01｜什么是指标异动归因？
所谓的归因分析是指当某个指标发生异常波动时，通过对指标的层层下钻拆解，定位出对指标产生关键影响的细颗粒度指标。并挖掘出细颗粒度指标的关键影响因子，对这些关键影响因子进行假设。然后通过剥洋葱的方式层层验证和排除假设，最终定位内层原因，并针对原因提出解决方案的分析方法。
最常见的工作场景包括：
DAU异常下滑了如何分析？
留存率异常下滑了如何分析？
GMV下滑了如何分析？
收入下滑了如何分析？
客单价下滑了如何分析？
异动分析在工作场景中非常常见，同时在面试时也是考察分析师的重点问题。异动归因分析能够考察出一个分析师的逻辑思维能力、数据分析能力、以及全局业务的思考能力。
逻辑思维能力：考察的是分析师如何拆解和解决问题，他的分析流程是什么？这个我后续将专门用一篇文章来说明一个完整的异动归因分析如何开展。
数据分析能力：考察的是分析师对数据指标体系的掌握、指标的下钻上卷、指标的同环比和贡献度的分析等。
全局业务的思考能力：考察的是分析师对整体业务是否有足够的认知力，是否有足够的业务敏感度。掌握了同样的分析方法，为什么有的分析师，看到异常后，就有足够的敏感力，能猜出大概方向和原因，然后用数据快速验证自己的假设，很快就能找到原因。而有的分析师，即使掌握了分析方法，面对浩如烟海的数据，迟迟无法定位原因。这是因为他们对全局业务的思考深度和业务理解力不同造成的。
03｜什么是贡献度？
今天我们重点来解说贡献度，这个最容易被初级分析师忽略的指标。
举个工作中最常见的例子，7月某平台DAU为178390人，6月DAU为192068人，7月环比6月下降7.1%，你如何分析下降的原因？
大部分同学对这个问题很熟悉，验证数据后就开始从内部和外部开展多维度的分析了。从新老客、渠道、版本、系统、入口、区域、城市、年龄、性别等各个维度观察DAU的变化情况。
以渠道的拆分为例，大部分同学的分析结果见下表。
观察数据，发现应用商店渠道和BD渠道环比下降最多。因此得出结论：应用商店渠道和BD渠道渠存在问题，应该优化这两条渠道。初级分析师的数据分析报告基本都止于此。
分析经验丰富一点的同学会发现，应用商店渠道和BD渠道，它们的获客规模相比于其他两条渠道小的多，即分母小，分子稍微的变动，就可能出现较大的变化率。
这些获客规模较小的渠道并不是我们最重要的获客渠道，如果我们仅通过变化率去分析，就会把业务重心转移到去优化这两条规模较小的渠道。就容易出现错误，得不偿失。
因此，我们引入“贡献度”这个指标，通过这个指标可以找出DAU的变动主要由哪些因子（渠道、入口、版本等）引起，哪些因子对变化的贡献度最大，能解释多少异动，这样我们就能够发现对变化影响最大的关键因子，抓住这个关键因子，快速解决核心业务问题。
用上文的例子解释，7月DAU环比下降7.1%，贡献度就是四条渠道分别为下降的7.1%贡献了多少力量，哪条渠道对DAU的下滑贡献度最大，是业务应该重点关注和优化的渠道。
04｜如何计算贡献度
贡献度的计算，并不简单，分三种类型。第一种类型计算较为简单，第二种和第三种较为复杂。
第1种：整体指标=各个因子的指标加总之和。
以上文的例子为例，总DAU=搜索渠道DAU+信息流渠道DAU+应用商店渠道DAU+BD渠道DAU。
这种情况下，每条渠道的贡献度=该条渠道DAU的环比变化量/整体DAU的环比变化量*100%，结果如下图所示。
通过上图数据，我们会发现，整体DAU环比7月下滑7.1%，其中搜索渠道贡献15.4%，信息流渠道贡献21.9%，应用商店渠道贡献14.6%，BD渠道贡献48%。
信息流渠道和BD渠道对下滑的贡献度最大，是引起下滑的关键因子。业务优化的关键点应该围绕这两条渠道展开。
第2种：整体指标=各个因子指标的乘积。
比如GMV=DAU*转化率*客单价*下单频次。
如果7月GMV环比6月下滑了47.43%，如下图所示。此种情况下，该如何分析DAU、转化率、客单价和下单频次对GMV下滑的贡献度呢？
采用第1种计算方式，明显不对，此时我们需要通过对数转换成加总的形式，再计算贡献度。计算过程和结果，见后续文章。
第3种：多种因素交织的复杂场景。
举个例子，7月DAU的转化率环比6月下滑15.9%，如下图所示。在此种场景下，该如何分析不同渠道对转化率下滑的贡献度呢？
此场景是一个更为复杂的分析场景，因为转化率还受“隐藏因素”的影响，即不同渠道的DAU占比。因此，采用第1种和第2种方式计算贡献度都不合适，具体的计算过程和结果，也将在后续文章说明。
关注以下公众号，后续关于指标异动归因还会推出两个系列的文章：
系列一：容易被初级分析师忽略的“贡献度”，到底该如何计算？
系列二：复杂场景的贡献度如何计算？
系列三：一个完整的异动归因分析该如何做？