前言
前面两篇我们讲了对比分析法和多维度拆解法，下面呢我们通过一个方法论和一个案例来具体讲一下如何运用对比分析法和多维度拆解法处理数据异常。
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。
一、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！
在数据分析的过程中，一定要搞明白每一次数据涨跌的原因。
二、数据异动分析方法论
面对数据异常通常有五步：
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，这里呢我们可对按照第一篇讲的对比分析法那篇文章里的方法，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
用咱第二篇讲的多维度拆解法，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
最后呢，就是把解决方案执行出来，把这个异常数据真正的从异常到执行，完成一个闭环。
下面呢我们来结合一个案例，讲一下这五步怎么走。
三、案例解析
举个栗子：你近期入职了某互联网公司，公司的业务方向是做陌生人社交的，在处理数据的过程中，你发现在你入职的前一天，数据是异常的，特别想分析出原因是什么？那如何操作？
下面咱们一起来按照上面的方法论进行分析吧：
第一步，发现问题：上面说了你已经发现某一天的数据异常了。
第二步，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？我们来运用第一篇讲的对比分析法来看看周同比等数据。
由上图的周同比可以看出，往期是没有这个问题的，那说明这是一个严重的个例，这表示这一天确实发生了什么。那下面咱们来用第二篇文章讲到的多维度拆解法来确定原因。
第三步，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，看是不是某一些省份的数据出了问题，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。这里咱排除了某个区域下跌的原因。
那是不是设备出问题了呢？下面咱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在这天出现了下跌。所以，我们排除了设备出问题的情况。
那是不是服务挂了呢？咱们按小时或者分钟来查看，看数据是不是符合平时流量规律？
通过上图我们可以看出，在这一天的0：01分，平台的数据为0，出现了断崖式下跌，我们是一款陌生人社交产品，以往这个时候活跃用户还是挺多的啊，由此可以看出，这一天的数据异常确实是因为服务挂了。
那第四、五步就一起说啦，由上图可以看出，服务挂了，相关负责人及时确定了问题，并针对性的解决了问题，且执行了下去，因为在零晨1点左右数据又恢复了正常。
以上5步看起来简单，但是它是基于你对自己的业务要有所洞察的基础之上的。你只有对自己的业务有所洞察，有以往的经验，你才能做出这些判断 。
如果对自己的业务不了解，给你再多的数据或者是工具，抑或是方法论，都是没有用的。所以，建议大家把这个方法用到工作中，不断的积累，不断的验证。
通过上面的案例解析，你有没有发现，在确定问题时，咱们提了很多假设，往期有没有这个问题？是不是哪个省份出了问题？是不是设备出了问题？
其实数据只是验证咱们想法的支撑工具，首先需要有一个假设。
当然，就像前面所说，这些假设是基于你对业务了解的基础之上的，在这个过程中，你需要不断的去试错，不断的积累你的行业及业务的洞察，才能做出这些假设。
虽然说假设是基于对业务的积累，但还是有一些常见的假设的，如果你能掌握下面这几种假设，通常能解决你工作中关于数据异动的大部分问题。
那常见的假设有哪些呢？
常见的假设有下面五种：
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
通常咱们的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，所以咱们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，这时咱们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，这时候咱们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
通过上面的案例你也可以看出来，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，这个时候咱们就可以明确是不是服务出现了故障。
好啦，数据异常如何分析这篇文章到这就完结啦，下面是本篇的思维导图~
下篇文章咱们来讲讲第三个数据分析的方法：漏斗分析法，记得关注哦。
本文作者：菜菜，公众号：菜菜唠产品（ID:caicailaochanpin)，欢迎关注~
