数据分析方法论-归因分析

一、特点

1.99%以上的归因分析是关于下降的

上涨一般不需要分析，无论是产品还是运营，都会进行相应的解释，是由于某些运营策略或者产品新功能的上线导致的。当老板发文时，问题在进入数据分析部门之前就被消化掉了。

2.归因分析的时效性强

当产品、运营、软件、算法做出了认为可以改善指标的举措之后，假如效果不佳或者出现反向效果，需要快速反应分析出原因，并给出相应的策略建议进行改进

3.做有insight的归因分析具有挑战性

与常规的报表统计和BI可视化不同，归因分析需要分析师具备一定业务理解力，解决问题的切入点是业务场景，然后才是用数据验证。单纯靠数据报表分析原因不太现实，报表只是工具，但不是手段。因为实际上业务部门很清楚影响效率的问题，只是没有技术，设备去解决。用图表展示他们早就知道的问题没有帮助

二、归因分析的本质

归因分析的本质是寻求一种因果关系。因果的解释和处理往往基于强大完善的指标体系网，每个指标体系都不是独立的，总是可以追溯和互相解释。

三、归因分析具体应用

往往我们需要在很短的时间内快速定位瓶颈问题，所以需要一些方法论来支撑及快速尝试。

1.是否系统本身的bug导致

是否业务RD新上线功能？RD是否存在明显bug导致新功能点或者算法策略点无法正常使用。是否上游数据处理环节切表或者埋点出了问题。数据从埋点到生产库的过程是否有问题等。

2.是否本身多方实际因素限制无法达到理想的效果

比如方案的设计是否合理，资源配套是否贴合客户场景需求，是否客户端反应出的产品结构和需求点是当前现有算法和策略未考虑到的

3.是否是真的下降了

需要进行月同比，拉长时间周期判断是否是真的下降，还是短期冲高后的正常回调。

4.考虑特殊时间和时间序列的影响

很多业务在不同的季节不同的活动期都有非常明显的时序特征。所以需要考虑是否受节假日影响，以及要做去年环比数据

5.漏斗拆解

往往我们都是通过结果指标来看到下降的趋势。如果是流量分析，则指标处于漏斗的最下层，可以分析各级漏斗，看究竟是哪一层转化除了问题，进而做更细致的分析。

6.用户行为分析

假如结果指标不涉及流量转化，而是同一个对象从零开始到结束的整体表现问题，那么需要把对象当做用户，进行用户行为分析。

如果结果指标涉及时间维度，则用户行为中，需要拆解用户每个行为的耗时，进而判断每个环节的耗时是否合理，并找出耗时最大的环节进行进一步分析优化。

7.公式拆解

公式拆解背后的核心思想是分类和细化。每个指标都由其他指标计算而来，其他指标本身也有散发开的公式计算。指标之间环环相扣。需要结合业务不断细化，找到原因产生的根本指标

8.相关性分析

如果分析师对业务很熟悉，那么因果分析更合适。如果因果分析不顺利，则大部分情况需要把实际问题转为多远回归问题。并不是所有的问题都可以使用多元归回模型，需要注意模型的应用条件，是否满足模型的核心假设条件。如果不满足，需要对因变量进行适当的变化以满足模型要求的核心假设。一般来说，大于0.7的回归模型才能用于对业务的解释，并且由于回归模型的特性，必须要结合强有力的业务认知度，才能用户对业务的实际判断。

本文参考

https://zhuanlan.zhihu.com/p/82897158

并结合自身经历进行内容丰富及总结