指标波动多大才算异常？

“分析下今天的波动”是数据分析师最常听到的任务。也是最头疼，最纠结，最难搞清楚的业务。为啥有时候下降了50%，业务却没反应，可下降了1%业务急得不得了？

下面我们一起学习一下不同类型指标波动的业务含义，再了解判断波动大小的方法是如何进行的。
一、指标波动的业务含义

1、软性指标波动

诸如注册用户数、用户点击率、转化率一类指标。
这些指标往往是通往业务结果的过程，就像得先有注册用户，才有后边的浏览、加入购物车、消费一样。软指标上升下降不见得是问题，有可能是一种新的业务形态（如下图），有可能是偶然发生的变化。因此，软指标的变化不会直接引发业务动作。人们更多关心：这种变化到底是好是坏，会不会对硬指标有潜在的影响。

如果只考核总消费的话，活跃人数、转化人数可能有好几种形态，比如情况2就是典型走高单价模式；情况3就是典型的大众产品，低价格路线。因此过程指标很可能只是个参考，不能直接判定好坏，需要和一个关键结果指标挂钩。
除非像有些互联网公司，为追求增长，把活跃人数和转化率设为硬指标，不看总消费，这时候就有另一种解读了。
2、硬性指标波动

有一些指标是刚性考核业务部门的。比如

考核销售：业绩、回款
考核商品：库存、毛利

考核客服：接听、投诉

这些指标是刚性考核业务结果，意味着：必须达成指定数量，否则即使差1%都是问题。因此，常把它们称为：硬指标。这点在销售上表现最明显，定好的业绩目标，哪怕只差0.5%，没达标就是没达标。
背硬性指标的部门，对波动最敏感，并且锱铢必较的就是他们。硬指标不达标可能直接意味着挨骂、扣钱。所以硬指标波动特别受关注。
注意：硬指标和软指标的区分，不是一成不变的。比如很多互联网公司会考察“用户增长”，这时候注册用户数就是个硬指标，逼着推广部门完成。因此区分硬指标和软指标，要看部门具体KPI要求。
3、边缘指标波动。

诸如满意度、知名度等指标。这些指标有共同特点：

这种不准确、没啥用、易操控的指标，也会有波动，也会引起人们的关注。但是明白了这些指标的逻辑，大家会发现，想把波动控制住简直太容易了，只要搞搞数字游戏就可以。
了解了三大类型以后，在应对指标波动的时候，就有方向感：硬指标>软指标>边缘指标，按这个顺序抓重点，不要面对一屏幕指标高了低了，急的直挠头。
有了主次之分，就能进一步考虑判断大小标准。
二、如何判断波动的大小

指标，可以理解是根据数据统计或数据分析得到的反映或评价某一事件结果的数据，在分析的时候逻辑其实是和数据分析的基础流程非常相似的：先考虑是否存在异常/不准确的情况，确保数据可用性；再逐步进行定量定性的分析。
所以我们分为以下四步进行：
1、剔除伪波动

有很多波动是自然波动：
比如周末、节假日、工作日之间的交易额区别。
比如产品上市、热销、退市的用户数变化。
比如公众号发文以后7天内阅读衰减。
这些指标天生会有变化形态。平时多总结经验指标形态，就能发现规律

对于有规律性波动的指标，是否符合规律才是判断的标准，不是看具体数值的大小。如情况1，看是2天波动大，其实没啥问题；如情况2，看似平稳发展，可过往规律都是月初有一波高峰，本月没有就是有问题，所以总结规律很重要。
2、量化主动行为

有很多波动是业务主动引发的：
比如做促销，拉一波销量
比如搞培训，加强工作能力
比如做清仓，把库存尽快甩出去
这些指标的变化，本身是由业务引起的。
面对这种情况。首先要收集清楚：到底业务在干啥。不然分析了半天，人家来一句：“我早知道了”“就是我干的”这就贻笑大方了。
其次，要收集清楚，每一个业务动作的目标和结果，这样能方便评估“指标波动是否达成业务预期”。这是个重要的评价标准，一定要标红加粗记下来。主动行为且指标波动达成预期的情况下，业务是不会纠结的。达不成预期的时候，他们就会很想知道：“到底差在哪里？”这时候拿着业务期望值找差距，就很重要。

对于业务主动引发的指标波动，是否达成了期望目标才是最关键的判断标准，而不是绝对值大小。如上图，很有可能在“1”位置，数据分析师会写“这是大促销前自然下跌”。在“2”位置，，会写“这是大促的自然增长”。在“3”位置会写”这是大促自然回落“。可结合整月目标和单点目标会发现，这明显属于异常波动！很可能为了双十一达标而用力过猛，拖累正常量。
对于达成业务期望的，无论波动范围多大，都属于可接受。既然是主动引起的增长/下跌，肯定是指标变化越大越好。对于未达成期望的，要看期望值差距，差距部分才是要分析的波动值。
3、量化外部影响

有很多波动是可收集的外部行为导致的。比如政策限制、天气、对手等等。注意：外部因素有很多不能收集到数据，落实影响。也有很多，即使知道了影响，也没法干啥事——总说下雨影响业绩，那也不能烧香求龙王吧。
因此，对外部影响，评估其波动大小，不要看一天的绝对数，而是要测算该影响预计持续时间，推算在这个时间内，总共产生的影响值，这个数值才是衡量波动的标准。

对于外部因素引发的波动，要考虑外部因素持续时间，整个持续时间范围内的整体波动，才是考虑标准，而不是眼前的一点绝对数，比如本月8、9、10三天有恶劣天气，业绩受影响。看到这个情况，数据分析师应该首先去找：本月预计恶劣天气持续多久。之后估算整个恶劣天气期间，预计影响多少业绩。这个波动数才是业务真正关心的。
4、其他意外波动。

是否有既不符合规律，又没有业务主动动作，又没有外部因素，数据本身也没有问题，但是就是发生波动的情况？
有！这个时候应首先定位波动发生点：

全局性波动，还是局部波动

持续性的，还是突发性的

波动数值，大还是小

判断问题大小的标准：

全局性>局部问题

持续性>短期问题

数字越大，问题越大

锁定问题点后，可以结合指标的属性，思考对策（如下图）。

很多人管这个叫：多维拆解原因分析。其实这是一种错误说法！把指标下降的具体到某几个点上，只是锁定了问题发生的位置，并没有给到问题发生的真正原因。业务想听的原因不是某个渠道人少了，而是我的产品体验/优惠力度/内容吸引力/文案标题……出了问题，我改正了用户就能增多。
想到这个层面，需要大量深入分析。这种分解方法，更适合判断波动大小程度，指标掉的越狠，波及面越大，越是持续发生的问题，就越需要紧急处理。

这样区分以后，就有了清晰的处理方向。按照楚轻重缓急，该用雷霆手段就果断下手，该慢慢看的就慢慢看。这些基础、简单、细节的工作，才是应对“指标波动焦虑”的最好办法
那这一篇内容就到这里啦！如果你觉得这篇文章对你挺有帮助，就点个赞支持一下吧！大家如果还有什么不懂的地方，欢迎在评论区留言，我会根据大家的问题不定时更新文章！关于更多数据分析相关的知识，可以到主页查看，后面也会陆续更新更多实用的干货。