如何针对指标波动进行量化归因

企业在建立数据化运营过程中，建立可量化业务健康状况的指标体系，基于指标波动，识别业务的异常变化，并能通过归因分析，找到引起异常的原因非常重要，其中，归因分析又包含多种方式方法，如相关性分析，结构化比例归因分析，基于机器学习的贡献度分析等等，本文将重点讨论归因分析分析中常用的结构化比例归因分析，该方法可通过指标拆解的方式，量化拆解因子贡献。
以下将以电商GMV拆解为例，讲解结构化比例拆解步骤，通过该拆解方式，将分别量化流量，转化率，客单价对于GMV变的影响大小。以下为具体场景，下表为7月和8月份电商GMV收入，以及两个月份各自的访客数（UV），转化率和客单价，通过该表发现，7月到8月，GMV下降了2000万，那我们想知道，下降的原因是什么，以及各个因素影响的大小是多少？

基于上述数据，我们先给出分析计算的结果，然后再详细讲解计算逻辑，以下为分析结果：

通过分析计算，我们可以得到，7月到8月，GMV总体下降2000万，下降的主要因素是访客数，影响权重40%，其次为转化率，影响权重15%，客单价对于实收有正向贡献，影响权重40%；通过影响值，可以看到，下降的2000万GMV中，应访客数下降造成的GMV下降值为4438万，因转化率下降造成的GMV下降值为1416.5万，而客单价的提升带来GMV3855万的提高，故改善访客数是本场景下的关键因素。
分析过程：

1. 确定指标拆解的计算公式：GMV=访客数x转化率x客单价

2. 计算期初，期末两个时期下各拆解因子的平均值及变化值，如访客数，7到8月，访客数下降值为1000万，7月和8月的平均值为2500万，转化率与客单价同理。

3. 计算个影响因子的贡献值，贡献值的计算为该因子的变化值x其它因子的均值，如访客数的贡献值=访客数的变化值-1000万，乘以转化率的均值24%，客单价的均值19.4元，从而计算出访客数的影响值为-4550.5万，该值可以理解为访客数变化造成的GMV值的变化幅度。

4. 平滑处理，使各贡献值加和与GMV实收变化值相等，本场景通过GMV拆解出了三个因子，对于两个因子的场景，通过步骤3即可获得最终的结果，步骤4是针对3个及以上因子的平滑处理，目的是是因子贡献值加和与目标值变化一致。

以上即为结构比例归因常用的计算逻辑，通过该拆解方式，量化指标的影响因子权重。