其实这类问题，本质上可以归于在问：工作中，碰到产品xx数据指标异常波动，该如何着手分析？就像我分享的面经中，有一道字节的策略产品面试题：抖音的手机号绑定率突然下降，可以从哪些方面分析原因？

这是考察数据思维的高频面试类型，面试官可能会给出一个场景，类似为什么XX指标下降了？（如最近发现公司的DAU出现了一定程度的下降，应该如何分析这类问题），旨在考验候选人分析思维及逻辑是否完善。今天我们来拆解这类问题在面试中应该如何回答。

一、面试时遇见指标下降问题该如何分析

面试与工作不同，由于我们没有真实数据和对业务理解的支撑，在回答这个问题时应尽量考虑到导致指标下降的全部因素，然后横向展开，分点回答，尽量做到全而不乱，给面试官留下一个好的印象。

针对这个问题，较为完整的解决思路可以参考如下套路：

1、数据校验

数据校验分为两方面：一是校验数据的“准确性”，二是校验数据属于异常而不是波动。

①校验数据的准确性需要检查数据获取的渠道，判断是否是由于SQL有误亦或是数据看板没有及时更新导致数据错误。

②判断数据属于异常还是正常波动有两种方法：

从业务角度：可以拉长时间轴看观测日的数据是否存在明显的下降，可以一定程度上看出属于异常还是波动；

从统计学角度：可以对一定周期的数据取分位数，工作中更多认为数据应该在95分位数或90分位数之内，如果超出了这个范围，数据大概率属于异常情况；

如果发现数据准确且属于异常之后，才需要进行后续的维度拆解与分析。

2、维度拆解

维度拆解需要根据具体场景的不同选择不同的拆解角度，大致分为如下几个角度：

①用户维度：新用户/老用户、用户角色（学生、教师、996工作者等）、性别、年龄等

由于用户本身不会主动产生某种行为，因此发生在用户维度上的拆解一般用于用户定位和人群圈选，通过数据判断是否存在某个群体发生异常，而不是直接从用户身上找原因

②产品维度：新老版本迭代、新系统上线等

互联网产品一直都在快速迭代，新版本上线时也是bug高发期，所以如果数据异常与产品上线呈现时间上的高度一致性，那么大概率是版本上线出了问题；

③运营维度：近期是否有影响该观测指标的运营活动

对于互联网产品而言，运营活动大多是烧钱买用户或者烧钱引流，在活动期间必然会吸引更多用户或者刺激用户提前消费，该时期的数据也会呈现良好的上涨趋势，但是活动之后，没了刺激和奖励，数据必然会呈现下降趋势。

举个简单的例子，你双十一把钱花完了，11.12号就开始吃土，不买东西了。

④竞品动作：竞品是否有动作

由于市场上的用户是有限的，如果竞品开展较大力度的活动，那么必然会对自己的产品造成一定的影响。

‍比如，假设注册一个抖音给你20块钱，注册一个快手没有任何收入，那么大多数人会选择注册抖音；再比如，最近滴滴凉了，那么其他公司的打车业务必然会分到本属于滴滴的流量和用户。

⑤其他维度

一般而言，数据异常都可以用上述四个维度解释，如果上面几个方面都无法定位到异常原因，那么就需要更精细的拆解和定位。

比如转化漏斗（尤其适合电商类产品），可以输出业务整体漏斗，排查是否某个漏斗存在数据异常。‍

比如分城市定位，近期河南郑州暴雨、厦门疫情导致快递无法送达该地区，一定会造成该地区的下单量和成交量下降。

比如产品策略调整，短视频类和电商商品类用户很容易受到产品策略本身的影响，算法对商品顺序和呈现方式的调整都可能对用户是否下单带来影响，因此如果观测指标和产品策略调整呈现时间上的一致性，那么可能是由于该策略带来的影响！算法的同学接锅！

以上就是对单一数据指标异常的分析思路，面试时尽可能结构完整、思路清晰、合理举例地呈现给面试官，好感+10086！

总结一下：

二、工作场景下该如何分析该类问题

我们去考虑为什么在面试时面试官经常问这个问题，那必然是因为这个问题在实际工作中也很容易遇到。

在工作场景中，我们有真实数据的支撑，有长期积累下来的业务理解，而且因为时间和精力限制我们也不可能对每一个可能导致指标下降的因素展开分析，因此在工作中分析该类问题可以使用「假设检验分析方法」的思路完成，以一个简单的真实场景为例。

某英语教育app近期复购率明显下降，比竞争对手低了50%，如何分析原因？

首先需要明确复购率的概念，复购率即重复购买频率，用于反映用户对于产品的忠诚度。比如你在淘宝上买了一次商品，下次又买了一次，这就是复购。

其次梳理一下产品的业务流程：

第一步：用户查看课程介绍，选择喜欢的课程；

第二步：用户上课学习；

第三步：助教答疑。

STEP1：提出假设

第一步：假设课程不够好，用户在第一步就放弃了购买课程；

第二步：假设用户的学习效果不好；

第三步：助教答疑效果不好，没有及时解决用户的问题；

STEP2：数据验证

假设1：课程不够好

通过收集用户对课程的反馈及打分数据，对比竞对课程数据，发现用户对该产品课程评价颇高，假设1不成立；

假设2：学习效果不好

对比该产品与竞对产品的上课模式，并调研了部分用户对该产品上课学习效果的反馈发现，该产品上课模式为预约直播制，比如预约10天后，报名的人一起上课；而竞对产品的上课模式是闯关模式，而且报名之后随时可以学习，减少了用户等待时间。该假设成立。

假设3：答疑效果不好

通过潜入该产品与竞对产品的课后答疑群发现，该产品的售后答疑群每天被广告充斥，助教不能及时回答用户的问题；反观竞对产品答疑群，助教会全程跟踪用户反馈，不仅1对1点评学员作业，对用户提出的问题也能及时解答。该假设成立。

STEP3：得出结论

通过上述假设检验分析，发现该产品复购率低主要是由于课程设计不完善及售后答疑不及时导致，具体分析思路如下。