如何计算指标波动贡献率？（附Pandas实现）

大家好，我是阿粥

“为什么这个月销售额提升了30%？”

“为什么转化率又降了，同比竟然降低了42%，什么原因导致的呢？”

这些都是数据分析师在工作中经常会遇到的问题，甚至有些基础岗的数据分析师要花80%以上的精力处理这类问题：指标降低或者提升了多少，以及波动的原因是什么。

这类问题可以概括为指标波动归因分析，很多时候用的是根据经验探索拆分的办法，非常占用数据分析师的时间，而且数据分析师获得的价值感也不高。

如果能够找到一些高效定位指标波动原因的方法，形成自动化判断机制，就能大大解放数据分析师的精力，使其能够把更多时间用在专题分析和推动业务上。

今天先讲解几种常见的计算指标波动贡献率的方法，量化波动来源。

一、什么是指标波动贡献率

当核心指标发生了波动，例如销售额从100万元上升到1000万元，分析师的活儿就来了，这个指标的波动可以从多个维度拆解。

• 渠道维度：天猫渠道、京东渠道、线下渠道等。

• 新老用户维度：新用户和老用户。

• 用户属性维度：不同年龄、消费力、兴趣偏好、地区。

• 其他底层数据能够支持的维度

能拆解的维度很多很多，一般来说，数据分析师根据自身经验，会选择一两个主要的维度优先进行拆解和验证。

例如从渠道维度进行拆解，可以进一步细分为A渠道、B渠道、C渠道三个元素。我们实际关注的是，A、B、C每一个渠道销售额的变化对于整体销售额波动到底有多大影响。

为了量化每一个元素对总体波动的影响程度，我们引入了“贡献率”的概念。贡献率主要回答“每一个元素的变化对总体波动的贡献是多少”这个问题。通常，各元素贡献率之和等于100%，正好可以完全解释总体波动。

需要强调的是，为了避免概念产生歧义，在本章的销售拆解中，渠道、用户、地区是指不同的维度，而渠道下面具体的渠道值A、B、C称为不同的元素。

对于不同类型的指标，有与之对应的不同的贡献率计算方法。

二、可加型指标

1、计算逻辑

可加型指标是指那些数值可以直接相加的指标，例如访客数、销量、销售额。这里以一个简单的案例来介绍可加型指标的计算方法，案例数据如表14-1所示。

表14-1 可加型指标基础数据

总体