指标预警和指标归因分析

本文主要是介绍指标预警和指标归因分析，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1 指标预警的基本方法

1.1 数据值异常的定义

1. 绝对值异常点
2. 同环比异常
3. 趋势异常

1.2 异常诊断

1.2.1 经典分析方法

1. 首先我们通过预测模型进行值的预测
2. 计算预测残差 = 预测值 - 真实值 ，这一步同时也可以使用滑动窗口的$3\sigma$原理进行判断
3. 结合$3\sigma$原理判断残差是否偏离模型
4. 结合同环比表现综合判断是否是应当关注的异常值

1.2.2 阈值诊断

1.2.3 预测模型

2 指标归因问题的分析框架

2.1 明确问题

1. 首先我们要明确解决什么问题
2. 其次我们要对问题进行数学建模
3. 最后我们要针对问题选择数据，对模型选择参数（即收集足够多的信息）

2.2 分析定位

1. 首先我们要从方法库中选择分析问题最合适的方法进行问题拆解
2. 其次我们要通过方法定位到具体原因
3. 最后我们要论证原因是否具有明确的业务含义

2.3 解决问题

1. 首先我们要解释该原因如何回答原始问题
2. 其次我们要通过原因寻求解决问题的方案
3. 最后推动执行落实下来的方案

3 指标归因的基本方法

在指标归因中，我们常用到指标拆解和漏斗分析等方法对核心指标进行归因分析，

两种方式对于所处理的数据都有着很强的解释性，结果也相当直观。

漏斗分析实质上是指标拆解的一个特殊情况，其关注点不仅仅在于贡献度，还在每环节漏出，因此在转化场景下有更为突出的使用效能

3.1 确定性推断

1. 确定性判断主要采用的原则是指标拆解和贡献度可量化
2. 在进行指标拆解的过程中，我们要注意满足MECE原则(Mutually Exclusive and Collectively Exhaustive)

3.1.1 加|减法类

3.1.1.1 静态拆解 - 解决变化量问题

$$\begin{gathered} X=x_1+x_2+x_3+\cdots +x_n \\ \Delta X=\Delta x_1+\Delta x_2+\Delta x_3+\cdots +\Delta x_n \end{gathered}$$
其中，$X$是总指标值， { x 1 , ⋯ , x n } \{x_1, \cdots, x_n\} {x1​,⋯,xn​}是维度拆分后各因素的值，

那么，各个因素的贡献度可以通过以下公式进行计算：
$$C_n=\frac{\Delta x_n}{\Delta X}$$
其中，$C_n$即为第$n$个维度的贡献度

3.1.1.2 动态拆解（单因素拆解） - 解决变化率问题

3.1.2 乘法类

3.1.2.1 替换法

3.1.2.2 LMDI- 乘积因子拆解

3.1.2.3 双因素法

3.2 可能性推断

3.2.1 机器学习 + SHAP

3.2.2 因果推断

3.2.2.1 ABTest

3.2.2.2 DID

3.3 猜测性推断

能够提供一定的信息增量

4 指标拆解的基本方法

4.1 总体原则

1. 首先要定位核心变化场景
2. 通过横向拆解和纵向下钻进行综合分析
3. 指标需要有意义
4. 指标能够定位到明确团队
5. 指标不宜过多

4.2 举例

某短视频平台GMV拆解

GMV = 曝光数 * OPM(千次曝光订单量) * 单均价

曝光数 = 供给因素+流量因素

OPM = CTR(点击率) * 次均观流时长 * OPH(单位时长订单量)

这篇关于指标预警和指标归因分析的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---