via：网络
对于数据分析师而言，监控日常指标数据是必不可少的工作之一，
数据异常分析是数据分析工作中最常见且重要的分析主题
。
每次听到老板说，今天DAU掉了很多。
你就心头一紧，老板都知道了你还不知道？
一般来说，这些数据都有固定的波动周期，每个周期内的数据变化应该是趋于稳定的，如果某天某周某月的数据不再符合预期的稳定变化，也就是我们所说的数据异常。
这种情况下，我们需要去深挖数据异常产生的原因。
通过一次次的异常数据分析来明确造成数据波动的原因，建立日常的的运营工作和数据波动之间的相关性以及贡献程度的概念，从而找到促进数据增长的途径，改变数据结果。
经常我们接到的数据分析需求可能是「XXX，
用户数/收入/付费率最近在下降，分析下什么情况
」
这是数据分析面试的时候高频率问题之一！！！
接到这样的需求，需要解决以下疑问：
-
判断数据波动是否为异常（对比前后一段时间内的变化情况）
-
确定异常的范围（异常发生的维度，主要从时间维度看）
-
波动的程度（理论上有【3个西格玛】，实际中一般通过观察趋势图）
-
是否需要深入分析
注意：
如果数据有明显的周期性和季节性，需去除相关因素之后再利用以上办法计算阈值。
当然，其实一般都是新手数据分析来处理分析的，你可能会觉得两眼一抹黑不知如何下手
ok，一般都是核心指标或者基础指标异常监测和分析，所以想要进一步分析，只有一个字，拆！
！
！
第 1 种，根据指标计算逻辑来拆。
第2种，根据相关维度来拆。
-
分平台/版本：
假设某产品列表页到详情页的转化提升，我们猜测是iOS新版本中优化列表布局方式，我们需要分iOS和Android以及分iOS新版老版对比这个转化数据来证明我们的猜测。
-
分区域/城市：
假设某年8月31日某OTA的交易额呈现大幅增长，我们猜测是因为大学生开学造成酒店需求增加，这时我们可以选取部分高校较多的城市如北京、武汉、西安等城市的数据来对比其他城市来侧面验证我们的猜测。
-
分用户群体：
假设某App新版上线之后新版转化率低于旧版，经过用户分析发现新版新用户比例较大，我们猜测新用户转化率会比老用户转化率低，这个时候我们只需要看一下新老客户的转化率区别就能知道我们是否蒙对了。
-
分类目：
假设某类目转化率在某段时间内明显提升，而这个时间段恰好是竞对较少补贴促销活动的时间，我们猜测是竞对促销活动终止对产品转化率造成了正面影响，如果我们查看数据证实那些被竞对取消促销的Item转化率提升明显，那说明我们的猜测是对的。
可以细分分析的维度实在太多了，真的没办法穷举，但是我们需要记住这种分析方式，当猜测是某种原因造成数据异常时，只要找到该原因所代表的细分对立面做对比，就可以证明或证伪我们的猜测。
第3种，从产品流程、用户体验流程进行拆分
假设某产品的转化率数据出现降低的情况，而这个转化率是多步漏斗转化的最终转化，我们可以细分每一步的转化情况，查清是否因为某一步出了问题。
比如微信支付服务器的故障会造成下单到支付的转化降低从而造成转化率降低，列表加载速度增加造成列表到详情转化率降低影响整体转化等等。
最后，数据分析的终极目的是对业务优化产生价值和赋能，由此，分析结论之后一定要提出切实可执行的方案，实现数据分析的闭环，即要落地到业务和产品上的具体建议，确保方案可执行，效果可评估。
