【异动分析】归因分析

最新推荐文章于 2025-01-12 18:12:13 发布
最新推荐文章于 2025-01-12 18:12:13 发布
阅读量444 收藏 7
点赞数 11
分类专栏： 03数据分析方法 文章标签： 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/nnnnn68/article/details/144726035
版权

业务视角

指标波动，正常吗？是什么因素的影响，影响了多少？我该做什么？

解决思路

  1. 排除数据问题
    确定不是因为数据更新和数据口径导致的问题
  2. 分析外部因素
    周期性波动：拉长周期看，或者对比同时期数据
  3. 内部归因
    最近哪些变化，带来了多少指标的变动

归因方法

  • 加法型指标
    场景：活跃数发生变化，是哪个城市的影响？
    指标计算公式L活跃量 = 城市1活跃 + 城市2活跃 + 城市3活跃
    指标变化贡献值：贡献值 = 城市两周期绝对DIFF / 大盘值
    在这里插入图片描述
  • 乘法指标
    场景：GMV = 用户数 * 人均单数 * 均价
    指标变化贡献值：
    log(GMV) = log(用户数) + log(人均单数 + log(均价)
    贡献值 = 两周期绝对DIFF / 大盘值
    在这里插入图片描述

备注：
log(A*B)=logA+logB
log(A/B)=logA-logB

除法型指标

场景：购买率发生变化，是哪个用户群体的影响？
指标计算公式是：购买率 = （新客户购买量 + 沉默客户购买量 + 活跃用户购买量） / 客户总数
指标变化贡献度 ： 客户群体变化影响贡献 + 群体购买率贡献 + 交叉贡献
在这里插入图片描述

在这里插入图片描述

指标异动归因分析
weixin_43418093的博客
05-14 3845
指标异动归因分析，包括加法拆解、乘法拆解以及比率型指标拆解，欢迎大家沟通交流~
异动归因方案在实际业务应用中的难点及解决方案
baidu_26137595的博客
04-11 2950
自动化异动归因方案在实际业务应用时，面临着几个难点，首先是加法和除法指标分别用什么方法去定位根因维度更合理；第二单一维度归因结论不满足业务需要时，多维归因如何避免维度爆炸问题；第三维度归因和指标归因到底是什么，怎么理解等。回答好这几个问题，才能更好的将方案推广落地。
【数分】5. 指标异动归因
Jon Shen的博客
04-29 2529
数据分析过程中，遇到的指标异常，该如何进行分析呢？
数据价值提升-指标异动归因
weixin_41875135的博客
04-08 1110
目标： 及时发现核心指标的异常波动，高效扫描，节省人工成本； 定位异常原因，并为业务运营策略、交付执行改进提供抓手； 思路： 分别从事的维度和人的维度出发，即满足策略方向又满足执行能力，逐步拆解下钻各维度作为监控的核心指标，并进行初步归因，归因主要监控指标的组成部分和受影响因素。 举个【接通率】的例子 通过接起率不达标的SKU，不达标是由于接起量的下降或进线量的上涨导致，如果是接起量下降说明是交付的问题，如果是进线量上涨，则是策略的问题；终极理想态是定位到影响因素：某SKU接起率不达标，初步归因
异动分析--基础指标监控及查因思路
查数菇乐园
10-12 2839
????一个异动分析思路
基于“贡献指数”指标对多因素造成的占比类指标异动进行快速归因
GONEW33的博客
09-28 985
基于“贡献指数”指标对多因素造成的占比类指标异动进行快速归因
数据分析02：指标异动归因补充
weixin_44744736的博客
01-30 1909
我们要对指标进行尽可能的拆解、提取相关驱动指标，这类指标拆解通常有明确的产品路径带来因果关系或者存在隐形的业务逻辑，我们可以将目标指标的异动归因到其驱动指标，对指标的变化进一步归因到业务环节的问题；（1）对于复杂指标或者可用业务逻辑拆解的指标，可以先对指标拆解看看是否驱动指标出现问题（利用乘法拆解计算各驱动指标的贡献度）。（2）如果无法对指标进行业务逻辑拆解，就进行维度细分，计算各个群体指标变化对整体的贡献度。我们要根据业务逻辑列举主要影响的维度，对各驱动指标进行维度下钻。绝对值指标和比率型指标。
异动分析技术解决方案—异动归因之指标拆解
数据库技术
04-11 1084
归因的方法有多种，这篇文章的重点是指标拆解，也是我们做业务分析时最常用到的方法。我们的目的是解放人力，将指标拆解实现自动化，一方面可以加快业务迭代速度，快速定位问题；另一方面可以对可能产生异动的维度进行全局量化，增强可比性，明确下一步的业务行动点的优先级。
数据分析指标异动贡献度实操计算中的5个常见问题及详细解答：归因方法解析与应用
最新发布
04-28
适合人群：数据分析师、从事数据分析相关工作的专业人士，尤其是对指标异动归因有一定了解并希望深入掌握实操技巧的人群。 使用场景及目标：①帮助读者理解不同类型指标（如加法类、乘法类、除法类）的构成及变化比...
异动归因_大盘指标的维度拆解
akasiro的博客
06-20 1871
结构的变化可以理解为本来新增一个单位的数量应当是个平均人（也就是指标为基准期大盘均值），但是这个新增单位为维度d，所以对大盘的影响是这个单位在这个时期的指标值-大盘均值；业务异动归因时常见的一种的情况需要对大盘指标根据某个维度进行拆解，例如我们观测到大盘负反馈率上涨了，我们会想去拆分不同流量的负反馈率上涨对于大盘负反馈率上涨的贡献。这样的计算将会是一个messi的计算，所有的指标变化影响和结构变化影响求和会绝对等于大盘指标的指标的变化。指标变化就是在保持原本的量不变的情况下指标上涨的变化；
【指标异动】贡献度定量归因之法
weixin_44976611的博客
10-16 3773
啥是贡献度？一个指标背后往往代表不同的业务含义，可以根据不同的业务构成 / 理解做一些拆分和组合。因此，一个指标的异动。势必是由于构成它的一些成分（常称为维度）扰动所造成的结果。
机器学习——决策树
weixin_41676930的博客
12-06 292
机器学习——决策树决策树信息增益——ID3 决策树 参考博客，决策树的关键就是，如何选择最优化分属性。一般而言，随着划分过程的不断进行，我们希望决策树的分支结点所包含的样本尽可能属于同一类别，即结点的“纯度”越来越高。 信息增益——ID3 “信息熵”是度量样本集合纯度最常用的一种指标。假定当前样本集合DDD中第kkk类样本所占的比例为pk(k=1,2,…,∣Y∣)p_{k}(k=1,2, \ldots,|\mathcal{Y}|)pk​(k=1,2,…,∣Y∣)，则DDD的信息熵定义为Ent⁡(D)=−∑k
知识体系_数据分析挖掘_数据指标监控与异动归因分析
geilip的博客
01-12 1192
指标异动归因分析
指标异动的贡献度量化归因
weixin_45520028的博客
03-02 3935
目录背景目标方法思路子维度异动的贡献度量化指标类型一：加法指标类型二：乘法指标类型三：除法指标类型四：复合指标指标类型五：其他指标诊断展示结论 背景 数据监控，核心聚焦在子维度粒度数据波动的解读，但是不便于定位异常波动水平，以及进行指标下钻分析，难以直接定位指标变动来源。难以量化子维度贡献度 例如：11点准时率下滑，但通过分省份数据很难直接各省份波动程度，也不便于定位各省份对11点准时率下滑影响。 目标 自动化实现指标异动监控预警及变化来源量化定位。 方法思路 确定各个维度层级异常预警逻辑，简单定位异常省份
归因分析计算因子贡献度常见的方法
热门推荐
Hubans的博客
01-31 3万+
在归因分析中，我们一般都需要计算出每个因子的贡献度是多少，比如产品DAU上升，对年龄段维度进行拆解，看是不同年龄段的用户对DAU上升的贡献度是多少，一般根据指标的类型，计算贡献度的方法也不一样，下面就列出一些常见的归因分析贡献度的计算方法。
干货 | 携程火车票异常检测和根因定位实践
携程技术
10-19 2603
作者简介龙川泾渭，携程算法工程师，专注异常检测、根因分析、时间序列预测等领域。摘要携程火车票包含1000+的业务指标，人工监测指标的异常情况耗时费力，而由于业务差异，基于规则和简单统计学的检测方案只能覆盖到单个指标或者单类指标，并且不能随着新业务上线或者功能变动灵活动态的调整相应的规则，并不适用于大量不同业务线的指标。我们希望使用AI算法来代替人工，对指标进行全自动的监控，旨在发现指标的异常和导致...
GMV异常分析及RFM用户价值分析
Mars_1GE的博客
10-25 4311
考拉公司（虚拟公司）是一家电子类产品经销商，成立于2020年1月，旗下产品有手机、电脑、影音设备等。公司从2020年1月至8月期间，整体发展良好，尤其是5至8月期间，公司GMV直线上升，但是从9月份开始，GMV出现下滑。考拉公司成立不足一年，GMV大幅下降是一个危险信号。
指标归因平台建设思路
帆了个帆的专栏
10-11 1919
在GMV归因例子中，GMV环比下降8%，从“单一维度波动贡献”列表中，得知在“user_type”维度下，波动贡献最大，因此可以点击“+”，从弹框中选择对“user_type”进行下钻，同时勾选需要分析的维度枚举值（“0”，“1”）。在上面例子中，GMV关联指标“活动收入”环比波动较其他关联指标要大的多，显示为红色，这也是分析人员需要重点关注的地方。往常的做法是，对可能影响指标GMV，DAU的维度进行关联、下钻分析，这无疑带来了巨大的工作量，而且效率也低，重要的是整个归因分析思路无法沉淀，同样无法共享。
异动归因贡献度计算
03-08
### 计算异动归因贡献度的方法 对于不同类型的数据指标，其异动归因贡献度的计算方式存在显著区别。具体而言： #### 加法型指标 当处理像活跃用户数这样的加法型指标时，可以通过简单的差分运算来评估各个组成部分对总体变化的影响程度。例如，假设要分析某平台在全国范围内的日活用户数量的变化情况，则可以按照如下方式进行计算[^2]: 设大盘值为 \( L_{\text{总}} \)，即全国的日活总数；\( C_i^{t_1} \) 和 \( C_i^{t_2} \) 分别代表第 i 个城市在两个不同时间段 t1 和 t2 的日活人数。 那么，每个城市的贡献值可表示为： \[ \Delta C_i = (C_i^{t_2}-C_i^{t_1})/L_{\text{总}} \] 这种情况下，可以直接利用绝对数值上的增减来进行衡量，并将其转换成相对于整个系统的比例形式以便于理解和比较。 #### 乘法型指标 而对于类似于 GMV（Gross Merchandise Volume, 商品交易总额）这样由多个变量相乘构成的复合型指标来说，通常采取对数变换的方式来简化问题复杂度并保持线性关系不变。此时，公式变为: \[ \log(\text{GMV})=\log(U)+\log(TU)+\log(P) \] 其中 U 表示用户数目，TU 是指每位用户的平均订单次数，P 则对应商品单价。因此，针对此类场景下的贡献度估算可通过下面的方式实现[^3]: ```python import math def calculate_contribution(gmv_t1, gmv_t2, u_t1, tu_t1, p_t1, u_t2, tu_t2, p_t2): # Calculate logs of each component at both time points lg_gmv_t1 = math.log(gmv_t1) lg_u_t1 = math.log(u_t1) lg_tu_t1 = math.log(tu_t1) lg_p_t1 = math.log(p_t1) lg_gmv_t2 = math.log(gmv_t2) lg_u_t2 = math.log(u_t2) lg_tu_t2 = math.log(tu_t2) lg_p_t2 = math.log(p_t2) delta_lg_gmv = lg_gmv_t2 - lg_gmv_t1 contribution_user = ((lg_u_t2-lg_u_t1)/delta_lg_gmv)*100 contribution_order_rate = ((lg_tu_t2-lg_tu_t1)/delta_lg_gmv)*100 contribution_price = ((lg_p_t2-lg_p_t1)/delta_lg_gmv)*100 return { 'User Contribution': round(contribution_user, 2), 'Order Rate Contribution': round(contribution_order_rate, 2), 'Price Contribution': round(contribution_price, 2)} ``` 这种方法不仅能够有效地区分出每一个因素单独作用所带来的效果大小，而且还能直观反映出它们之间相互关联的程度。 #### 维度拆解与对比分析 除了上述基于数学模型的定量分析外，还可以借助维度拆解以及单维或多维对比的技术手段进一步深化研究。这涉及到选取特定的时间序列作为参照系，观察目标对象随时间演变过程中是否存在某些特征性的模式改变或是异常突变现象的发生。通过对这些潜在规律的研究，有助于更加全面而深刻地揭示背后隐藏的真实因果机制[^4]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值