目標(biāo)：
1、了解常用異動分析方法
2、學(xué)會在分析實戰(zhàn)中應(yīng)用
如何分析出異常波動的原因
工作場景：已知某指標(biāo)異常（以GMV>V為例），確定異常的原因。
——需要人工尋找異常指標(biāo)，比如人工異常發(fā)現(xiàn)某指標(biāo)異常（以GMV>V為例），然后確定GMV>V異常的原因。
分析異常波動的原因占日常工作的70%左右，平時的周報、月報、季報、半年報、年報、十一復(fù)盤、大促復(fù)盤、春節(jié)復(fù)盤、周年慶復(fù)盤等等經(jīng)常需要分析波動的原因。
只要是偏周期類型的交易（報告），都會出現(xiàn)指標(biāo)的波動，只要指標(biāo)有波動，里面就有和正常趨勢不一樣的波動的點，這些點的背后的原因，就是大家核心比較關(guān)注的地方。
分析師的工作就是要把波動背后的原因找出來，并輔以相關(guān)的策略建議，然后給業(yè)務(wù)方和老板進(jìn)行一定的輸出。
日常工作中，90%左右的情況，只要到第一步（看目錄）就夠了 。
第一步：杜邦分析法對異常指標(biāo)進(jìn)行拆解
——做異常波動的原因分析，確定影響指標(biāo)波動的核心因子，以便做更細(xì)粒度的分析
杜邦分析法是利用幾種主要的財務(wù)比率之間的關(guān)系來綜合的分析企業(yè)的財務(wù)狀況。具體來說，它是一種用來評價公司盈利能力和股東權(quán)益回報水平，從財務(wù)角度評價企業(yè)績效的一種經(jīng)典方法。其基本思想是將企業(yè)凈資產(chǎn)收益率逐級分解為多項財務(wù)比率乘積，這樣有助于深入分析比較企業(yè)經(jīng)營業(yè)績。由于這種分析方法最早由美國杜邦公司使用，故名杜邦分析法。
核心是拆解！??！先拆解指標(biāo)，再拆解維度，這樣可以大大的提高分析的效率?。?！
為什么要進(jìn)行拆解呢？因為只看GTV的話，很難判斷到底是由什么因素造成的波動，可能是交易用戶數(shù)，也可能是客單價，所以拆解完之后，才能更便于定位某個細(xì)節(jié)點的問題。
對交易額而言，是由交易用戶數(shù)*客單價決定的（有就是有多少購買的人，每個人花了多少錢，兩個相乘就是交易額）；
如果是交易用戶數(shù)的問題，就對交易用戶數(shù)進(jìn)行進(jìn)一步的拆解，由于交易用戶數(shù)=DAU*交易轉(zhuǎn)化率得來的；
活躍用戶數(shù)
活躍用戶數(shù)（DAU）又受到新/老客、用戶生命周期（成熟期流失？沉睡用戶流失？活躍用戶轉(zhuǎn)變成沉睡用戶？）、城市（哪個城市？哪個類型城市？）、流量來源地影響（哪個渠道有問題了？哪個引流渠道不再合作了？）
當(dāng)一步步的進(jìn)行拆解的時候，會發(fā)現(xiàn)指標(biāo)分析起來會更容易找到可以在實際的業(yè)務(wù)落地的維度方面的異常波動。
例如：如果說老客沒有問題，但是新客減少了，是不是相當(dāng)于說明要多花一些心思去拉新？如果是新客波動趨勢沒有發(fā)生變化，但是老客越來越少了，是不是就說明了留存出現(xiàn)了問題？從而導(dǎo)致了老客的DAU下降了？
如果是交易轉(zhuǎn)化率出現(xiàn)問題，那么什么會影響交易轉(zhuǎn)化呢？這時候重點就要去用戶行為路徑進(jìn)行拆解查找原因，也就是漏斗分析模型。
交易轉(zhuǎn)化率
交易轉(zhuǎn)化就是從流量（DAU）變?yōu)榻灰子脩簦髁孔兂山灰子脩艟拖喈?dāng)于是一個漏斗分析（首頁--搜索結(jié)果頁/活動商品集合頁--商品詳情頁--加入購物車--結(jié)算頁面--支付），每一個步驟都會有一定程度的跳出率，以往的經(jīng)驗來說，在首頁到商品詳情頁這個環(huán)節(jié)提升轉(zhuǎn)化率的效果比較好。
首頁到商品詳情頁，用戶通常會有搜索的行為、看猜你喜歡的行為、看具體某個頻道的行為，在實際的實操過程中，進(jìn)行提高交易轉(zhuǎn)化率，通常都會在首頁到商品詳情頁的這個過程進(jìn)行優(yōu)化；還有一個是加入購物車到提交訂單這個過程也是有很多的轉(zhuǎn)化空間的（如填個人信息比較麻煩導(dǎo)致用戶流失等，可以進(jìn)行ABtest試驗進(jìn)行優(yōu)化提交訂單頁的頁面內(nèi)容，讓用戶不至于在提交訂單頁的環(huán)節(jié)流失了）。
還有一個方式是盡可能的減少用戶操作的步長，也就是盡可能的較少用戶行為路徑的步驟，讓用戶可以比較好的快速的進(jìn)到付款的界面，因為基本上每多一個環(huán)節(jié)，用戶的最終轉(zhuǎn)化率都會較少一部分。
人均下單頻次（訂單量/用戶數(shù)）
人均下單頻次跟用戶結(jié)構(gòu)和業(yè)務(wù)結(jié)構(gòu)有關(guān)，跟業(yè)務(wù)結(jié)構(gòu)的關(guān)聯(lián)性最大，如外賣是一個比較高頻次的場景，可能一周要使用五六次，但是旅游酒店的業(yè)務(wù)場景的頻次就會比較低；
用戶結(jié)構(gòu)就是用戶畫像的一些特點（用戶分層知識），新/老客、活躍用戶、流失用戶、高頻高額用戶、高頻低額用戶、低頻高額用戶、不同年齡段、不同城市等；
單均價（GTV/訂單量）
原價和各種補(bǔ)貼會影響單均價
杜邦分析法的好處就是，當(dāng)下鉆到拆解的某一個點的時候，問題就被定位到了，否則只定位到交易用戶數(shù)本身，這樣是不可以的（比如在做分析報告時，GTV在周五出現(xiàn)了異常下降，下降不是由客單價引起了，因為客單價沒有發(fā)生變化，是由交易用戶數(shù)的下降引起的，如果只分析到這里，對老板來說是不夠的，因為老板不知道到底是什么原因引起了交易用戶數(shù)的下降？到底是由于流量的下降引起的還是由于轉(zhuǎn)化率的下降引起的？這些都要不停的進(jìn)行拆解和下鉆，等到度量無法在進(jìn)行下鉆的時候就要進(jìn)行維度的分析）
假如說客單價最近變得很低，那么到底是不是因為最近補(bǔ)貼補(bǔ)多了？不同的品類補(bǔ)貼的情況不一樣，要去看哪一個品類的補(bǔ)貼花的太多了，導(dǎo)致整個的客單價被拉低了？
分析的維度一定要能落地到可以改善具體問題的那個點，比如別人看到你分析的交易用戶下降之后，他們就知道到底是要去找渠道組去談渠道質(zhì)量變差了？還是應(yīng)該去跟城市的區(qū)域經(jīng)理談是哪個城市做得不好？還是應(yīng)該跟用戶運(yùn)營的團(tuán)隊去談怎么那么多用戶都流失了？還是要去跟負(fù)責(zé)用戶增長的部門談?wù)f最近用戶增長怎么那么乏力？
杜邦分析法的層層拆解的目的，都是為了讓發(fā)現(xiàn)的問題可以有改善的著力點，而且在拆解的時候一定要符合業(yè)務(wù)本身的特點（如拆解每個小時的GTV這種方式的意義就不大）。
如果沒有這樣的一個層層拆解，就很難有一個定位異常波動問題的分析框架，那么就會導(dǎo)致每天都要把這些數(shù)據(jù)重復(fù)的提取出來，從而導(dǎo)致很難去做固化，如果有進(jìn)行層層的拆解分析的框架，并且把這些內(nèi)容全部固化成監(jiān)控的儀表盤之后，如果有出現(xiàn)異常波動，那么只要回查一下搭建的儀表板，就能快速的告訴老板到底是由于哪個原因引起的，然后就可以快速的相應(yīng)老板的訴求，不至于說一直在那邊跑數(shù)而導(dǎo)致效率特別低。
杜邦分析法也是日常工作中最常用的分析方法，我們平時沉淀的這些，都是特別容易找到問題點的拆解的方式，而且拆解的順序很關(guān)鍵，也非常的重要，因為思路的起始點決定了做這件事情的效率，如果沒有按照有效的方法進(jìn)行拆解，那么將很難定位到真正引起相關(guān)波動的的根本原因。
第二步：連環(huán)替代發(fā)或者使用波動貢獻(xiàn)法定位核心指標(biāo)/維度
連環(huán)替代法定位核心指標(biāo)
-
維度拆解定位：
a.根據(jù)指標(biāo)下鉆維度方案，生成單個指標(biāo)解釋度的基尼系數(shù)，定位什么特征對核心指標(biāo)產(chǎn)生關(guān)鍵影響
b.計算維度各個特征的影響值
波動貢獻(xiàn)法直接定位核心指標(biāo)/維度：
a.波動貢獻(xiàn)度方法，確定哪些指標(biāo)導(dǎo)致核心指標(biāo)發(fā)生異動
b.根因分析確定關(guān)鍵維度
c.基尼系數(shù)方法確定關(guān)鍵維度
算法執(zhí)行前提：當(dāng)日周同比波動相對歷史上的多次波動屬于顯著波動
a.對于加法/減法類指標(biāo)，確定各因素對結(jié)果都影響數(shù)和影響占比
基期N=a+b+c(abc之間也可以說減法關(guān)系)，實際期N'=a'+b'+c'，差額=N'-N；
現(xiàn)在計算a因素單獨變動帶來的影響數(shù)：Na=a'-a；
依次計算b因素、c因素的影響數(shù)，得Nb、Nc;
差額=N'-N=Na+Nb+Nc；
確定影響占比，a因素占比Na/(N'-N)，b因素占比=Nb/(N'-N)，c因素占比=Nc/(N'-N)，結(jié)束工作。
b.對于乘法/除法類指標(biāo)，使用對數(shù)變換，將乘法/除法類指標(biāo)轉(zhuǎn)換為加法/減法，再確定各因素對結(jié)果都影響數(shù)
基期N=ABC(ABC之間也可以是除法關(guān)系)，實際期N'=A'B'C'，其中N=N(1+n)，A'=A(1+a)，B'=B(1+b)，C'=C(1+c)；
對N'=A'B'C'取對數(shù)可得：lgN+lg(1+n)=lgA+lg(1+a)+lgB+lg(1+b)+lgC+lg(1+c)；
因為lgN=lgA+lgB+lgC，所以lg(1+n)=lg(1+a)+lg(1+b)+lg(1+c)；
現(xiàn)在計算a因素單獨變動帶來的影響數(shù)：Na=lg(1+a)/lg(1+n);
依次計算b因素、c因素的影響數(shù)，得Nb、Nc；
確定影響占比，a因素占比=Na/(N'-N)，b因素占比=Nb/(N'-N)，c因素占比=Nc/(n'-n)，結(jié)束
c.若無因素占比超過50%，則無核心因素；若單因素占比超過0%，且不可向下拆解，則該因素為影響結(jié)果指標(biāo)的核心因素；若單因素占比超過50%，且可以向下拆解，則再次確定影響數(shù)。
- 基期N=abc(abc之間也可以說加減乘除關(guān)系)，c占比超過60%，且可以拆解為c=de，則N=abde
重復(fù)abc過程，直到找出最后一個占比超過50%的因素，則該因素為影響結(jié)果指標(biāo)的核心因素，結(jié)束工作（經(jīng)過實際數(shù)據(jù)驗證，我們發(fā)現(xiàn)50%能比較好的暴露問題）
基尼系數(shù)A/(A+B)，用于計算各下鉆維度方案對單個指標(biāo)波動大影響程度，橫軸用特征分組基期累計占比，縱軸用波動值累計占比（可以為負(fù)值），基尼系數(shù)越大說明該特征對波動大解釋效果越好。
如圖所示，指標(biāo)計算，用于獲取層級下鉆維度中各個維度的基礎(chǔ)數(shù)據(jù)，如各個城市等級的本期、基期值等信息；分析算法，根據(jù)維度基礎(chǔ)數(shù)據(jù)計算出排序因子，利用排序之后的排序因子計算各特征分組的基期累積占比及波動值累計占比，進(jìn)而獲取到基尼系數(shù)；最終選取基尼系數(shù)最大的特征作為最終解釋。
總結(jié)：
1、杜邦分析法的拆解要關(guān)注核心可控因素；
2、定位核心指標(biāo)或維度需要符合業(yè)務(wù)實際情況
