主包在运营岗面试中经常被提问：如何发现数据异常？当初小白的我可能会以某次项目为例说明，但当面试官追问、或者假设其他的场景时，就很容易因为没有实例经验而阿巴阿巴。但在后来的实习和工作中，我逐渐发现这是有方法论的，因此分享出来，希望有能给小伙伴们启发的地方。

首先需要把我们工作中涉及的运营数据，分为绝对值数据和比例值数据，前者为不需要经过运算的直接数据，比如曝光量、下载量、注册量、点赞量、评论量等等；后者为需要运算的数据，以除法为多，例如转化率、留存率、DAU、ROI、成本、LTV等。

比例数据更重要，因为描述的是变化程度，也就是用户转化的过程，实际问题也基本是出在用户转化行为中。

1、如何发现数据异常

异常肯定是基于对比得出的，可以是与自己产品以往数据对比，也可以是和大盘均值水平对比。对比需要有控制变量的思维，例如周末的数据就和周末同期的对比，流量环境一致；转化率应该和曝光量相当的以往数据对比等。

2、数据异常定位

遵循分类、分解的拆解思路。

首先是对数据分类，例如DAU下降，分类是哪种类型用户DAU下降，是老用户还是新用户？又例如CTR下降，是哪个版位的CTR下降？

其次是将数据指标分解到最小的单位，相当于将分子拆解成原子、质子、中子...的过程。数据指标即代表用户行为，数据出问题即意味着某个用户转化环节出了问题。一般来说我们数据看板上的指标（尤其是比例数据的指标）都是很笼统的，所以需要拆解数据指标成最小数据单元。

例如展示下载率有问题，拆解可以得到与CTR有关的数据指标有展示量、千次展示成本、展示点击率、点击下载率，分别意味着我是否得到正常的曝光、用户点击转化、点击下载转化？其中哪个环节出了问题？实际上也就是根据用户转化漏斗去排查。

以展示下载率为例，分类和分解的思路其实就是这个表格：

在面试和工作中，实际上就是把上述这个表格列出来，列是分类，行是分解，基本上一列出来就知道问题在哪了。