↑ 点击上方“可乐的数据分析之路”关注 + 星标~
大概率每天早8点25更新
哈喽，大家好，我是可乐
平时工作中经常会遇到指标下降了，指标又下降了，指标又双叒下降了
面试中也常会问到的业务类问题就是XX指标下降/上升，要怎么分析？
今天，我们也来说说这种指标变化类的问题，应该如何解答
比如：
次日用户留存率下降了 5%该怎么分析？
可以从3个步骤来分析：
界定问题
首先要界定问题，可以从3个方面来看
要明确该指标的数据来源，以排除是否是数据源出现的问题
还要明确指标的准确性，是否是人为写错这样的问题
这里要考虑的就是次日用户留存率这个数据是哪个部门提供，是否准确无误？
现状分析明确了数据来源及准确性后，对现状进行一个分析，可从以下3方面进行：
明确指标的含义
明确这个指标在业务层的含义，是了解这个指标的第一步
用户在某段时间内开始使用应用，经过一段时间后，仍然继续使用该应用的用户，被认作是留存用户。次日留存率是当天新增的用户中，新增日之后的第1天还登录的用户数 / 第一天新增总用户
现状如何
这个指标现阶段是什么样的，这是突发事件吗，以及以前是否发生过类似的事情
现状是用户次日留存率下降了5%
变化是否异常
该指标的变化是否在正常的波动范围内？
进行完现状分析后，再进行对比分析，可从以下4个方面进行：
和谁对比产生的差距
这是最重要的，这个指标变化了，它到底是和谁对比产生差距了，这是需要特别明确的一点。
比如统计发现某3日次日留存率较之前和之后下降了5%，这就是和自身比较发现了明显的差距。
和目标对比
指标虽然变化了，但是和目标对比如何？时间上对比
时间上环比、同比确认下变化幅度地点上对比
和行业平均水平对比如何？和其他竞品对比如何？
分析问题
下面就是要重点解决两个问题：
为什么会出现这个问题？
哪里出现了问题？
为了解决这2个问题，可以从两个角度来分析
指标拆解可以从指标下手，将一个大指标拆解为几个小指标，比如这里的次日留存率可以拆解为次日留存用户和新增总用户，进而查看到底是哪一步的显著变化导致了留存率的下降。
接着再从不同的维度分析，将一个问题拆解成几个子问题，比如可以分别从内部、外部出发，内部又可以细分到新老用户、不同的渠道，以及哪些活动，外部分析可套用PEST模型框架，如市场的变化、用户喜好的变化、竞品的变化等。分别计算每个维度下的次日留存率，定位到具体是哪一个维度留存率的显著下降导致了该指标的变化。
验证是否是该维度指标的变化导致了整体指标的改变。
假设：问题出在老用户次日留存率上
验证：统计老用户次日留存率
结论：老用户次日留存率近一个月持续稳定，且在近一周内没有大幅下降，排除老用户次日留存率这个维度。
进行决策
查找到了什么原因导致哪里出现了问题以后，就要重点关注：
如何解决这个问题？
给出建议，指定详细的计划并执行，最后解决问题。
猜你喜欢：
深度解析：大数据面前，统计学的价值在哪里？
5分钟学会Python爬取整个网站
据说假设检验是个很难的题
以上就是指标又双叒下降了，我到底该怎么给老板分析？理想照耀中国演员表的全部内容了，希望大家喜欢。