在數(shù)據(jù)分析的世界里，準(zhǔn)確識(shí)別并修復(fù)數(shù)據(jù)報(bào)表中的異常是確保決策有效性的關(guān)鍵。本文深入探討了用戶行為分析中的異常識(shí)別與修復(fù)手段，從理解業(yè)務(wù)背景和客觀規(guī)律到具體的修復(fù)策略，為讀者提供了一套全面的指南。

從《用戶行為分析-構(gòu)建篇》到本篇已經(jīng)是第三篇了，分別圍繞用戶行為分析的全流程講述了數(shù)據(jù)集構(gòu)建-分析方法-異常修復(fù)這三趴，雖然三篇是圍繞流程互通的，但也因?yàn)橹髦v的內(nèi)容會(huì)分布到不同的職能上，所以有些讀者群體們產(chǎn)生不了多少興趣，或者說工作上還沒有遇到諸如此類的問題還不太用的上，但是沒有關(guān)系，我依舊期望在你需要的時(shí)候，能夠在搜索結(jié)果或是收藏夾中出現(xiàn)它們的身影，為你提供一套標(biāo)準(zhǔn)可用的用戶行為分析指南。

一、如何識(shí)別報(bào)表數(shù)據(jù)異常

為什么要留意報(bào)表中的數(shù)據(jù)異常？你聽我放屁：天災(zāi)人禍你要渡過難關(guān)、潑天富貴你要想法接住、事在人為你要對(duì)比效果。簡言之幫助產(chǎn)品運(yùn)營良性發(fā)展。

1、識(shí)別與修復(fù)的重要性

數(shù)據(jù)報(bào)表會(huì)用作業(yè)務(wù)決策參考，不想被帶偏就要確保準(zhǔn)確性，所以當(dāng)我們完成報(bào)表搭建以后，先不考慮業(yè)務(wù)數(shù)據(jù)是否漂亮、是否有外界因素干擾，一定要先檢查從數(shù)據(jù)加工到報(bào)表建成的這個(gè)過程中是否有紕漏，如果這個(gè)過程沒有問題，數(shù)據(jù)依舊異常，則要進(jìn)一步觀測數(shù)據(jù)采集階段是否有問題，只有當(dāng)數(shù)據(jù)從采集到加工成報(bào)表都沒啥問題時(shí)，最后代入到業(yè)務(wù)場景中分析異常原因才有價(jià)值。

在工作場景中的價(jià)值

作為一名非數(shù)據(jù)分析師，你可能是PD、UE、UX、UI等，但作為產(chǎn)研人員你不關(guān)注業(yè)務(wù)數(shù)據(jù)有些說不過去，而掌握不同程度的數(shù)據(jù)異常識(shí)別與修復(fù)能力，可以更便捷的滿足自身業(yè)務(wù)數(shù)據(jù)分析的需要。雖然張嘴提數(shù)據(jù)需求很快，但是需求什么時(shí)候落地你還得靜候佳音，所以通過自助分析減少對(duì)BI同學(xué)的依賴，加快響應(yīng)何嘗不可；

好了，再聊回來如何識(shí)別異常～

清晰業(yè)務(wù)背景與客觀規(guī)律

事實(shí)上要搞清楚你的數(shù)據(jù)報(bào)表有沒有問題，最簡單快捷的辦法就是了解業(yè)務(wù)與產(chǎn)品屬性后找客觀規(guī)律，因此數(shù)據(jù)不要揪著那么一兩天的看，也不要只停留在報(bào)表上找問題，最好是把數(shù)據(jù)的周期范圍拉長，以形成參考對(duì)比便于觀察趨勢變化，如果數(shù)據(jù)指標(biāo)比較單一，不能構(gòu)建趨勢或環(huán)比，那么你也可以結(jié)合業(yè)務(wù)流程、指標(biāo)結(jié)構(gòu)、行業(yè)標(biāo)準(zhǔn)等來看，看數(shù)據(jù)指標(biāo)是否處于合理的水準(zhǔn)。

如果上述的流程方法你一個(gè)字也沒看進(jìn)去，那么請(qǐng)看這個(gè)例子：

如果當(dāng)產(chǎn)品內(nèi)部沒有主動(dòng)的變量事件，外部也沒有明顯的被動(dòng)事件影響，且數(shù)據(jù)指標(biāo)還不符合客觀規(guī)律或業(yè)務(wù)預(yù)期，那么大概率報(bào)表搭建的過程中出了Bug，準(zhǔn)備找問題吧hhhh

以下是針對(duì)業(yè)務(wù)背景與客觀規(guī)律的變量整理，一些常見的基本都概括了，在進(jìn)行報(bào)表數(shù)據(jù)異常排查時(shí)可以參考；

通?？陀^規(guī)律是比較能夠反映出數(shù)據(jù)異常的，因?yàn)閿?shù)據(jù)有一定的標(biāo)準(zhǔn)或規(guī)律可言，另外就是配合業(yè)務(wù)背景或行業(yè)狀況來解釋或預(yù)測數(shù)據(jù)的變動(dòng)，這兩套數(shù)據(jù)異常識(shí)別方法，基本上可以用一套決策樹來概括；

業(yè)務(wù)數(shù)據(jù)-多表對(duì)比驗(yàn)證

用戶行為分析構(gòu)建通常會(huì)單獨(dú)創(chuàng)建一套行為數(shù)據(jù)采集系統(tǒng)，這表明相關(guān)的數(shù)據(jù)表不止一套，一般還有業(yè)務(wù)后臺(tái)的數(shù)據(jù)、渠道投放數(shù)據(jù)等，這個(gè)時(shí)候我們就可以將相關(guān)的核心指標(biāo)或大盤數(shù)據(jù)進(jìn)行抽樣對(duì)比，如果數(shù)據(jù)對(duì)不上，那就代表數(shù)據(jù)報(bào)表搭建的有問題，一般業(yè)務(wù)后臺(tái)的接口數(shù)據(jù)是不會(huì)出錯(cuò)的，遇到數(shù)據(jù)對(duì)不上就老老實(shí)實(shí)檢查報(bào)表或采集系統(tǒng)吧。

二、如何修復(fù)數(shù)據(jù)指標(biāo)異常

一套用戶行為分析報(bào)表剛構(gòu)建好之時(shí)，用戶行為指標(biāo)異常無非就兩方面；

一方面就是用戶群中確實(shí)有異常的行為帶來了異常的數(shù)據(jù)或趨勢，這些是要結(jié)合業(yè)務(wù)營銷或外界因素來找原因了，但可以肯定的是異常數(shù)據(jù)是對(duì)的，沒有說謊，例如商品的優(yōu)惠券配置錯(cuò)了，給出了驚人的優(yōu)惠，導(dǎo)致下單量數(shù)據(jù)與趨勢遠(yuǎn)超以往，數(shù)據(jù)看起來是異常的，但卻是能找到對(duì)應(yīng)異常原因的。

另一方面就是你的數(shù)據(jù)采集到計(jì)算加工出錯(cuò)了，事實(shí)上這種情況也時(shí)有發(fā)生，常見于多個(gè)同事交叉作業(yè)、采集需求不完善、數(shù)據(jù)維護(hù)不規(guī)范、工作量較大出現(xiàn)紕漏、數(shù)據(jù)處理不熟練等。

那么接下來就好好跟大家嘮嘮數(shù)據(jù)報(bào)表構(gòu)建完后，如何修復(fù)這些異常問題。

修復(fù)過程我結(jié)合我個(gè)人的習(xí)慣與過往經(jīng)驗(yàn)拆分成了六個(gè)部分，相較于專業(yè)的BI數(shù)字建模開發(fā)，可能還是有些差距的，但是也算夠用，起碼能夠自己Hold住大多問題，剩下的疑難雜癥再抱抱BI同事的大腿即可～

1、定位數(shù)據(jù)異常

這是數(shù)據(jù)異常修復(fù)的首要工作，如何識(shí)別異常已經(jīng)在上一趴聊過了，那么如何定位問題主要有兩個(gè)行動(dòng)方向；

需要注意的是在數(shù)據(jù)驗(yàn)證的過程中，采用相同條件的過濾或數(shù)據(jù)范圍，保證口徑的統(tǒng)一，那么當(dāng)你找到數(shù)據(jù)異常發(fā)生在底層還是在中間加工層后，那么就進(jìn)入下一步驟治理工作了。

2、給數(shù)據(jù)打補(bǔ)丁

給數(shù)據(jù)打補(bǔ)丁就是加篩選條件，發(fā)現(xiàn)數(shù)據(jù)有異常后將異常的部分過濾掉即可，通過觀察這些異常數(shù)據(jù)的規(guī)律來界定一個(gè)數(shù)據(jù)有效的范圍或標(biāo)準(zhǔn)，然后在數(shù)據(jù)報(bào)表上添加數(shù)據(jù)過濾或判斷，通常數(shù)據(jù)或報(bào)表工具一定會(huì)具備這些功能，在前文有個(gè)清洗調(diào)研問卷的例子還有印象嗎？其實(shí)就是將無效的用戶反饋剔除即可；

※你可能會(huì)好奇這些臟數(shù)據(jù)從哪里來的？

除了以上交互邏輯不完善導(dǎo)致用戶填入的數(shù)據(jù)外，還有一些可能是來自產(chǎn)品內(nèi)部測試、腳本測試、數(shù)據(jù)爬蟲、灰產(chǎn)攻擊、數(shù)據(jù)采集Bug等，所以如果團(tuán)隊(duì)內(nèi)部有大量測試或腳本動(dòng)作，一定開個(gè)名單把這些數(shù)據(jù)過濾掉，其他的則可以通過觀察產(chǎn)生異常數(shù)據(jù)的賬號(hào)、設(shè)備信息、MAC地址、參數(shù)內(nèi)容、IP網(wǎng)絡(luò)等信息來找規(guī)律和數(shù)據(jù)規(guī)避，例如寫一個(gè)條件判斷的計(jì)算列，有效為0無效為1，數(shù)據(jù)分析時(shí)過濾掉為1的即可；

3、修正函數(shù)算法

在我的過往經(jīng)歷中，指標(biāo)度量的出錯(cuò)通常有兩種情況，一個(gè)是你的函數(shù)能跑，但寫的不符合指標(biāo)的預(yù)期，另一個(gè)是你計(jì)算過程中，引用了錯(cuò)的字段參數(shù)，這兩種情況都會(huì)使得最終的指標(biāo)度量不對(duì)。

如果你函數(shù)用的比較熟練，那么通常出錯(cuò)的原因往往是用了不對(duì)的字段參數(shù)進(jìn)行計(jì)算，如果你對(duì)業(yè)務(wù)數(shù)據(jù)不夠熟悉，或是業(yè)務(wù)數(shù)據(jù)的口徑不規(guī)范，都很容易出現(xiàn)這種問題，這種情況就需要你進(jìn)行抽樣與數(shù)據(jù)試驗(yàn)了。

a. 字段參數(shù)口徑選用

最簡單辦法就是定位到存在有差異的數(shù)據(jù)源后，觀察具備相同屬性的字段參數(shù)那個(gè)更完整或更準(zhǔn)確，例如一套數(shù)據(jù)集中有兩個(gè)字段參數(shù)可以視為用戶個(gè)體，但是進(jìn)行列統(tǒng)計(jì)時(shí)兩個(gè)數(shù)據(jù)不相等，那么我們就要在原始數(shù)據(jù)集上進(jìn)行排查，看看數(shù)據(jù)缺失的部分是否符合邏輯或是數(shù)據(jù)采集有漏洞，然后結(jié)合業(yè)務(wù)情景或數(shù)據(jù)詳情，來挑選出一個(gè)靠譜的字段參數(shù)用作業(yè)務(wù)指標(biāo)度量計(jì)算，修復(fù)之后呢，也建議找個(gè)地方進(jìn)行備注，特別是數(shù)據(jù)血緣比較復(fù)雜時(shí)，便于維護(hù)；

b. 指標(biāo)函數(shù)驗(yàn)算

如果對(duì)各種函數(shù)的用法不熟悉，或是某個(gè)BI工具沒用采用傳統(tǒng)的SQL函數(shù)，導(dǎo)致你的指標(biāo)度量計(jì)算出錯(cuò)概率也是很大的，一般遇到這種情況，我都是先鎖定到一定范圍的數(shù)據(jù)，然后通過一些簡單的函數(shù)加人工算出指標(biāo)值，然后找可行的函數(shù)來加工或調(diào)整出這個(gè)指標(biāo)值，之后再隨機(jī)采樣驗(yàn)證一下是否準(zhǔn)確，如果遇到實(shí)在搞不定的數(shù)據(jù)運(yùn)算或函數(shù)使用，那就問問AI大模型，或者平臺(tái)客服，反正我這邊BI平臺(tái)的語法群里的消息基本沒有停過～

4、下鉆指標(biāo)度量

此項(xiàng)是針對(duì)套娃式函數(shù)運(yùn)算的指標(biāo)場景，即當(dāng)前的指標(biāo)函數(shù)計(jì)算中，用到了其他計(jì)算列或是度量，但這些計(jì)算列或度量本身又是由其他計(jì)算列或度量構(gòu)成，這就意味著引用的下游計(jì)算列或度量一旦有誤，上游指標(biāo)全盤崩壞，這種情況也是排查和修護(hù)中比較惡心的，你得像剝洋蔥一樣一層一層的找問題，好在改完一個(gè)問題后，其他也能變回正常，此類問題修復(fù)可以參考以下決策樹；

5、糾正數(shù)據(jù)采集

針對(duì)用戶行為數(shù)據(jù)采集，如果起初的埋點(diǎn)采集需求沒有寫清楚或開發(fā)驗(yàn)證中有了遺漏，就會(huì)導(dǎo)致進(jìn)行指標(biāo)或用戶行為路徑分析時(shí)缺少關(guān)鍵數(shù)據(jù)或是數(shù)據(jù)對(duì)不上，這就是典型的數(shù)據(jù)采集事故，即上報(bào)完整性有問題、上報(bào)準(zhǔn)確性有問題，如果產(chǎn)品迭代后，相關(guān)埋點(diǎn)沒有及時(shí)迭代更新也會(huì)出現(xiàn)諸如此類的問題。

你以為這種問題是少數(shù)？實(shí)際上很多時(shí)候開發(fā)者完成行為埋點(diǎn)開發(fā)后，業(yè)務(wù)方都沒有仔細(xì)測試驗(yàn)證過，都是簡單看兩眼就好了沒問題了，然后在做數(shù)據(jù)報(bào)表或相關(guān)分析時(shí)，才開始查缺補(bǔ)漏找開發(fā)返工或補(bǔ)充，提過行為埋點(diǎn)需求的同學(xué)們，試問自己，每次埋點(diǎn)開發(fā)完后有仔細(xì)測試驗(yàn)收過么？有的話，繼續(xù)保持！

6、培訓(xùn)和交流「交流中」

這一趴從企業(yè)流程管理或是個(gè)人發(fā)展學(xué)習(xí)都是有益的，特別是多個(gè)同學(xué)交叉作業(yè)的情景，無規(guī)范無維護(hù)后續(xù)越亂套我們?cè)诫y受，讓改一套報(bào)表遇到點(diǎn)兒問題都要找半天，真的還不如新建一套報(bào)表來的舒服，所以數(shù)據(jù)采集加工、口徑統(tǒng)一、語法技巧等都是可以多交流的，甚至沉淀內(nèi)部材料或分享都是不錯(cuò)的。

就例如指標(biāo)的函數(shù)加工，之前我為了輸出業(yè)務(wù)的期望指標(biāo)，我寫了好幾套計(jì)算列才把結(jié)果套出來了，但是后來請(qǐng)教BI后，對(duì)方只用了兩套語法就把度量指標(biāo)弄出來了，看完后我表示妙啊～

至于現(xiàn)在，基本的數(shù)據(jù)分析或報(bào)表構(gòu)建我都能自助解決，完全不依賴數(shù)據(jù)相關(guān)的同事，同樣的數(shù)據(jù)需求，如果我有時(shí)間的話，別人的還在等數(shù)據(jù)同事那邊的排期，我這邊就開始了，人家開始時(shí)，我這邊已經(jīng)結(jié)束了。

三、行為分析的延展應(yīng)用

前文分享了如何進(jìn)行基礎(chǔ)的用戶行為分析，實(shí)際上行為分析的妙用不止于此，如果這些行為數(shù)據(jù)妥善應(yīng)用還能為業(yè)務(wù)帶來不少價(jià)值，如通過機(jī)器深度學(xué)習(xí)構(gòu)建預(yù)測模型、更深入的偏好分析應(yīng)用、異?；驖撛谕{的行為監(jiān)控等。

1、異常行為監(jiān)控

用戶行為異常分析可以幫助業(yè)務(wù)發(fā)現(xiàn)不正常的用戶行為，不同類型的異常行為對(duì)業(yè)務(wù)也會(huì)造成不同程度的威脅或負(fù)面影響，因此可以構(gòu)建一套用戶行為監(jiān)控系統(tǒng)（根據(jù)業(yè)務(wù)需要提需求或接入第三方服務(wù)即可，不是讓你寫代碼哈），根據(jù)不同類型的用戶行為定制相應(yīng)的響應(yīng)策略，這樣可以減少潛在的威脅以提升安全性或用戶行為規(guī)范性，通常來講這些異?？梢苑譃閮纱箢?；

一類是用戶不合規(guī)的行為，前者可以通過評(píng)估行為的惡劣程度來進(jìn)行賬號(hào)警告、凍結(jié)等來處理。

另一類則是灰產(chǎn)攻擊，后者的容忍度相對(duì)會(huì)更低，一旦通過行為或其他數(shù)據(jù)確認(rèn)后，就會(huì)進(jìn)行攔截屏蔽或是相關(guān)賬號(hào)封禁處理。

至于這些異常如何識(shí)別，在第一部分的【清晰業(yè)務(wù)規(guī)律與客觀規(guī)律】或第二部分的【如何給數(shù)據(jù)打補(bǔ)丁】都有提過，基本上就是用戶行為異?；蛟O(shè)備屬性異常，那么在發(fā)現(xiàn)問題以后，最好就是將這些異常的特征記錄在案，并通過算法或一些自動(dòng)化手段，融合到異常行為監(jiān)控系統(tǒng)中，一旦發(fā)現(xiàn)符合特征的潛在威脅就提前告警或攔截屏蔽等，并且持續(xù)的優(yōu)化迭代，以減少人工投入的成本。

2、用戶偏好系統(tǒng)

相比于預(yù)測模型，用戶偏好系統(tǒng)大家肯定更熟悉一些，一般可以分成三個(gè)部分，即用戶畫像構(gòu)建、用戶偏好分析、個(gè)性推薦系統(tǒng)，這里就不展開一個(gè)個(gè)聊了，其用途與構(gòu)建的思路方法我用表格整理了一下可供參考，如果有興趣可以專門找一下相關(guān)的資料看看；

3、行為預(yù)測模型

行為預(yù)測模型的本質(zhì)是機(jī)器深度學(xué)習(xí)或AI相關(guān)的應(yīng)用，說人話就是不定期的把業(yè)務(wù)數(shù)據(jù)整理好了喂個(gè)算法服務(wù)，然后算法根據(jù)數(shù)據(jù)產(chǎn)生一套預(yù)測結(jié)果，然后你把結(jié)果用于業(yè)務(wù)決策或定制化營銷上。

因?yàn)橛?xùn)練模型需要一定成本，所以訓(xùn)練前需要明確有業(yè)務(wù)上的需要，以及有合適的行為數(shù)據(jù)可用于加工后進(jìn)行模型訓(xùn)練，那么具體如何繼續(xù)模型訓(xùn)練我就不展開了，很多人可能疑問這些行為預(yù)測模型具體有什么東西，能起到什么用途，對(duì)此整理了一下五點(diǎn)可供參考；

四、連續(xù)三篇全流程與決策樹總結(jié)

整個(gè)流程事件的步驟與決策方法概括；

三章內(nèi)容整合路書：

感謝耐心閱讀，如果覺得寫的還行，就點(diǎn)贊關(guān)注一下吧，下次更新先通知你～

第一章《(用戶行為分析)-構(gòu)建篇》回顧>>

第二章《(用戶行為分析)-分析篇》回顧>>