
要处理数据异常,我们要先知道什么是数据异常。首先要有数据,才能知道什么是“异常”,百度百科的解释是:指非正常的,不同于平常的。比方如突然的涨,突如其来的跌。
数据涨跌是我们在日常工作中,最容易被发现的现象,也是我们平时工作中要去分析的。也就是说,平时数据没有波动,也许我们不需要去分析,但是如果数据有涨或者跌我们都需要去查出原因的。
为什么涨和跌都要关注?
相信很多朋友跟我一样,起初接触到数据,我只关心跌,为什么昨天的数据跌了?并去分析其原因,也会关心涨,但并不关心为什么涨,就像买股票一样,跌了痛心疾首,并分析原因,涨了满心欢喜,后悔自己为什么不买入多一点儿。
在数据分析的过程中,我们不仅仅要关心跌,以便采取相应动作,减缓跌的趋势,也更要关心涨,弄清楚涨的原因,并放大它,或者说是复制它!
数据异动分析方法论
针对异常数据的处理,通常有五个步骤:
1.发现异常
就像你发现昨天数据跟往前不一样,猛涨了还是猛跌了,通过观测数据发现异常。
2.确定问题
发现异常之后,我们要确定这个异常是不是一个问题,有多严重,可以用对比分析法从时间维度上进行周同比、月同比或者是年同比。
3.确定原因
用多维度拆解法,对于这个异常的指标从不同的维度去拆解,找出原因。
4.针对性解决问题
找到原因之后,就是针对性的解决问题了,根据问题的原因,动用公司的相关资源,去解决这个问题。
5.执行
最后就是执行解决方案,把这个异常数据真正的从异常到执行,完成一个闭环。
案例解析
举个栗子:你现在是做社交APP产品的,在处理数据的过程中,发现某一天的数据异常,该如何分析?
发现问题:在对数据进行统计汇总时发现某一天的异常数据。
确定问题:数据跌了那么多,问题是不是很严重呢?往期有没有这么大的浮动?
由上图的周同比和月同比数据可以看出,往期是没有这个问题的,那说明这是一个严重的个例,表示这一天确实发生了什么事情,造成数据异常的情况。
确定原因:那是不是哪个省份出了问题呢?下面我们按省份进行查看,由下图可以看出,这次数据的猛跌是全国范围内的,基本上所有的省份都有下迭,这样就排除了某个区域下跌的原因。
那是不是设备出问题了呢?再来看不同操作系统的数据有什么不同,由下图可以看出安卓和iOS在这天都出现了下跌,所以排除了设备出问题的可能性。
那是不是服务挂了呢?按小时或者分钟来查看数据是不是符合平时流量规律?
通过上图可以看出,在这一天的0:01分,平台的数据为0,出现了断崖式下跌。而对于社交产品,以往这个时间用户活跃度是很高的,由此可以确定,这一天的数据异常确实是因为服务挂了。
针对性解决问题:联系相关负责人制定及时有效的解决方案。
执行:落实和监测解决方案的执行效果。
以上五个步骤看起来简单,但它是基于对业务洞察的基础之上的,需要根据以往的经验,才能做出这些判断 。如果对自己的业务不了解,再多的工具或是方法论,都是没有用的。所以,需要大家在工作中,不断的积累,不断的验证。
通过上面的案例解析,发现在确定问题时我们提了很多假设,其实数据只是验证假设的支撑工具。而这些假设是基于对业务有足够了解的基础之上的,在这个过程中,需要不断的去试错,不断的积累行业及业务的洞察,才能做出这些假设。
常见的假设
1.活动影响:查对应活动页面及对应动作的数据波动,关注活动是否有地域属性
通常市场或者运营会去做一些活动,所以如果数据出现问题,先看看PV、UV等数据,看是不是活动的影响。
2.版本发布:将版本号作为维度,区分查看
有时候数据出现异常也有可能是新版本的发布带来的波动,所以也可以把版本拎出来看,如果发布的是V1.5,我们可以对比着看看V1.3、V1.4这三个版本数据,看是否正常。
3.渠道投放:查看渠道来源变化
WEB端的渠道来源有很多很多,但是像APP就有点困难,这时可以看看新增的渠道来源,来看看变化影响。
4.策略调整:策略上线时间节点,区分前后关键指标波动
工作中我们会经常改变策略,比如说搜索策略,推荐策略等等,但是呢策略改变之后上线,它肯定有上线时间节点的,这时候可以把这个时间节点像刚才讲的案例那样,拆分成分钟来观察。
5.服务故障:明确故障时间,按时间维度进行小时或者分钟级别进行拆分
通过上面的案例可以看出,服务故障出问题是有一个明确时间的,按照上面案例讲的方法来观察,按分钟来查看,看有没有出现断崖式下跌,这个时候就可以明确是不是服务出现了故障。
——热门课程推荐:
想学习PYTHON数据分析与金融数字化转型精英训练营,您可以点击>>>“人才转型”了解课程详情;
想从事业务型数据分析师,您可以点击>>>“数据分析师”了解课程详情;
想从事大数据分析师,您可以点击>>>“大数据就业”了解课程详情;
想成为人工智能工程师,您可以点击>>>“人工智能就业”了解课程详情;
想了解Python数据分析,您可以点击>>>“Python数据分析师”了解课程详情;
想咨询互联网运营,你可以点击>>>“互联网运营就业班”了解课程详情;
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-15CDA 精益业务数据分析:驱动企业高效决策的核心引擎 在数字经济时代,企业面临着前所未有的数据洪流,如何从海量数据中提取有 ...
2025-07-15MySQL 无外键关联表的 JOIN 实战:数据整合的灵活之道 在 MySQL 数据库的日常操作中,我们经常会遇到需要整合多张表数据的场景 ...
2025-07-15Python Pandas:数据科学的瑞士军刀 在数据驱动的时代,面对海量、复杂的数据,如何高效地进行处理、分析和挖掘成为关键。 ...
2025-07-15用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-11数据透视表中两列相乘合计的实用指南 在数据分析的日常工作中,数据透视表凭借其强大的数据汇总和分析功能,成为了 Excel 用户 ...
2025-07-11尊敬的考生: 您好! 我们诚挚通知您,CDA Level I和 Level II考试大纲将于 2025年7月25日 实施重大更新。 此次更新旨在确保认 ...
2025-07-10BI 大数据分析师:连接数据与业务的价值转化者 在大数据与商业智能(Business Intelligence,简称 BI)深度融合的时代,BI ...
2025-07-10SQL 在预测分析中的应用:从数据查询到趋势预判 在数据驱动决策的时代,预测分析作为挖掘数据潜在价值的核心手段,正被广泛 ...
2025-07-10数据查询结束后:分析师的收尾工作与价值深化 在数据分析的全流程中,“query end”(查询结束)并非工作的终点,而是将数 ...
2025-07-10CDA 数据分析师考试:从报考到取证的全攻略 在数字经济蓬勃发展的今天,数据分析师已成为各行业争抢的核心人才,而 CDA(Certi ...
2025-07-09【CDA干货】单样本趋势性检验:捕捉数据背后的时间轨迹 在数据分析的版图中,单样本趋势性检验如同一位耐心的侦探,专注于从单 ...
2025-07-09year_month数据类型:时间维度的精准切片 在数据的世界里,时间是最不可或缺的维度之一,而year_month数据类型就像一把精准 ...
2025-07-09CDA 备考干货:Python 在数据分析中的核心应用与实战技巧 在 CDA 数据分析师认证考试中,Python 作为数据处理与分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 检验:数据趋势与突变分析的有力工具 在数据分析的广袤领域中,准确捕捉数据的趋势变化以及识别 ...
2025-07-08备战 CDA 数据分析师考试:需要多久?如何规划? CDA(Certified Data Analyst)数据分析师认证作为国内权威的数据分析能力认证 ...
2025-07-08