“这奇怪的变化背后，到底发生了什么？！”

当你脑子里蹦出这个问题的时候，就该进入本篇所谈的话题了---专题分析。

哈哈哈，如果标题吸引到了对本文内容并不感兴趣的你，请原谅是因为我想起以前看过的一本好书《爆款文案》里谈到的“标题如何抓眼球”。容我在这里测试下标题党引起的阅读量波动。

顺便推荐一下这本好书，运营和文案工作者值得一读。顺便致谢作者关健明的签名赠书。

传统的原标题...

增长模型下的产品与运营实战 之一：数据体系运用（3）

本文继续探讨数据体系，介绍专题分析的经验和思路。

工作中常会碰到一些突发异常情况，例如某阶段用户转化率大幅波动、交易金额飙升或锐减、某栏目CTR暴跌等，再或者观察到某些趋势性的变化（如消费者导购偏好演变、品牌消费趋势变化），此时通常会进行专题性分析，以明确下一步解决问题的思路。

专题分析主要由如下情况触发：

1，在数据报表中，我们常常看到一些核心数据指标产生波动，当波动范围超过一个预定义的警戒阈值时，就应该触发分析（无论正向的还是负向的波动），以理解波动背后的原因，并采取相应的对策。

• 多大幅度的波动值得触发分析因指标本身特性对应的业务敏感度而定。阈值设置没有固定规则，大家可以根据影响的承受力来设定。这里有一个常见错误，就是对正常的小幅波动太过敏感，触发频繁的分析，最终却没有有价值的发现，属于自然波动，浪费了人力。

• 什么是正常幅度的波动，可以对一个大时间段的同一指标进行同比环比的统计后判断。

例如，上图是我们在某五周期间观察到到流量按时间段到分布情况。大家仔细看下有什么异常？


猜对了，0点出现大流量！9点，14点，19点的流量峰值符合移动端用户在早晨通勤时间、下午回到座位、傍晚通勤时间的访问规律，但0点出现如此之大的流量，十分异常，就应当触发专题分析。

2，在数据报表中，数据体现出某个同趋势性的连续变化，例如，连续7次正向或负向的增长。此时，即使还没有达到预设的异常警戒阈值，都应当进行分析，以理解趋势背后的原因。

• 可能有同学会问，为什么是7次？其实这不是绝对的，当一个连续趋势出现时，同向的数据点越多，表明背后有某种非偶然因素的可能性越大。从统计学角度，如果是偶然因素导致连续7个点往同一个方向发展，可能性只有1/128，大约为0.8%，因此，7点同趋势变化背后存在非偶然因素的置信度已经足够高。如果是特别关键的指标，连续5个点同向发展（97%的确定性）也许就该进行分析了。想要深入了解的同学可以搜索“7点原则”，查阅PMP或者统计学有关的理论知识。

• 当然，背后应当去除已经理解的影响因素，例如越来越靠近春节时流量持续下滑，或者接近换季时新一季的服装销售持续上升，都是正常现象，除非波动过大严重脱离同比情况，否则这样的趋势并不值得浪费人力进行分析。

3，对某个数据背后的原因感兴趣，需要分析和理解该数据背后蕴含的信息。这个和数据的波动本身没有关系，只是深入去理解数据背后的原因或因素。例如，分析为什么在平台上第三方商家的流量达到48%，以制定更平衡的流量分发策略来扶持自营或第三方业务；分析为什么付费渠道来源的用户占比偏低或单客成本过高，以做更精准更高性价比的流量采买投放。

简单概括，专题性分析的主要做法是，按多个维度全面对波动数据指标的下层构成进行拆分，观察对比各个下层数据，找到在哪个细分维度出现异常波动，并锁定该维度，层层递进，深入分解，直到最终找到答案。

维度一：商品品类

拆分到各个品类，观察是否由某个品类的转化率大幅波动带动了整体转化率的波动。

案例1：某一周我们发现全站转化率飙升近2%，通过二级报表对各品类转化率进行观察后发现，转化率波动主要出现在美妆品类。进一步对美妆品类各SKU的销售进行观察，发现洁面仪、水牙线、和某款面膜等三个商品短时间销量巨大。这三个单品的上线价格远比京东和天猫更为低价，并与市场部确认，市场部有在“什么值得买”网站进行投放，导致大量用户涌入，销量激增，通过这三个热销爆款的销售推动了全站转化率的波动。

案例2：有一次服装线的采销对某品牌服装在设置促销券时忘记设置互斥，导致用户可以反复领券和叠加用券。而该技术漏洞被人在乌云平台所披露，导致大规模的用户和黄牛涌入抢购，零元购买，极短的时间里卖出数千件，造成转化率瞬时飙升。因为人工设置价格和促销时错误难以绝对避免，此类问题在各个电商平台时有发生。

维度二：用户群体

拆分到各个用户群体，观察是否由于某个用户群体的购买情况变化造成了转化率的波动。注意用户本身就可以按很多个维度拆分：

• 性别

• 地域：省、地区

• 消费价格段：高、中、低价格段

• 消费风格类型：例如时尚人群，母婴人群，数码控，阅读爱好者，家庭主妇……

案例3：某一周的数据观察中我们发现全站转化率的飙升，通过地域和品类的分析，发现是由于华东地区高温，导致空调风扇等商品在华东的销售飙升，推高全站转化率。北京地区雾霾爆表也曾导致净化器、口罩等商品在北京地区销售猛增。

维度三：渠道来源

拆分到各个用户来源渠道，按渠道对应的销售情况进行观察，例如，有时转化率大幅提升，分析发现是因为市场部在某些导购网站的黄金资源位进行了爆款投放，从该渠道产生了巨大的流量和销售进而推高了整体转化率。当然部分渠道的刷单现象也常常会引起整体转化率波动。

维度四：转化漏斗

观察首页到商详，商详到购物车，购物车到结算，结算到支付等转化漏斗环节的细分转化率的变化情况。

案例4：有一周转化率低于警戒值，通过漏斗分析发现支付环节成功率大幅下滑。对支付渠道进行分解后发现某银行渠道的支付成功率下降到零。与该银行沟通后确认，该银行对支付接口进行了升级，升级版本存在问题，导致该支付渠道支付失败，导致整体转化率产生波动。

案例5：有一次技术团队上线新版本后，发现转化率下跌，通过漏斗分析发现，在新用户注册环节有较大的注册成功率下降。进一步通过注册流程的分析，看到产品功能上增加了一步强制实名认证，导致部分用户在这一步由于各种考虑而放弃了注册。在与产品经理沟通后把实名认证改为可跳过，改为在后续阶段进行引导认证。这一步改变使注册成功率得以恢复，问题解决。

维度五：设备平台

观察iOS，Android，PC，Web等各个平台以及各个app版本的转化率情况。例如我们有时发现，新发的Android包存在技术故障，导致用户大规模登录失败，进而影响整体转化率。

维度六：销售渠道

很多平台会对接下一级分销渠道，各个渠道的销售情况变化也会带来整体转化率波动。有时某个渠道进行了效果极佳广告投放，会重大促进该渠道的销售，进而影响整体转化率。

案例6：有一次转化率下降报警，数据分析表明销售情况在用户、渠道、品类等方面都分布均匀。最后产品经理与BA联合排查，发现在0点到7点之间有大流量出现，并且流量集中在整点刚到时爆发，由此基本可以推测这些流量并非真实顾客，而是某种程序脚本整点触发导致。最后与技术团队跟进分析，确认是某搜索引擎爬虫开始集中爬取平台商品、价格信息。

维度七：流量或销售时段分布

拆分到各个用户来源渠道，按渠道对应的销售情况进行观察，例如，有时转化率大幅提升，分析发现是因为市场部在“什么值得买”的黄金资源位进行了爆款投放，从该渠道产生了巨大的流量和销售进而推高了整体转化率。当然部分渠道的刷单现象也常常会引起整体转化率波动。

维度八：用户账号或商户

有时某个商户，或某些用户，出现异常大规模订单，导致整体转化率、单均价等出现巨大波动（此类现象往往是刷单导致）。通过按商户或用户账号的销售情况拆分，可以发现此类问题。

在我和数据团队所做过的实际的分析中，以上八种维度都经常发现问题。并不排除还有更多维度，大家可以按自己的业务特性进行类推。

以上只是对转化率进行分解分析的一个例子。任何一种指标通常都可以向下拆解，直到最后发现问题所在，而上面列举的八个维度，通常通用于绝大部分的线上状况分析。具体的做法是，按各个维度对指标拆分到下一级后，观察下级各维度指标是否均匀体现该波动。如果是，则基本可以排除是该维度的因素所导致。对同级的各个维度逐一拆分观察，通常会发现某个维度下的某个次级指标剧烈波动，锁定该指标，再次对其下层指标进行分解观察，层层递进，最终可以找到结论。

关于指标如何分级，可以参考上一篇文章。