什么是诊断性分析？方法和计算示例

什么是诊断性分析？

诊断性分析回答的问题是「为什么会这样」。它拿到一个指标的变化（注册下降 18%、流失率上升两个点），按维度、时间和相关事件一层层拆开，直到原因被缩小到可以采取行动的范围。

它通常被列为四类分析中的第二类：

四类分析的完整介绍见数据分析的类型。

常用技术

• 下钻和拆分：按渠道、国家、设备、页面、套餐、版本拆开指标。
• 贡献度分析：每个细分各解释了多少总变化。
• 指标树：把指标分解为驱动因素（注册数 = 访客数 × 注册率），看是哪一项动了。
• 分群和同期群：变的是新用户还是老用户？
• 和对照期比较：上周同一天、去年同期。
• 异常检测：标出哪些细分的波动超出了平常。
• 根因方法：源自丰田生产方式的「五个为什么」，只不过是对着数据追问。

六步分析法

1. 确认变化是真的：先排查埋点改动、发版、爬虫流量和数据延迟，再分析用户行为。很多「下跌」其实是埋点问题。
2. 和正常波动比大小：−18% 是否超出了平时每周的波动范围？和同一个星期几比，也考虑季节性。
3. 分解指标：是访客少了、转化率低了，还是两者都有？
4. 拆分并给贡献排序：找出变化集中在哪里。
5. 提出并检验假设：找能解释这个集中细分的事件——一次发版、一次投放调整、竞争对手动作、一次故障；再用其他数据核对，包括客服聊天。
6. 采取行动并验证：修复后，用同样的拆分观察这个细分是否恢复。

示例：贡献度分析

示例数据：每周转化从 2,000 降到 1,640（−360，−18%）。按渠道拆分：

贡献度 = 渠道变化 ÷ 总变化；付费搜索是 −290 ÷ −360 = 80.6%。邮件是增长的，所以贡献度为负：它抵消了一部分下降。再把付费搜索按广告系列下钻，发现有一个系列从周二起转化从 240 掉到 0：预算花完了。恢复它就能解释大部分下降；自然搜索和直接访问的小幅下滑在正常的周波动范围内，暂时不用处理。

常见坑

• 结构变化：每个细分的转化率都在上升，总体却在下降，因为流量转向了转化低的细分。这就是辛普森悖论，比率和规模都要看。
• 一直切到看出点什么为止：维度切得足够多，总有某个细分会碰巧看起来异常。优先看本来就该查的维度，把意外发现当作假设。
• 找到一个解释就停：暂停的广告系列也许解释了 80%，剩下的 20% 可能是一个真实趋势的开端。
• 把相关当因果：发版后两条线一起变动，并不能证明是发版导致的。

在 TapCub 里做诊断性分析

• 全端分析 › 智能运营 › AI 助手 的「为什么变了」：对比上一周期或去年同期，解释一个指标的变化。它按渠道、来源域名、国家、设备、入口页、平台等维度拆分，可下钻一到两层，并按贡献度（该维度值的变化 ÷ 总变化）排序，算法和上面的表格相同。参见向 AI 助手提问。
• 监控：用预测区间或异常检测条件建监控，波动异常时尽早提醒你开始诊断；图表标注记录发版和活动，正好回答第 5 步要问的问题。
• 如果是网站流量下跌，网站流量突然下降里的清单覆盖了埋点和 SEO 方面的原因。

资料来源

• Davenport, T. H. and Harris, J. G. (2007). Competing on Analytics: The New Science of Winning. Harvard Business School Press.
• 大野耐一（1988）。《丰田生产方式》。Productivity Press 英文版。
• Pearl, J. and Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. Basic Books.