“分析下今天的波动”是数据分析师最常听到的任务。也是最头疼，最纠结，最难搞清楚，还得天天搞的任务。
- 下降1%，算不算波动大
- 下降5%，算不算波动大
- 下降10%，算不算波动大
- 下降50%，算不算波动大
为啥有时候下降了50%，业务却没反应，可下降了1%业务急得吱哇乱叫！！！ 今天我们系统看一下。
一、指标波动的本质
举个简单的例子，体温37.4度VS体温36度，只有3.9%的波动，可真要在测温点被发现体温37.4度，估计马上被保安请出去。为啥？因为人们怕的不是5.5%波动，而是怕病毒！体温37.4度表明：有可能有病毒！这才是人们真正怕的东西。
所以：指标波动不可怕，指标波动代表的业务含义才可怕！脱离业务含义谈指标波动就是耍流氓。理解这一点，才能继续讨论。
二、指标波动的含义
第一类：硬指标波动。
有一些指标是刚性考核业务部门的。比如
- 考核销售：业绩、回款
- 考核商品：库存、毛利
- 考核客服：接听、投诉
这些指标是刚性考核业务结果，意味着：必须达成指定数量，否则即使差1%都是问题。因此，常把它们称为：硬指标。这点在销售上表现最明显，定好的业绩目标，哪怕只差0.5%，没达标就是没达标，奖金一分没有！
背刚性指标的部门，对波动最敏感，并且锱铢必较的就是他们。硬指标不达标可能直接意味着挨骂、扣钱。所以硬指标波动特别受关注。
第二类：软指标波动。
诸如注册用户数、用户点击率、转化率一类指标。
这些指标往往是通往业务结果的过程，就像得先有注册用户，才有后边的浏览、加入购物车、消费一样。软指标上升下降不见得是问题，有可能是一种新的业务形态（如下图），有可能是偶然发生的变化。
因此，软指标的变化不会直接引发业务动作。人们更多关心：这种变化到底是好是坏，会不会对硬指标有潜在的影响。这种纠结的情绪，会让分析格外麻烦。
图片
注意：硬指标和软指标的区分，不是一成不变的。比如很多互联网公司会考察“用户增长”，这时候注册用户数就是个硬指标，逼着推广部门完成。因此区分硬指标和软指标，要看部门具体KPI要求。
第三类：边缘指标波动。
诸如满意度、知名度等指标。这些指标有共同特点：
1、本身是抽样调查得来的，非全量统计。意味着抽样方法、问卷方法、调查时间等非业务动作，也可能影响到结果。它不能直接反应业务问题。
2、与硬指标、过程指标关系不大，或难以直接验证结果。比如满意度，满意度高是不是意味着100%购买，不见得；满意度低，是不是意味着不买？也不见得。
3、人为操作影响大。比如换一种抽样方式，立马结果变化。比如硬砸一波广告/优惠，数值立马提高。
这种不准确、没啥用、易操控的指标，也会有波动，也会引起人们的关注。但是明白了这些指标的逻辑，大家会发现，想把丫波动控制住简直太容易了，只要搞搞数字游戏就可以。
了解了三大类型以后，在应对指标波动的时候，就有方向感：硬指标>软指标>边缘指标，按这个顺序抓重点，不要面对一屏幕指标高了低了，急得直挠头。
有了主次之分，就能进一步考虑判断大小标准。
三、判断波动大小的标准
第一步：剔除伪波动。
有很多波动是自然波动。
- 比如周末、节假日、工作日之间的交易额区别。
- 比如产品上市、热销、退市的用户数变化。
- 比如公众号发文以后7天内阅读衰减。
这些指标天生会有变化形态。平时多总结经验指标形态，就能发现规律（如下图）：
图片
发现规律以后，只要符合规律的波动，一律是伪波动！伪波动即使波动数值再大也不用慌，都是常事。但是逆规律而动的，则是：事出反常必有妖！无论波动大小，都是重大变化，都得小心观察。
第二步：量化主动行为。
有很多波动是业务主动引发的。
- 比如做促销，拉一波销量
- 比如搞培训，加强工作能力
- 比如做清仓，把库存尽快甩出去
这些指标的变化，本身是由业务引起的。
面对这种情况。首先要收集清楚：到底业务在干啥。不然分析了半天，人家来一句：“我早知道了”“就是我干的”这就贻笑大方了。
其次，要收集清楚，每一个业务动作的目标和结果，这样能方便评估“指标波动是否达成业务预期”。这是个重要的评价标准，一定要标红加粗记下来。主动行为且指标波动达成预期的情况下，业务是不会纠结的。达不成预期的时候，他们就会很想知道：“到底差在哪里？”这时候拿着业务期望值找差距，就很重要（如下图）
图片
对于达成业务期望的，无论波动范围多大，都属于可接受。既然是主动引起的增长/下跌，肯定是指标变化越大越好。对于未达成期望的，要看期望值差距，差距部分才是要分析的波动值。
第三步：量化外部影响。
有很多波动是可收集的外部行为导致的。比如政策限制、天气、对手等等。注意：外部因素有很多不能收集到数据，落实影响。也有很多，即使知道了影响，也没法干啥事——总说下雨影响业绩，那也不能烧香求龙王吧。
因此，对外部影响，评估其波动大小，不要看一天的绝对数，而是要测算该影响预计持续时间，推算在这个时间内，总共产生的影响值，这个数值才是衡量波动的标准。
图片
第四步：其他意外波动。
是否有既不符合规律，又没有业务主动动作，又没有外部因素，数据本身也没有问题，但是就是发生波动的情况？
有！这个时候应首先定位波动发生点：
- 全局性波动，还是局部波动
- 持续性的，还是突发性的
- 波动数值，大还是小
判断问题大小的标准：
- 全局性>局部问题
- 持续性>短期问题
- 数字越大，问题越大
锁定问题点后，可以结合指标的属性，思考对策（如下图）：
- 针对硬指标波动：只要硬指标未达标，就是重大问题。考虑采取措施，保住指标
- 针对软指标波动：只要关联的硬指标没崩，就不是重大问题。不纠结一朝一夕的波动，集中精力发现深层原因。
- 针对边缘指标波动：不用害怕！想扭过来分分钟的事。
图片
这样区分以后，就有了清晰的处理方向。该用雷霆手段就果断下手，该慢慢看的就慢慢看。不然不分轻重缓急，只是自己在慢悠悠地“拆解数据-拆解数据-拆解数据”，不是被嫌弃“小题大做”“我早知道了”就是人家业务已经把问题处理完了，这边数据分析报告还没好呢。
四、为什么永远有人纠结波动
小结一下：想沉着冷静的应对指标波动，需要的是以下两点：
业务部门知道自己要做什么：
1、清楚哪些是硬指标、软指标，哪些是边缘指标
2、清楚自己的行为能对指标影响到什么程度
3、清楚短期、中期、长期自己能干啥
4、清楚自己的短期做的事是否达成了效果
数据部门，要知道到底发生了什么：
1、哪些是业务主动行为，他们想做到多少
2、哪些是规律性的变化，范围在什么水平
3、哪些可量化外部因素，到底能带来多大变化
4、哪些是异常变化，存在于什么位置
而遗憾的是，现实的情况常常是：
业务部门只会闷头干活。对自己要干多少、能干多少、已经干了多少，从来没量化过。看到一点指标波动就如惊弓之鸟（如下图）
图片
数据部门一不懂指标业务含义，二不知业务在干什么，三不知规律如何量化。只会拿个指标和性别、年龄、地域、渠道等等一通交叉，摆出一堆柱子，哪根短了就大喊：“波动都是因为这根短了！”还美其名曰：“多维度拆解法”，还写成文章在网上到处毒害新人……
所谓盲人骑瞎马，大概就是这个感觉。至于指望着“从头、腾、阿公司，请一个高级数据科学家，建立人工智能大数据模型，一张嘴就天知地知”，则已经是病入膏肓指望着救命仙丹的想法了。
1、量化业务目标与业务行为
2、梳理业务逻辑并归纳为报表
3、总结历史经验与发展趋势
4、评估现状，测算差距
这些基础、简单、细节的工作，才是应对“指标波动焦虑”的最好办法。
