如何正确的解读数据指标？
The following article is from 网易有数 Author 九饼
（阅读本文之前，建议先看此文效果更佳：数据指标设计方法）
走出“观察式解读”误区
所谓观察式解读，是指只从指标的表面信息去分析指标的情况和定位指标的问题，看起来很合理，也很高效，但是其实并没有get到指标背后真实的情况，这种解读方式，是数据分析中最常见的数据分析误区。
以下讲述一个模拟的案例来帮助大家走出这个误区。
背景介绍：用户在严选下单后，严选会从仓库打包好包裹发送给用户，我们会针对不同的线路，不同的订单类型，进行承运商的选择，我们的承运商主要是三种：顺丰，京东和中通，三种承运商报价不一样，服务水平不一样，因此单量占比也不一样。
基于以下的数据，解读为什么单均运费从8.7元下降到了8.2元？
单均运费，跟单量占比有关，也跟报价有关。读到这里，大家可以先尝试解读一下试试。
我猜测，有不少的人会有如下的解读解读：
“单均运费从9月8.7元下降至10月8.2元，原因是价格相对比较便宜的中通的单量占比上涨5%，京东单量上涨10%，以及京东的续费价打9折”
这种解读很常见，就是标准的“观察式解读”，一般数据分析新手很容易陷入到这种解读习惯中。这种解读有如下几个问题：
中通单量上涨或者顺丰单量下降的原因没有说清楚； 京东单量上涨和打折其实是一个原因，因为系统会基于报价情况来选择更低价格的配送商； 几个原因之间的影响没有量化； 是否存在数据外的影响因素没有评估。
第一句：“10月单均运费从8.7元下降至8.2元，表现向好”——说明现象
第二句：“原因是淘系活动带来渠道单量比例上涨6%，渠道70%发中通，引起中通整体的单量占比上涨5%，”——中通变化的原因
第三句：“渠道发中通引起的客诉问题可控”——对于业务的影响
第四句：“这部分影响0.4元”——量化影响
第五句：“京东续费打折，选仓选配优先级提升” ——另外的原因
第六句：“以及业务主动调整江浙沪京东比例”——所给的数据范围外的原因
第七句：京东单量上涨10%，影响0.1元” ——量化影响
这种解读方式，也是听众，特别是业务方高层更愿意听到的信息，以及基于这些信息，可以做进一步的决策升级等。
简单的总结一下，非“观察式解读”的要点：
先说明指标现象 研究透指标变化的【本质】原因 原因的影响进行量化 其他影响的说明
到这个层面之后，可以再加上针对这个指标未来的规划，那么就很完整了。
理清相关关系和因果关系
我们在解读数据时，往往需要理清楚事情背后的真实原因，我们需要的是指标现象和原因之间的“因果关系”，但是太容易出现解读出的“原因”是“相关关系”了。
举例1：如上面的那个案例，“单均运费变高的原因是京东和中通的单量占比增加”
“单均运费变高” 和 “京东和中通的单量占比增加” 其实都是现象，后者并不是前者的“因”
举例2：“上周GMV的增加是因为人均arpu值增加”
举例3：“昨日新进人数增加是因为曝光转换率增加”
举例4：“30日留存比较高的那一批用户，发现他们的特点是7日留存比较高”
相信很多人都能看出这些解读，其实很多都是指标之间的相关性影响，并没有给出背后的本质原因。其实当我们真的花时间多琢磨一下，这些背后的原因其实都是不难被挖出来的。那么如何能够避免出现这种情况呢？我觉得主要在于解读习惯。
这里我分享一下我是如何避免陷入这个坑的：解读时，不断问自己为什么？问到不能再问的时候，就是最终的答案了。
我们拿上面的案例2来举例：为什么GMV增加了？我们可以通过杜邦分析定位到是人均arpu值涨了。
那么下一步就是问自己，为什么人均arpu值涨了？答案是用户购买商品的件数增加了？
继续问自己，为什么购买商品件数增加了？发现是因为对xx商品新加了满赠的营销活动。
似乎是问到底了，其实不然，我们可以分析一下这个活动的影响，是不是对全局影响的主要原因，那么我们可以继续发问，为什么这个活动没有造成付费人数的上涨？
然后发现活动里面有限制，必须是超过一定购买金额，才有这个优惠。因此还是只有少部分的用户参与了这次活动。这样结论和数据表现，就能够完全对应上了。
当然有的人还会问，为什么要上这个活动？嗯嗯，这个就问业务方好了，可能这个问题，听众比我们分析人员更清楚~
指标解读的节奏
这一部分，我们需要重点解决一个问题：在什么时候，解决什么指标？
当只负责单一指标的时候，日常观察指标的波动就好了。我们可以定义一个预警条件，比如说收入波动超过10%就需要去解读分析一下，或者达成率不足99%的时候去分析原因。或者距离目标值完成的很好，或者很不好的时候，可以去复盘一下原因。
但是当面对一个指标体系的时候，我们什么时候去关注什么指标呢？核心的思路，分两步：
①对业务节奏分段；
②不同的时期，业务操作层面更关注什么？
业务分段，可以先分为【日常】和【活动】两部分，然后看日常需要关注什么，活动需要关注什么。以及日常和活动里面，寻找一些周期性的规律。以严选来讲，其实业务操作具有很强的周期性，就是围绕几个大促(618，双11，双12)，进行平销期和大促期的切换，以及大促期，又分为促前、促中、促后，不同的阶段，哪些指标更重要，就很清晰了。
以供应链为例，我们分为促前、促中和促后。
促前：缺货风险，到货及时率，逾期率，仓库存储风险，分仓平衡性等
促中：生产及时率，配送及时率，配送时效等
促后：退货率，客诉率
除了大促，日常也可以有规律的、阶段性的去解读一些核心指标，比如库存情况，成本情况，客诉情况，等等。当然，如果遇到很重要的指标，需要做突破或者深入的分析，可以启动指标的专项分析，这个后续再介绍。
总结
指标解读是做好数据分析的第一步。同样的指标数据，在不同的人眼里，会呈现完成不一样的意义和价值。我们传颂啤酒与尿布的故事，谷歌基于关键词预测流感的故事，这些事情的基础就是深入理解指标。
如何能做到更高效的吸收数据知识，这个需要不断的训练和沉淀方法。希望人人都是分析师，这个时代下数据量级爆发的同时，数据价值也能爆发。
作者简介
九饼，网易严选数据分析师，数据爱好者，认为数据可以改变世界。现负责严选主站和供应链的分析工作。
<END>
1、一文读懂DAMA数据治理工程师认证考试（内含福利）
2、标签体系构建思路（附项目实战模板文档）3、企业数据质量管理三步法
4、大数据平台数据管控整体解决方案（PPT）
5、SAP：什么是数字化转型？6、元数据管理在数据仓库的实践应用7
9、
数据学堂