指标掉了12%，先别急着归因

微信扫一扫，分享给好友

关闭

周一早上看到核心指标掉了 12%，会议室里十分钟内就会出现三个解释：竞品发了新功能、上周改版影响了体验、季节因素。这些解释都可能是对的，但如果跳过前三步直接讨论原因，讨论的其实是谁的猜测更好听。

下面这条排查顺序，能把大部分「异动」拦在归因之前。

第一步：这个数字是真的吗

先别管业务，先管数据链路。三个必查项：埋点有没有改动、上报有没有延迟、统计任务有没有跑完。

我见过最典型的一次「暴跌」，是某天凌晨的数据任务因为一张表锁住延迟了三小时，早会看的报表只统计了前一天的 60% 数据。团队花了半天讨论用户流失，实际上什么也没发生。

判断方法很朴素：看同源的其他指标是不是同步异常。如果所有指标一起掉，八成是数据链路问题；如果只有一个指标掉，才可能是业务问题。

第二步：口径变了吗

指标定义改动比想象中频繁。分母从「活跃用户」改成「登录用户」，或者把某个渠道从统计里剔除，都能在没有任何业务变化的情况下让数字跳一次。

建议每个核心指标都配一行字：分子是什么、分母是什么、什么情况会被排除。这句话写在报表旁边，比写在文档里有用，因为看报表的人才需要它。

第三步：拆开看，别在总量上找原因

总量指标是所有细分变化的加权平均，它会掩盖结构。拆解的维度按优先级排：新老用户、渠道来源、平台端、版本号、地区。

举个具体例子。整体次日留存从 42% 掉到 37%，看着是全面下滑。按版本拆开发现旧版本用户留存没变，只有最新版本掉了 9 个百分点。按平台再拆，只有安卓掉，iOS 正常。这时候问题范围一下从「产品出了大问题」缩小到「安卓最新版本有某个环节出了问题」，排查方向完全不同。

拆解的关键是先拆那个最可能产生差异的维度，而不是把所有维度都跑一遍。经验上，最近有过变更的维度最值得先拆。

第四步：现在才谈原因

到这一步，异动的范围已经被限定得很小，猜原因的效率会高得多。这时可以用三个方法交叉验证：时间对齐（变更发生的时间与异动时间是否吻合）、对照组（没受变更影响的用户是否也掉了）、反向验证（如果是这个原因，应该还能观察到什么别的现象）。

三个假信号值得记住

第一类是幸存者偏差造成的假下跌。某个入口被下线，导致一部分低质量流量不再进入，留下的用户更精准，看起来人均指标该升，但如果统计口径没跟着改，总量就会掉。这类「下跌」其实是好事。

第二类是均值掩盖。新用户大量涌入会拉低人均使用时长，但老用户的人均时长可能在涨。这时候说产品变差了是误判。

第三类是周期性。周内波动、月末效应、节假日效应，都会制造看起来很像事故的曲线。判断方法是对比去年同期或上个周期的同一位置，而不是对比上一个点。

一句提醒

指标异动排查最贵的成本不是分析，是时间窗。如果在第一步就被数据问题误导，团队可能连改三天错误方向。所以顺序不能省，先确认数字，再解释数字。

---

> 本文由 GPMU 原创撰写，转载请注明出处。

*本文观点仅代表作者/编者个人立场，不构成任何投资或职业建议。*