所谓异动分析，就是某个指标发生了变化，针对这个变化寻找原因。

1. 确认指标是否真的发生了异动：

• 数据是否准确（e.g.上游表是否产出正常）
• 数据变化范围是否在正常范围之内（e.g.假期节日）
• 计算层面是否发生变化（e.g.指标口径变更）

2. 拆解维度：多维度下钻。 比如可以分行业、分来源、分用户画像等等。一些有计算公式的指标，也可以细分到公式中的每个指标。

3. 确定原因： 可从时间对应、幅度对应等多角度确认是什么细分指标导致了最后的结果，又是什么因素影响了这个细分指标，可以综合考虑外部因素＋内部因素

📌其实异动分析的整体思路还是很简单的，重点是培养对场景的理解和感知，储备多样的分析方式（漏斗分析法、3w1h黄金法则等等）

验真→指标横向分层→指标纵向下钻→数据原因到业务原因

case1 如果次日用户留存率下降了 5%该怎么分析？

答：首先，判断数据是否准确，是否在正常范围之内，是否是周期性的（比方说实在大促之后）；

接着，若指标存在异常，

先横向拆解（用户角度【💕用户处于哪个生命周期的阶段】、商家商品角度【新老商家、商家星级、规模、商品品类、价格、折扣率】、订单发生场景的角度【不同渠道、界面、推荐、营销、直播】）

然后分别计算每个维度下不同用户的次日留存率。通过这种方法定位到导致留存率下降的用户群体是谁 从维度看，一二线城市的在下降balabala

再纵向下钻（在此过程中，多个维度下的子项指标变化差异都大，需量化 分清主次因） ①贡献度————子项对总体变化的影响大小； ②区分度————衡量子项贡献的不均 ③锁定区分度最大的维度，找到贡献度最大的子项

最后，分析原因，比如说这个时候你已经得知是新用户的次日留存率下降了5%；

内外部分析

内部：

分为获客（渠道质量低、活动获取非目标用户）、满足需求（新功能改动引发某类用户不满）、提活手段（签到等提活手段没达成目标、产品自然使用周期低导致上次获得的大量用

外部

政治：政策影响

经济：短期内主要是竞争环境，如对竞争对手的活动

社会：舆论压力、用户生活方式变化、消费心理变化、价值观变化等偏好变化

技术：创新解决方案的出现、分销渠道变化等