“

当我们利用描述性统计快速评估指标特征，找到分析的方向和突破口之后就需要利用多维分析和相关分析定位指标变化的原因。

"

本文主要通过对DAU报表、公众号全年阅读量、业务转化率三个案例应用多维分析方法，分别进行分析步骤和原因的拆解。

一、多维分析定义

在数据化运营中应用频率最高、应用场景最为广泛的分析方法：多维分析。它的作用在于能帮助我们从更多的视角、维度看待问题，主要包括以下两个方法：

• 口径拆解：从指标的业务口径分析原因
• 维度下钻：从指标的细分维度分析问题原因

多维分析通过口径拆解和维度下钻这两种方法让我们把影响事情成因的关键要素、联系，有逻辑的展示出来，将问题立体化。

二、口径拆解：从指标的业务口径分析原因

基于指标口径的分析方法，适合于各种类型的指标。包括汇总型指标，如DAU，MAU、注册用户量等；比例型指标，如留存率、转化率等。

因为它们的业务口径中天然包含其他指标，可以从其他包含的指标中寻找原因。

• 汇总型指标汇总型的指标通常是由其他指标进行算数汇总而来，故当汇总型指标发生变化时，我们按照指标体系中该指标的口径定义来确认组成它的子指标，并分分析这些子指标的变化情况寻找原因。

以我们熟知的DAU为例，DAU是典型的汇总型指标，一般口径为：

DAU=当日新增用户+昨日留存用户+沉默唤醒用户

所以，当DAU发生变化时，我们通过分析其口径的三个子指标的变化，来判断 DAU的变化原因。

【案例 1 某信息流产品的 DAU 报表 】

下图是某信息流产品的 DAU 报表，我们看看影响 DAU 变化的原因有哪些。

第一步：对“活跃用户数”创建箱线图，看看它的数据特征以及有无异常值。

我们发现该指标有 3 个异常值，其中有 1 个异常大值，2 个异常小值。我们的接下来的分析方向就非常明确，针对这 3 个异常值深入排查原因。

第二步：我们发现异常大值是 2019年6月6日 出现的，这一天 DAU 是 432510，环比增长了 16%。

第三步：环比增长非常高，我们看看这一天的“当日新增用户、昨日留存用户、当日唤醒用户”指标当中到底是谁的环比增长更大。

于是我们发现，在 2019 年 6 月 6 日 这一天：

当日新增用户环比增长 20.8%

昨日留存用户环比增长 -0.3%

当日唤醒用户环比增长 127.7%

我们已能得出业务结论：2019 年 6 月 6 日这天 DAU 显著增长的原因，是由沉默唤醒用户和当日新增用户促成的，其中沉默唤醒用户的影响更大。

所以，接下来应当与沉默用户运营的同学沟通是否在之前做了某些唤醒活动，促使了 DAU 显著增长。

• 比率型指标

比率型指标，通常由其他指标进行相除得来，故当比率型指标发生变化时，我们按照指标体系中该指标的口径定义来确定组成它的子指标，并分别分析这些子指标的变化情况来寻找原因。

在电商运营中，购买转化率是一个重要指标，通常它的口径如下所示：

购买转化率 = 成功付款人数 / 浏览商品的人数

当购买转化率发生变化时，基于口径分析一般有以下几种情况：

1. 购买转化率上涨，成功付款人数上涨，浏览商品人数上涨、下降或不变；
2. 购买转化率上涨，成功付款人数上涨、下降或不变，浏览商品人数下降；
3. 购买转化率下降，成功付款人数下降，浏览商品人数上涨、下降或不变；
4. 购买转化率下降，成功付款人数上涨、下降或不变，浏览商品人数上升。

【案例 2 某公众号阅读率分析 】

某公众号收集了 2018 年全年的推文阅读数据，我们看看阅读率是如何分析的。

我们从原始明细数据创建了阅读率的数据透视表，其中阅读率的口径为：阅读量/下发量。

我们发现 2018 年第二季度的阅读率比其他三个季度的都要高，接近 20%，于是我们为透视表增加各个季度的平均阅读量和平均下发量，如下图所示。

我们发现，第二季度的阅读量和下发量对比第 1 季度：

阅读量从 34584 下降到 31136，下降了 9.9%

下发量从 218152 下降到 162633，下降了 25.4%

很明显，阅读量（阅读率的分子）的下降幅度要比下发量（阅读率的分母）小很多，也就意味着用户的阅读习惯或推文的文章质量并无明显波动，但是推文的下发量却波动很大。

而推文的下发量又与粉丝数息息相关，所以我们应当继续排查在第二季度有无脱粉现象，或其他原因导致了下发量的极大降低。

特别需要说明的是：依据指标口径分析指标变化的原因，看似各种情况很多，事实上这些情况是可以穷尽的，并且在实际业务经营中所有情况的出现概率并不是均匀分布，而是集中在 1~2 种情况中，所以基于口径的分析方法非常高效。

三、口径拆解：从指标的业务口径分析原因

用“维度下钻”来分析指标变化的原因，是指当指标发生变化时，依据指标的关联维度来确定变化分析的方向，并通过不断将粗粒度的维度逐步细化为细颗粒的维度来精确判断原因，这个过程我们叫作“维度下钻”。

这种分析方法适用于任何指标，特别是原子指标，因为它们已不可继续拆解，无法从指标的口径中寻找原因，就只能从其关联的维度中寻求原因。

维度下钻通常有日期下钻、地理下钻、分类下钻、客群下钻、流程下钻等方式。今天重点讲解日期下钻和流程下钻，其他下钻方式的使用方法和逻辑与这两个并无差别，同理通用。

• 日期下钻日期下钻，顾名思义就是在日期维度上的钻取，用年、季度、月、日等日期字段层层向下钻取进行更细粒度的分析，获取更加详细信息，来支撑我们判断指标变化的原因。

【案例 3 某公众号全年阅读量数据】

继续沿用上面公众号的案例，我们看看基于日期下钻是如何分析的。

首先，从原始明细数据创建了日期和阅读量的数据透视表，可以看到行是日期，默认是按季度显示平均阅读量，我们发现第三季度的平均阅读量的增长出现了放缓。

此时站在季度的维度来分析，日期粒度太粗，无法获得更多有效的信息，我们尝试从季度下钻到月份。有趣的事情发生了，当我们下钻到第三季度的 7、8、9 三个月份时，发现 8 月的平均阅读量下降很明显，形成了一个明显的波谷，基本上我们可以判断第三季度的下跌是 8 月份数据下降引起的。

但是站在 8 月份的维度还是有点粗，只能说我们找到了分析的方向，所以我们继续下钻到天的维度，看看是 8 月份的哪天平均阅读量在下降。

很明显，8 月份我们有 4 天发了推文，其中 8 月 7 日和 8 月 16 日的平均阅读量低于 8 月的月均阅读量，基本上可以锁定是这两天的推文可能出现了问题，拉低了 8 月的平均阅读量。

虽然我们发现了核心的问题，但还是没有找到原因，我们需要继续下钻，找出到底是哪篇推文的阅读量更低。

我们在 8 月 7 日（613）和 8 月 16 日（795）这两个单元格上双击，就能看到对应的明细数据：

• 很明显，8 月 7 日 的推文有 4 篇，处于 2 条和 3 条的阅读量很低，只有 300 多，远远低于平均阅读量；

• 8 月 16 日的推文有 5 篇，除了头条，剩下 4 条的阅读都很低。

所以，接下来就复盘分析这几篇推文阅读量很低的原因，总结经验以避免再次出现类似问题。

除了这个案例中介绍的日期下钻，常用的还有地理下钻、分类下钻。它们的下钻过程和日期下钻一致。

地理下钻，常用于电商的销售数据分析，通过从城市群，下钻到省份，再下钻到城市，再下钻到区来寻找原因。

分类下钻，常用于电商和内容平台，如下图所示，通过从一级品类，下钻到二级品类，再下钻到三级品类来逐级寻找数据变化的原因；分类下钻也常用于内容平台，通过从一级频道，下钻到二级频道，再下钻到三级频道来寻找内容阅读、点击等指标的原因。

• 流程下钻

流程下钻，是指在用户流程中通过整体流程逐步下钻到子流程，来分析流程中各个指标变化的原因。最典型的场景是漏斗分析，漏斗分析一般考察的是转化率、流失率。

【案例 4 漏斗分析下的转化率】

我们以转化率为例，其下钻过程是从一个漏斗的整体转化率下钻到这个漏斗中的每一个步骤的转化率，在这个过程中我们去寻找整体转化率发生变化时是由哪个步骤的转化率变化带来的。

首先，我们从整体转化率的时间趋势上发现 12 月 5 日的转化率下降明显。为了找出原因，我们进行流程下钻，如下图所示，深入到漏斗中的每个步骤去考察转化率。容易得出 12 月 5 日中第一步的转化率下降明显，是造成 12 月 5 日整体转化率下降的原因。

在产品运营的实际工作中，常常会通过流程下钻来寻找用户在某个业务流程中的流失情况，继而再根据用户画像来制定挽留策略。

例如，在某金融产品的借贷业务流程中，我们发现整体转化率逐步下降，于是针对这条借贷业务漏斗进行流程下钻，发现在办理流程的倒数第二步用户流失非常多，造成了整体借贷转化率下降。

所以，我们对这个步骤流失的用户进行画像分析，并在产品端设定挽留弹窗机制，即用户在此流程中若停留超过 15 秒，或点击返回按钮，则弹出对话框进行挽留，并在对话框中设定挽留的权益。在增加这个机制后，整个业务的转化率提升了约 14%，效果十分明显。

事实上，大量的维度都支持细分下钻，例如用户设备，可以从品牌下钻到机型；浏览器，可以从类型下钻到版本；产品版本，可以从主版本下钻到次版本，再下钻到小版本。

毫不夸张说，万事万物皆可下钻，通过不断的维度下钻，可以让我们在正确的分析方向上高效地找到指标的原因。

感谢阅读，

多维分析，是整个数据分析中最有魅力的过程，一套完整、严谨的指标体系里面会清晰定义与指标关联的各项维度及其属性，能帮助你更好地思考业务逻辑、数据信息和问题成因。

特别地，当初次接手新业务时，如果可以拿到一份业务经营的指标体系，那么便能快速上手业务并建立起数据分析机制。但如果没有指标体系怎么办呢？那就请花一点点时间和团队一起去建设，这个是非常利好于业务发展和长尾效应的数据工作。