前言：
1.分析思路
1.1定位问题
1.2排查影响因素
2.自动化实现
2.1必备功能（由始至终）
2.2面向用户（由内而外）
2.3前后端逻辑
前言：作为一名数据分析师，分析“某某指标下降或者提升”是非常日常的工作。但如果每次一遇到这类问题就一通操作分析，着实有些耽误时间。好在这类“指标异动”的分析通常是有一些固定的套路的，逻辑并不复杂。因此，咱们尝试抽象出这类问题的解决方法，并做一个「自动分析」的工具，来替代数据分析师的这部分日常工作，解放生产力呀。本文就拿“GMV异动”举例，来介绍这类指标异动的分析思路、以及如何实现自动化。其中“分析思路”在业内主要有两种：贡献度和基尼系数。本文主要介绍前者。
1.分析思路1.1定位问题1.确定发生期和基准期即：什么时候相对什么时候的下降？
发生期：GMV产生变化的时期，比如年11月1号-11月30号基准期：参照期，比如年10月1号-10月31号这里注意，发生期和基准期的天数是否相同？如果是相同，那么直接对比总GMV变化就行；反之可以对比他们的日均GMV变化。为了方便“自动化”，我们暂且都按日均GMV算。
2.确定数据准确性这是我们在收到“GMV异动”时候，第一个要排查的因素！
为什么要把放到第一个？因为以免我们吭哧吭哧分析半天后发现：“原来只是数据源出问题了”，白白浪费了分析资源！
那么数据准确性可以从以下几个方向确定：
数据传输、存储、清洗有没有问题？与该指标（GMV）关联的其他指标是否异常？指标统计口径是否异常？是否有业务逻辑上的更改？是否埋点上报异常？是否指标计算方式更改？3.按来定位问题所在到此，我们进入正题，开始开始定位GMV异动的可能原因。
按GMV公式，我们分3步骤探索：
定位GMV下降的特征——对应GMV本身是否是由于dau基数影响到gmv——对应公式里的dau定位GMV下降的特征的支付漏斗折损位置——对应公式里的转化率下面具体展开：
1）定位GMV下降的特征
统计GMV的常见维度，分为固有属性和变化属性，如：
固有属性：（用户从一开始就自带的属性，在之后的行为里都不会发生变化）新增渠道：ios，华为，小米，vivo，oppo，其他...城市线：一线，二线，三线，......变化属性：（用户在之后的行为里可能会产生变化的）
支付时段：0-6点，6-12点，12-18点，18-24点支付方式：sdk支付，转载请注明：http://www.0431gb208.com/sjszjzl/324.html
