一样,猛涨了还是猛跌了,通过观测数据发现异常。

(2)确定问题

发现异常之后,我们要确定这个异常是不是一个问题,有多严重,这里呢我们可对按照第一篇讲的对比分析法那篇文章里的方法,从时间维度上进行周同比、月同比或者是年同比。

(3)确定原因

用咱第二篇讲的多维度拆解法,对于这个异常的指标从不同的维度去拆解,找出原因。

(4)针对性解决问题

找到原因之后,就是针对性的解决问题了,根据问题的原因,动用公司的相关资源,去解决这个问题。

(5)执行

最后呢,就是把解决方案执行出来,把这个异常数据真正的从异常到执行,完成一个闭环。

下面呢我们来结合一个案例,讲一下这五步怎么走。

二、案例解析

举个栗子:你近期入职了某互联网公司,公司的业务方向是做陌生人社交的,在处理数据的过程中,你发现在你入职的前一天,数据是异常的,特别想分析出原因是什么?那如何操作?

下面咱们一起来按照上面的方法论进行分析吧:

第一步,发现问题:上面说了你已经发现某一天的数据异常了。

第二步,确定问题:数据跌了那么多,问题是不是很严重呢?往期有没有这么大的浮动?我们来运用第一篇讲的对比分析法来看看周同比等数据。

数据异常如何分析?

数据异常如何分析?

由上图的周同比可以看出,往期是没有这个问题的,那说明这是一个严重的个例,这表示这一天确实发生了什么。那下面咱们来用第二篇文章讲到的多维度拆解法来确定原因。

第三步,确定原因:那是不是哪个省份出了问题呢?

下面我们按省份进行查看,看是不是某一些省份的数据出了问题,由下图可以看出,这次数据的猛跌是全国范围内的,基本上所有的省份都有下迭。这里咱排除了某个区域下跌的原因。

数据异常如何分析?

那是不是设备出问题了呢?

下面咱再来看不同操作系统的数据有什么不同,由下图可以看出安卓和iOS在这天出现了下跌。所以,我们排除了设备出问题的情况。

数据异常如何分析?

那是不是服务挂了呢?咱们按小时或者分钟来查看,看数据是不是符合平时流量规律?

数据异常如何分析?

通过上图我们可以看出,在这一天的0:01分,平台的数据为0,出现了断崖式下跌,我们是一款陌生人社交产品,以往这个时候活跃用户还是挺多的啊,由此可以看出,这一天的数据异常确实是因为服务挂了。

第四、五步就一起说啦,由上图可以看出,服务挂了,相关负责人及时确定了问题,并针对性的解决了问题,且执行了下去,因为在零晨1点左右数据又恢复了正常。

以上5步看起来简单,但是它是基于你对自己的业务要有所洞察的基础之上的。你只有对自己的业务有所洞察,有以往的经验,你才能做出这些判断 。

如果对自己的业务不了解,给你再多的数据或者是工具,抑或是方法论,都是没有用的。所以,建议大家把这个方法用到工作中,不断的积累,不断的验证。

通过上面的案例解析,你有没有发现,在确定问题时,咱们提了很多假设,往期有没有这个问题?是不是哪个省份出了问题?是不是设备出了问题?

其实数据只是验证咱们想法的支撑工具,首先需要有一个假设。

当然,就像前面所说,这些假设是基于你对业务了解的基础之上的,在这个过程中,你需要不断的去试错,不断的积累你的行业及业务的洞察,才能做出这些假设。

虽然说假设是基于对业务的积累,但还是有一些常见的假设的,如果你能掌握下面这几种假设,通常能解决你工作中关于数据异动的大部分问题。

三、那常见的假设有哪些呢?

常见的假设有下面五种:

(1)活动影响:查对应活动页面及对应动作的数据波动,关注活动是否有地域属性。

通常咱们的市场或者运营会去做一些活动,所以如果数据出现问题,先看看PV、UV等数据,看是不是活动的影响。

(2)版本发布:将版本号作为维度,区分查看。

有时候数据出现异常也有可能是新版本的发布带来的波动,所以咱们也可以把版本拎出来看,如果发布的是V1.5,我们可以对比着看看V1.3、V1.4这三个版本数据,看是否正常。

(3)渠道投放:查看渠道来源变化。

WEB端的渠道来源有很多很多,但是像APP就有点困难,这时咱们可以看看新增的渠道来源,来看看变化影响。

(4)策略调整:策略上线时间节点,区分前后关键指标波动

工作中我们会经常改变策略,比如说搜索策略,推荐策略等等,但是呢策略改变之后上线,它肯定有上线时间节点的,这时候咱们可以把这个时间节点像刚才讲的案例那样,拆分成分钟来观察。

(5)服务故障:明确故障时间,按时间维度进行小时或者分钟级别进行拆分

通过上面的案例你也可以看出来,服务故障出问题是有一个明确时间的,按照上面案例讲的方法来观察,按分钟来查看,看有没有出现断崖式下跌,这个时候咱们就可以明确是不是服务出现了故障。

好啦,数据异常如何分析这篇文章到这就完结啦,下面是本篇的思维导图~

数据异常如何分析?

数据分析有哪些价值呢?

像DAU/MAU这样的数据指标,直接去看就可以了,但是如果你的DAU昨天突然下跌了20%,你看到了这个结果,那它为什么下跌?下跌的原因是什么呢?如果你要找出下跌的原因就没有那么直接明了了。

上面我们说到下跌,那什么样的数据能告诉你下跌的原因呢,如果你的工作中涉及到数据分析,你肯定会遇到类似的问题。

举个栗子:你在互联网上有个菜铺,菜铺从浏览到消费的转化率一直很低,那到底该优化哪里呢?如果你要投放广告该怎么选择对象人群呢?

这些问题不是一个简单的指标就能告诉你该怎么做的,真正支撑你的工具或者数据也并不能直接帮你解决这些问题,你需要做的是将上面遇到的问题和你的数据建立一种关系的,然后通过一些分析方法和分析工具,让你在遇到问题时知道:我该选择什么样的分析工具或分析方法去解决实际业务中遇到的问题。

下面呢我们先讲讲对比分析法~

对比分析法

数据分析的最终目的是对现实的情况或一个功能的好坏做评估,这里最常用的方法就是对比分析法啦,俗话说的好:没有对比就没有伤害。

举个栗子:你的菜铺某一天的数据数据下跌了600,某宝某一天的数据下跌了600。那对于某宝来说这个数据算异常吗?带着这个问题,我们继续往下看…

接下来我们要解决对比分析法中的三个问题:

  1. 比啥呢?
  2. 如何比?
  3. 跟谁比?

首先,比啥呢?

这里有两种比法:

(1)绝对值 

绝对值是本身就具备价值的数字 ,比如:电商平台的销售金额、公众号的阅读数、人人都是产品经理平台的阅读数和收藏数等。

当然,如果只看绝对值,你就无法得知事情严重到什么程度了。

(2)比例值

比例值在具体环境中看比例才具备对比价值,比如:人人都是产品经理社区的活跃占比、注册转化率,电商平台的详情页转化率,复购率等。

我们需要注意的是:比例值是一个除法计算,很容易把数量级的一些数字给忽略了,比如说:85除100和85000除以100000得到来的都是同样的值。

其次,如何比?

说到如何比,你一定听说过这两个词,环比、同比。说到环比和同比,大家一定会想到它们会跟年月日有关系,在这里呢,咱要强调一下,环比和同比不跟年月日挂钩,它只是两个概念。下面我们来说说这两个概念:

(1)环比

环比是与当前时间范围相邻的上一个时间范围对比

以下图为例:如果是日环比,则是拿星期二的数据与星期一的数据比,同理,周环比呢,则是拿本周的数据和上一周的数据对比,那月环比自然也是拿本月的数据与上一个月的数据对比了。

环比适合分析短期内具备连续性数据的业务场景,举个栗子:你是起点的产品经理,起点学院要给一门课程做促销活动,这个活动连续10天,在做这个活动的过程中,你每天都会去观察活动的效果,根据前一天的活动效果来优化后面的活动过程,而这个课程的活动之前没有做过,没法与以前的活动效果进行对比,这个时候你就要看日环比。

环比适用于根据相邻时间范围的数字对当前时间范围的指标进行设定。比如给我们的产品设定每月新增用户为100000,但是第一月我们只做到10000,第二个月只做到12000,那我们就需要跟据前面两月的实际情况进行对比,调整第三个月及之后的目标了。

那什么是同比呢?

(2)同比

同比是与当前时间范围上层时间范围的前一范围同样位置数据对比。

举个栗子:今天是4月16日(当前时间范围),我们选择月同比,这里选择3月,月就是上层时间范围。刚才说了今天是4月16日,那做月同比呢,就是选择3月16日来同4月16日进行同比。同比的使用场景有:打赏的流水、销售流水等,在4月跑完流水之后,我们就会拿每一天去同上个月同样的一天做同比的对比。

像旅行、餐饮、骑行这些会受季节性影响的产品,会拿今年的这个日/月或一个时间段跟去年的同期进行比较。

在选择同比时:

  • 周同比:如果是周同比,咱们最好选择周几,这样会排除因为周末或其他原因产生的影响,比如咱们选择本周的周一与上周的周一进行对比。
  • 月同比:如果是月同比,咱们就可以把上个月的目标和这个月的目标每一天的进行校准。
  • 年同比:年同比就是拿这一年和上一年进行同比,但是要去除掉季节、节假日的影响。

同比更适合去观察长期的数据集,还拿起点学院举栗子:从2014年成立到现在五六年了,这个时候我们对比数据时可以把今年的同去年的,或者去年同前年的,或者往年的任意一年的年同比进行对比,对比一下在同样的季度或月份里,咱们的数据表现是否正常。

同比适用于观察的时间周期里有较多干扰,而咱们希望某种程度上消除这些干扰。比如你是家校通这类工具类型的产品,你是不是需要考虑寒假,暑假和其他一些节假日,那如果你是短视频类的产品,你是不是需要考虑工作日和周末呢。

最后,和谁比?

对比分析,肯定要对比的对象,那咱们跟谁比呢?

(1)和自己比

时间维度:拿昨天跟前天,拿这个星期跟上个星期比等等。

不同业务线:跟公司不同的业务线进行对比,比如我是做语言培训的,我拿英语和日语比。英语数据涨跌厉害,那日语有这种情况吗?

往期均值:这里不同于时间维度,像留存、销售额、日活这些都是比较连续的数据,每天都会产生新的指标。但是有很多事情不是连续性的,它不会每天都产生数据,所以,这个时候咱们就要根据往期这些数据的均值进行对比。

(2)各行业比

上面咱们讲到和自己比,那在实际的业务中,如果跟自己比找不到原因,那么咱们就需要跟行业比,看是自身的原因,还是行业的趋势导致的跌或者涨。

都跌:如果都跌,咱能不能比同行跌得少?

还拿上面语言培训类的产品为例,A公司的跌了10%,咱们公司跌了30%,那么在这个相对竞争的环境中,咱跌的是更多的,通过这样的对比,咱就可以找到原因,并解决掉这个问题了。

都涨:如果都涨,咱能不能比同行涨得快?

都涨也是一样的道理,如果A公司涨了30%,咱们只涨了10%,也能找到原因,并给出解决方案。因为如果不这样做,那么相对于竞争对手而言,咱还是在跌的。

最后,文章上面提的问题:你的菜铺某一天的数据数据下跌了600,某宝某一天的数据下跌了600。那对于某宝来说这个数据算异常吗?我想你看完这篇文章已经有答案了。

好啦,到这对比分析法就讲完啦,下面是这一模块的思维导图,建议收藏并保存哦~

一、什么是多维度折解法

说到多维度拆解法,那我们首先要理解两个关键词:维度和拆解,下面咱举个栗子:这马上过年了,相信大部分朋友已经在回家的路上了,有的甚至在家葛优躺好几天了。回到家了七大姑八大姨最喜欢问你什么呀?

七大姑八大姨:听你妈说你还没对象呢,给你介绍一个吧,我这儿有个特别优秀的,第一,他个子高,第二,家庭条件很好,第三,长的特别的帅。

那在这个例子里,拆解维度就是把优秀拆分成三个维度即个子高、家庭条件很好、长的特别帅。在数据分析中,咱们也是这样通过不同的维度去观察同一组数据,从而洞查数据异动背后的原因。

二、多维度拆解的适用场景有哪些?

第一,对单一指标的构成或比例进行拆解分析时

这种场景呢往往适用于像分栏目的播放量和新老用户比例这种情况。

第二,对业务流程进行拆解分析时

  1. 一般适用于从不同渠道浏览到添加购物车到购买的这种全局的转化流程。
  2. 像有些跨区域的产品,不同的区域活动的效果自然不同,这时候我们就可以从不同省份或城市的活动情况来进行分析。

第三,对需要还原行为发生的场景时进行拆解分析

像这种场景呢,比较适用于一些直播类的产品,比如你是某直播类产品的产品经理或运营,你需要去观察打赏主播的等级、性别、来自哪个频道进行多维度的拆解。

还有一种情况是,你需要看一下用户在进行一系列操作时,他的网络情况是怎么样的,他是在WIFI下使用的还是在4G的环境下使用。

下面我们引用一个案例来讲解一下多维度拆解法。首先呢,我们来看看第一种场景:

1. 对单一指标的构成或比例进行拆解分析

举个栗子:你是某少儿语言培训类产品的产品经理,入职没几天,你们就对某一课程做了一波推广活动,老板想看看推广的数据怎么样,那你如何查看呢?

那首先我们从【进入网站事件】进行分析:

第一个维度:从用户性别进行拆分,由下图可以看出,进入网站的用户61%都是女性,这时候你知道了,原来相比孩子的父亲,母亲更关注少儿语言的培训,这也跟少儿大部分由母亲带有关。

第二个维度:从操作系统进行拆分,可以看出大部分用户来自iOS用户,据相关数据统计,女性用户更喜欢用苹果设备,这个是不是与前面的性别分析不谋而和了。

第三个维度:按渠道来源进行拆分,由下图可以看出42%的用户来自于订阅号,这个原因是什么呢?仔细一想,哦~原来是我们在活动开始前做了一场公开课,并在订阅号上做了相关推送。

第四个维度:从城市等级这个维度进行拆分,这个符合我们产品目前的定位,咱们的产品定位是中等偏高收入的人群,这类用户主要集中在一线城市。

第五个维度:从进入网站这个事件按新老用户进行拆分,由下图可以发现,咱每天的DAU在过去的一周内没有发生什么波动,但是按新老用户拆分后发现,随着这一波的推广,咱们的新增用户数一直在涨的,但是DAU却没有啥变化,这是因为老用户一直在往下跌,这一涨一跌交集之后,DAU的趋势没有啥变化,这背后反映的情况是:咱引入了大量的新用户,但是没有成功的留住他们。

大家可以看到,通过对【进入网站】这个单一行为事件进行分析,能分析出来很多有用的信息。其实数据分析的本质是:用不同的视角去拆分和观察同一个数据指标。

在拆解维度上我们不仅能对单一事件进行拆解,还可以对业务流程进行拆解,下面我们来讲讲第二种拆解方法。

2. 对业务流程进行拆解分析时

刚刚上面说了,你的少儿语言培训类产品做了一波推广,推广之后,你的【注册】、【下单】、【支付】的这个流程的数据是下图这样的,当然,如果只看这个流程,你除了知道整体的转化率和每一步的转化率以外,其他的数据就无从得知了。核心的原因是你不知道这个数据的构成是啥样的。

那么接下来我们用多维度拆解的方法,对这个业务流程进行拆解。

首先呢,咱们从渠道来源进行拆解分析,由下图可以看出,百度来的流量虽然不少,但是下单和支付的转化率相比其他渠道还是挺低的。那像这种情况咱们可以加大其他渠道的广告投放力度,减少百度的投放力度。

其次,咱们再从城市这个维度进行拆解分析,由次可以看出,在郑州这座城市用户下单的意愿不强烈,这表明咱的这个课程可能不适合二级城市(新一级城市)的用户。

最后呢,咱们从操作系统拆解分析,由下图可以发现,iOS用户不仅支付能力比较强,也跟我们的产品大部分是女性用户有关。

基于以上拆解的案例可以看出,多维度拆解法的运作原理非常简单:指标或者是业务流程按照多维度拆分,来观察数据的变动,从而找出问题的原因。

好啦,多维度拆解法我们已经讲完了,相信通过菜菜以上的讲解,你对多维度拆解法一定有了一个清晰的认知。

以下是本文重要信息的思维导图:

文章由PM28网编辑,作者:海阁,如若转载,请注明出处:http://www.pm28.com/3270.html欢迎投稿

联系我们

在线咨询:点击这里给我发消息

邮件:403567334@qq.com

工作时间:周一至周五,9:30-18:30,节假日休息