在事情中，我们经常需要阐明各类数据。差异的数据阐明要领要怎么用呢？本文作者按照本身的自身经验，从四个角度举办阐明先容，推荐给对数据阐明感乐趣的童鞋阅读。

作为业务部分的数据阐明师，常常面对的场景就是阐明异常。

好比老板找到你说：“小伙，帮我阐明下最近一周的GMV下降的原因。”许多人拿到这个问题的时候就开始直接去找各个维度来拆分看了，最后照旧一脸茫然。

首先拿到这个问题时，我们需要用阐明要领，描写和比拟阐明法。就是回收描写性阐明要领，看详细的GMV值下降了几多，以及回收趋势和比拟的要领来判定是不是真正的异常，有大概去年同期也是节沐日后的正常下降。

这个进程就像侦探探案时相识一些案发明场的基本信息。在对异常有了基本认知之后，想要相识真相，需要细分的思维要领，一步步解析还原案发的蛛丝马迹。可是怎么细分，以及凭据什么样的套路细分是有考究的。首先先容细分常见的要领，笔者将其归纳为3类。凡是在阐明一个详细问题中大概会多种一起利用。

一、布局细分

之一类是凭据布局举办细分：

事物或组织自己的布局；

产线的区分（如扮装品类，生鲜类等），区域的区分（如华东/华西/华南大区），渠道的区分（APP/小措施/PC端）等。

杜邦阐明法，是杜邦公司发现的，回收金字塔布局，把企业净资产收益率逐级解析为多项财政指标的比值或乘积。

这个警惕于我们通例的指标体系的阐明中。好比，在文首碰着的谁人情景，GMV同比下降30%，可以凭据杜邦阐明法举办指标拆解，定位是UV少了，照旧cr下降了，照旧客单价低落主要影响。

分组阐明法，按照必然尺度对研究工具举办分组。

分组阐明法分为属性指标分组和数量指标分组。而属性指标所代表的数据不能举办运算，只是说明事物的性质、特征。如人的姓名、部分、性别、文化水平等指标，可以凭据必然法则分组，好比页面引流中对付同组织下：内部引流，其他为外部引流。

数量指标所代表的数据可以或许举办加减乘除运算，说明事物的数量特征，好比人的年数、人为程度、企业的资产等指标，譬喻年数属性：1-17：青少年，18-35青年，35-55中年，55以上暮年；

矩阵阐明法，又称四象限阐明法，源自著名的BCG矩阵，多用于产物组合计谋阐明中，实现产物及资源分派布局的良性轮回，明星/现金牛/廋狗/问题产物。

在阐明场景中，可以用来评估两种因素对付差异组的影响差别时，识别差异组间差异的业务计策。好比，评估业务中各个大区的GMV占比vsGMV同比增长率，识别到重点焦点大区和有时机的大区。

二、时间流程

第二类是时间（流程）维度：

时间颗粒度下的细分，按年/月/周/日对齐的 *** 细分看异常是否会合于某一时间段。

漏斗阐明法，这是互联网用于行为阐明中利用较多的阐明法，阐明从潜在用户到最终用户这个进程顶用户数量的变革环境，确定整个流程的设计是否公道，各步调的黑白，和是否存在优化的时机。

客户生命周期的要领，主要应用的场景是用户运营，聚焦差异阶段用户运营的计策，平时打仗不多，就不展开。

三、水平属性

第三类是水平阐明要领，聚焦存眷重点：

ABC阐明法，又称帕累托图法。据事物在技能或经济方面的主要特征，举办分类列队，分清重点和一般，从而有区别地确定打点 *** 的一种阐明要领。

A类是我们重点存眷的。好比可以在平台上去识别A类SKU带来累计GMV达80%，B类和C类占比剩余20%，理清楚平台的重点品类。

A类因素，产生累计频率为0%~80%，是主要影响因素。

B类因素，产生累计频率为80%~90%，是次要影响因素。

C类因素，产生累计频率为90%~100%，是一般影响因素。

四、应用

案例利用：在日常指标阐明进程中，一般常用的是杜邦阐明，布局细分和漏斗想团结的 *** 来定位异常点。

我们通过定位发明近期GMV的下降，首先拆解日期来看，没有会合在哪一天有异常；

通过杜邦阐明法拆解为UV*cr*客单价三个部门，定位到是转化率cr的下将是主要影响身分。

拆解cr的进程，凭据 详情页-填写页-提交订单-付出订单漏斗流程中去拆解发明是在填写页到提交订单这个进程转化率下降。

利用常见单维度因素去识别：平台（APP/H5/PC）,主要影响是APP，产线（门票/跟团/旅馆）无差别；

拆解ios/安卓系统，版本维度拆解去看是否对这个进程的影响；识别到时填写页验证码有bug导致这个步调转化率变低，从而识别到改造点。

以上这个案例是将平时的阐明进程举办了简化，可是要领和套路是稳定的，多加操练，用好细分阐明手法，拆解定位问题信手拈来。

下图附上我整理的原因阐明要领的思维导图。

作者：高帆，微信号公家号：数据氧气，携程高级数据阐明师，4年纪据阐明履历，2年互联网数据阐明履历，专注于BA贸易阐明偏向。