「经验」指标异动排查中，如何量化对大盘的贡献程度

Original 小火龙说数据小火龙说数据

新同学点击上方蓝字关注我哦~~

预计阅读时间：10min

阅读建议：本篇内容是在实战中总结出来的，篇幅较长，建议整段时间完整阅读，可以「关注」「收藏」，一定会让你有所收获。

解决痛点：归因分析中，针对不同指标类型，如何在结论中，体现出问题对于大盘的贡献程度？

序言

本期为异动归因的最后一期，前两期中，小火龙和大家分享了「指标异动排查思路」，以及步骤中的核心环节「如何快速定位异常维度」。本期会和大家分享「针对不同类型指标，如何量化对大盘的贡献度」，下面以三个问题开启本期分享。

问题一：“贡献度是啥？”。

假设：大盘pv涨1000，男性pv涨500，则男性pv贡献大盘涨幅的50%，男性贡献度=50%。

问题二：“为什么要量化对大盘的贡献度？”。

提问：哪个结论会让老板更加信服呢？

结论一：“大盘流量上涨4%，主要由于双十一女性流量上涨导致”。

结论二：“大盘流量上涨4%，主要由于双十一女性流量上涨导致，其贡献了涨幅的95%”。

相信对数字严谨的同学，都会选择结论二，因为其不仅给出了结论，而且给出量化的贡献程度。

问题三：“「不同类型指标」指的是什么？量化方式会不同吗？”。

指标类型粗略可以划分为三种，贡献度计算方式均不同：

类型一：加法型指标。例如：pv、uv。

类型二：除法型指标。例如：ctr = 点击/展现。

类型三：乘法型指标。例如：详情页访问次数 = 首页DAU × 详细页渗透 × 详细页访问次数。

可能有些同学会有疑问“详情页访问次数，这种既是加法型指标，又是乘法型指标？”

对的，这主要取决于以何种角度拆解，以性别等「横向」方式拆解问题，则为加法型指标；以访问链路等「纵向」方式拆解问题，则为除法型指标。

本期，将和大家分享「不同类型指标」如何计算「贡献度」，其中包含之前踩过的坑，希望可以帮助你少走弯路。

「加法型指标」贡献度拆解

「加法型指标」指不同维度值之间可直接累加，例如：页面pv。加法型指标计算相对简单，可采取「直接拆解法」计算贡献度。

① 加法型-直接拆解法

1、方法介绍

核心思想：贡献度 = 维度值绝对DIFF / 大盘绝对DIFF。

2、案例分析

某日大盘pv -520，拆解各年龄段对大盘降幅的贡献程度：

步骤一：[19-25]岁，pv -200。

步骤二：[19-25]岁，贡献度 = (-200) / (-520) = 38%。

3、方法总结

加法型可以精确的计算贡献度，同一维度下的维度值相加为100%。

「除法型指标」贡献度拆解

「除法型指标」指比值型指标，例如：ctr = 点击/展现。除法型相比加法型的计算复杂一些。需注意：在计算除法型指标时，需要同时考虑「指标变化」和「流量变化」。举个栗子：

对比周期

【大盘】ctr=1.4，【性别-男】ctr=1.7

当前周期

1、指标变化影响：【性别-男】ctr提升至2，会将大盘指标往上拉。

2、流量变化影响：【性别-男】ctr不变，但【性别-男】流量上涨，由于【性别-男】指标本身大于大盘，因此当其流量上涨时，同样会将大盘指标往上拉。

因此在计算除法型指标细分维度值贡献度的时候，一定要同时关注「指标变化」和「流量变化」。小火龙将分享两种计算贡献度方式，大家可以自行选择。

① 除法型-控制变量法

1、方法介绍

核心思想：仅将度量的维度值发生改变，其他维度值保持不变，从而评估仅在该维度值发生变化的时，对大盘变化的影响程度。和大家简单介绍一下流程：

含义说明

Ci：维度值i的贡献度

Rt：当前大盘指标

Rt-1：历史大盘指标

Rt_new：仅维度值i为历史值的当前大盘指标

这样解释可能比较抽象，仍然以ctr（点击/展现）为例，给大家举个栗子。

2、案例分析

步骤一：分别计算大盘和各维度值，过去和当前的ctr指标。

步骤二：分别计算各维度控制变量计算出来的Rt_new（ctr_new），以[1-18]为例：

步骤三：分别计算各维度指标变化的贡献度，贡献度加和≈100%。以[1-18]为例，变化贡献度为7%，其余年龄段如上图红色部分。

3、方法总结

该方式可以较好地量化相对值变化的贡献程度，由于分子分母均发生改变，因此即考虑了「指标变化」又考虑到了「流量变化」。

② 除法型-拆解因素法

1、方法介绍

核心思想：该方式相对第一种方式最大的优势在于，可以将贡献度拆解到「指标变化」还是「流量变化」所导致。其方式的核心为，当计算指标变化时，假设流量不发生变化；当计算流量变化时，假设指标不发生变化。和大家简单介绍一下流程：

含义说明

大盘

PV_before = 大盘历史流量

PV_now = 大盘当前流量

INDEX_before = 大盘历史指标

INDEX_now = 大盘当前指标

维度值

pv_before = 维度值历史流量

pv_now = 维度值当前流量

index_before = 维度值历史指标

index_now = 维度值当前指标

步骤一：计算维度值「指标变化」折合大盘绝对变化（假设流量没有变动）。

步骤二：计算维度值「流量变化」折合大盘绝对变化。先计算维度值指标相对大盘是更高还是更低，然后根据流量的变化，折合这个变化对于整体的影响。（选择历史指标进行计算，假设指标没有变动）。

步骤三：汇总「指标变化」和「流量变化」。

步骤四：计算维度值对大盘贡献度。

公式有些抽象，来个案例。

2、案例分析

仍然以指标ctr，年龄段维度为例，选择[1-18]岁区间变化对大盘贡献度。

步骤一：计算「指标变化」折合大盘，A = (1.053 - 1.101) × 1900 / 8560 = -0.011。
步骤二：计算「流量变化」折合大盘，B = (1.101 - 1.055) × (1900 - 1200) / 8560 = 0.004
步骤三：汇总「指标变化」和「流量变化」，S = A + B = -0.011 + 0.004 = -0.007
步骤四：计算[1-18]岁区间变化对大盘贡献度，C = -0.007 / (1.012 - 1.055) = 16%