注：本文首发于公众号：书剑双修，欢迎关注。
数据异动分析是一类典型的数据分析问题，也是分析师日常工作中会频繁遇到的问题。很多的数据分析面试过程中，都会对这个方面进行考察，以此来判断分析师思考问题的全面性与严谨性。
常见的数据异动，按照MECE原则可以分为以下5大类：
接下来，我们分别对5类情况进行说明：
周期性波动
一个成熟的业务模式，一般都会具有较为稳定的周期性。数据的周期性波动是一种自然形态下的正常波动。比如：
- 对于游戏业务来说，周末，节假日的DAU一般要高于工作日；在一天之内，中午，晚上的活跃也要高于上班时间。
- 对于外卖业务来说，工作日的活跃一般要高于休息日。
- …
因此，遇到数据波动时，首先应该看看是否是由于周期性波动造成的。如果是正常的周期性波动，那么就不用再继续排查了。如果数据波动范围超出了正常周期性的波动范围，那就需要继续排查。
这个原因比较好判断，对业务发展有了基本了解之后，能比较容易识别出周期性波动。比如下图这种情况，从周日到周一，dau下降了约30%，但其实是由于周波动引起的，因此就不属于异常波动。
业务内部因素引起的数据波动
业务内部因素，一般是由公司内部的运营活动引起。比如push/短信的推送召回；拉新、促活、促销活动等引起的短暂的指标变化。
举个例子，比如某段时间，业务方发起了一个老用户短信召回活动，那么短时间内活跃用户数就会有明显的增长。当遇到这种情况时，一般需要和业务方进行协作排查。在真实的工作场景中，业务方在做这些活动之前，都会通知到数据分析师，请分析师帮忙监控数据变化，评估活动效果。
业务外部因素引起的数据波动
除了公司业务方做的运营活动之外，还有一些外部因素也会对数据造成比较明显的变化，常见的有：竞品的策略调整，特殊的节假日，政策变化等。在这里举几个例子：
- 节假日效应：每到大型节假日，比如春节，国庆，中秋，端午等，大部分app的活跃/新增用户都会呈现一些下降的趋势。因为在这些时间点，大家的注意力都集中在节庆上，停留在某些app上的时间就会降低。与此同理的，还有双11、618这些购物节，每当临近这些节点的时候，购物类的app数据会增长，其他类型的app就会逐渐下降。因此app数据的变化，其实最终还是要归因到对用户注意力的争夺。
- 政策变化。近三年来，每个城市都面临了多次的口罩反复，城市封控。每次封控期间，居家办公，减少通勤，都会导致app的数据表现与正常的工作日出现差异。比如，摸鱼时间会增长，导致各类娱乐产品的数据会增长；在裁员背景下，招聘产品的数据会增长。
数据链路异常引起的数据波动
在排除了上述周期性波动、内外部因素影响之后，数据波动还可能受到数据链路异常的影响。这一点在具备完整的数据技术能力的公司不会经常发生，但是在一些中小型公司，或者进行数字化转型中的公司里，是经常发生的事情。
排查监控面板的数据异常，是早期数据分析师的常规工作，也是一家公司数据能力不断完善过程中必不可少的一步。
一般可从监控面板到底层埋点数据进行逆向排查，排查流程如下图所示：
- 数据库中是否有数据；
- 数据调度是否正常；
- 底层数据是否正常产生；
- 客户端/服务端埋点是否存在异常
其他因素引起的数据波动
上述的思考维度，是一些常规性的拆解方法。如果都不能定位到数据波动的原因，那就需要针对具体的数据指标进行拆解，通过维度下钻的方法来定位业务问题。
比如常见的DAU波动问题，可以按照DAU = 新增用户+回流老用户进行拆解。看看是新用户出了问题，还是老用户出了问题。
新用户，可以继续拆分渠道来源，版本分布，地区分布等；
老用户，可以拆分注册时间，地区分布等；
写在最后的总结（重点）
最后，当发现数据异常时，不建议大家一上来就考虑各种影响因素，而应该也确认一下数据的真实性，因为在真实的业务场景中，数据的链路非常长，涉及到非常多的上游环节，每一个步骤出错，都会对最终的数据产生影响。
当确认没有数据异常时，也不建议大家第一步先自己对着数据去拆，影响日活数据的因素很多，不可能把所有维度逐一拆解对比，容易浪费时间却没有任何有价值的发现。做数据异常原因分析的核心就是结合以往经验及各种信息，找出最有可能的原因假设，通过数据的拆分进行多维度分析来验证假设，定位问题所在。过程中可能会在原假设基础上建立新的假设或者是调整原来假设，直到定位原因。
以上就是进行数据异动排查的一般步骤，可以作为大家在遇到这类问题时的一个参考思路，大家也可以在自己的工作中不断完善分析角度，丰富自己的分析思路。
