随着大数据思维的深入人心，数据分析已经成为产品、运营、业务等各岗位的日常工作项之一。新产品上线需要分析新老版本数据效果；新活动上线需要密切关注效果；日常频道运营需要监控每一个橱窗的数据，以达到流量最有效的分发；业务需要时刻关注转化、销量数据，以调整售卖策略。数据对于日常工作的推动和检验起着举足轻重的作用。
小编刚入行时的领导非常严格，要求每一个产品经理每天都第一件事就是关注自己产品的数据，如果有异常，在领导发现之前没有定位且给出解释的话，就会被批的很惨。并且领导是一位对数据非常敏感的高手，任何数据问题都逃不过老人家的法眼，汇报时前后数据是否对的上，一样就能看出问题，全业务数据了然于心。正因为这位严师的教（zhe）导（mo），小编及小伙伴们人人都练得一身数据本领，正所谓满满求生欲。
日常数据分析中，数据好的时候，总是令人愉悦的，皆大欢喜，普天同庆；但是更多时候，大家往往会发现数据并不如人意，或者某天某刻出现特别低的数据，令人感到非常郁闷，又找不到方向。小编曾经做过几年数据产品，每周接到的最多的并不是需求邮件，而是来自各事业线的问题排查邮件，往往数据一差，大家就会怀疑报表是不是出问题了，或者采集是不是错了，但大多数情况下，排查之后，结果并不是数据的问题，令小编和数据同事们非常苦恼。
本文即对数据异常情况下，可能的原因做了归纳和梳理，主要提供一个分析问题的思路，让大家在遇到数据异常的情况下，可以井然有序的自己先分析和排查原因，更高效的分析及解读数据。
一、时间周期因素
根据一般APP（特别是银行、金融类APP）的活跃趋势来看，周末的活跃会比平日低；节假日的活跃会比平时低；工作日的9-11点、下午14-16点会是活跃高峰（电商、娱乐类晚上会是高峰）。所以如果遇到某些时候数据特别低，可以从时令周期的角度先来分析，看看是不是时间的因素影响了数据，一般时间周期会是最容易理解和分析的维度。
【示例：工作日和周末的流量趋势走向】
二、活动/投放相关因素
一般大促期间会造成数据极端特别高，所以大促之后，会有一段时间数据会趋于平缓，这个时候如果做环比分析，数据势必会惨不忍睹。所以做数据分析的时候，需要考虑活动的因素，不要因为活动的数据来影响了日常的数据分析。
此外，外部渠道投放或者应用市场推广也会带来一定的数据波动，可能会出现流量突然增长，又或者是停止投放后，流量突然下降；频道运营也可能有一样的情况，在banner或者好的入口展示了，流量会有所增加。这就需要大家非常清楚相关板块的流量来源及渠道数据，以达到流量走势了然于心。
然而，在实际的运营过程中，大家往往会遇到这种情况，A部门做了活动，没有通知即时通知相关部门；B部门做了页面投放，但是引来的不是目标用户，导致增加了一堆无效流量，反而拉低了转化。这就牵扯到公司内部的信息同步的机制，不是所有的活动和动向都是全部公开透明的、全部人员可以通知到的。这种情况下，建立统一的活动库、渠道参数分配系统、广告管理系统、重大项目上线周知及动员会就变成尤为重要，都可以有效的避免因为信息不对称引起的数据排查困难。
三、大盘趋势及上游页面因素
有时候某个页面突然数据不好看了，并不是功能出现问题了，还有可能整个APP的大盘活跃趋势有下降，所以，通过大盘的走势来分析单一页面的走势，也是一个比较有效的排查方法。如果数据波动的趋势和大盘是一致的，那么就可能是大趋势导致的波动，如果数据趋势和大盘不一致，那么可能就需要寻求其他原因了。
同理，通过上游页面的流量趋势及流量来源的分析也同样可以帮助排查问题，数据分析人员需要能有顺藤摸瓜的能力，一步一步追溯上游，追寻问题的根源。
【示例：上下游转化分析】
四、系统异常因素
有时候，系统故障（例如：服务器故障、接口报错等）可能也会影响数据，就需要数据分析的同学时刻关注关联上下游系统的动向，以第一时间定位原因。
五、分子分母大法
对于比率类数值，很多时候单看数值是很难看出问题和趋势的，因为数值是受分子分母两个数值的影响的，分子和分母中某一个值有波动，都会影响整体的比例的值。
例如，点击转化率，有时候转化高了，并不是点击升了，而是因为分母的流量低了，反之亦然。很多时候周末的点击转化会上升，大多情况都是因为周末流量降了，并不是功能点击的人数涨了。有时候转化率急剧下降，并不是因为实际页面点击降了，可能是因为投放导致流量增加，从而拉低了转化率。
又例如，有时候衡量一个页面的质量会用到PV/UV（用于衡量用户粘性）和click/PV（用于衡量页面内容是否吸引用户）两个指标，但是往往会发现两个指标很难同时达到数据都理想，往往一个增高、另一个就会下降，仔细分析就会发现，两个公式里面PV一个是分子、另一个是分母，那么势必很难达到两个数值都很完美，除非页面click特别高、同时UV又特别低，这就需要页面内容足够的吸引人，可以吸引用户不断回访且产生更多点击。
用分子分母拆解的办法来进行单因素分析，对于比例类的数值，是非常有效的问题排查方法。
六、采集问题
排除以上人为、趋势等外部因素之后，有可能数据异常真的是数据本身造成的，比较普遍的是数据采集的问题，数据采集和上报的准确性和完整性是数据结果是否正确的最重要的基础和前提。
很多时候，运营人员如果没有相关工具的话，会比较难检查埋点是否准确。这就需要数据平台为大家提供能够实时的埋点检查的相关平台或工具，能够让运营人员通过自己访问页面和点击，就可以实时检查点击、曝光等事件是否上报准确。如果平台不具备相应能力的话，那么只能寻求数据或者前端开发同学的协助了。
七、数据解析问题
除去以上几点可能外，如果还是查不到数据异常原因，那么可能只能寻求数据同学的帮助了，可能是数据解析的问题、也可能数据同步、处理等各环节发生异常。此处不再赘述，期待专业人员开专题解答。
最后的话
以上，主要是小编日常工作中常见的数据异常问题排查的方法，正所谓，实践出真知，希望对大家实际工作有帮助。大家在日常每日数据分析时，遇到问题的时候，可以通过以上方法先自查，自己尝试找出问题的原因，有时候会有意想不到的收获，如侦探破案般的喜悦和成就。
