指标异动的关键原因分析：从多种原因中锁定关键原因
更新: 7/18/2025 字数: 0 字 时长: 0 分钟
一、分析指标异动的基本思路
想要在解决问题的时候找到关键原因，首先得定义清楚问题是什么。在商业经营中，业绩指标出现波动是很正常的事，也是非常难判断的事。
- 指标下降1%，算不算波动大？
- 指标下降5%，算不算波动大？
- 指标下降10%，算不算波动大？
- 指标下降50%，算不算波动大？
在企业中，经常出现指标下降了50%，业务部门没任何反应，在下降了1%的时候却急得团团转。如果不去解读指标背后的商业含义，只是从数值上观察波动，则很有可能陷入上述问题中，百思不得其解。
举个简单的例子，在限速120千米/小时的高速上，开车开到122千米/小时，看起来只有（122-120）/120=1.7%的波动，但结果是很严重的：超速了！违反了限速规定。所以衡量指标是变化的，它反映的不是数字本身的大小，而是数字背后的业务问题。
指标波动不重要，指标波动代表的业务含义才重要！读懂指标的商业含义，是分析问题的关键。
二、三大类指标异动问题
指标可以分为三大类。
1.硬指标
有一些指标是考核业务部门的刚性指标，比如:
- 考核销售：业绩、回款。
- 考核产品：库存、毛利润。
- 考核客服：接听率、投诉率。
这些指标考核业务的结果，是刚性的，意味着必须达成指定数量，否则即使差1%都有问题。因此，常把它们称为硬指标。例如，对于销售部门，业绩目标是硬指标，哪怕只差0.5%没达标就是没达标，即没有完成任务！
因此，要完成硬指标考核的部门，对硬指标波动最敏感。硬指标不达标，因为可能直接意味着完不成业绩。
2.软指标
软指标是指注册用户数、用户点击率、转化率一类的指标。
这些指标往往反映的是达成业务结果的过程，就像得先有注册用户，才有后面的浏览加入购物车、消费等行为。软指标的上升或下降不见得有问题，有可能是一种新的业务形态。如图所示，从5月份开始，消费用户数减少了很多，那是因为调整了销售策略，从大量发展低客单价（100元左右）的用户，改为了发展高客单价（600元左右）的用户。销售业绩（销售业绩消费用户数 X 消费用户的客单价）仍然是逐月上升的。
因此，软指标的变化不会直接引发业务波动。人们更多关心的是这种变化到底是好还是坏，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。
举个简单的例子，如表所示，在这4种情况下，用户总消费金额是一样的。因此单纯站在产出的角度来看，完全是同一个结果，但是其过程指标完全不同。
情况4明显比情况3更糟糕，在同样产出的情况下，情况4的客单价与情况3相似，但转化率低了很多，这是明显的低效率，如果有其他选择，就可以淘汰情况4的做法了。 但对于情况1、情况2、情况3就很难直接进行比较了。
- 情况1是情况4的“高配版”，用户更少，客单价更高。
- 情况2明显是“捞大鱼”模式，对极少数超高价值的用户进行服务。
这是3种发展路线的区别，因此不能直接评价其好坏。
在这种情况下，更重要的是要考虑发展路线的背后有没有潜在的问题。
- 情况1潜在的问题：这种不高不低的模式，会不会被竞争方打压? 万一对方打价格战自己是否有应对计划(比如向情况3发展)?对方是不是已经开始打价格战了?
- 情况2潜在的问题：这种发展高端用户的模式，有没有可持续发展的空间? 高端用广户数量会不会有上限? 转化率会不会进一步降低呢?
- 情况3潜在的问题：这种大量吸引用户的模式，会不会被获客成本“卡脖子”? 获客成本是不是已经开始高涨了? 要不要发展高端用户来对冲获客的压力?
对这些潜在问题的分析，远远比纠结软指标本身的波动更有价值，也更能评价到底目前的发展形态是好还是不好。
TIP
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”用户增长数据“，这时候注册用户数就是一个硬指标，需要推广部门完成。因此，区分硬指标和软指标，要看部门具体的KPI要求。
3.边缘指标
边缘指标是指类似满意度、知名度等指标，这些指标有3个共同特点。
- 指标本身是由抽样调查得来的，非全量统计。这意味着抽样方法、问卷方法、调查时间等非业务动作，也可能影响到结果，它不能直接反映业务问题。
- 这些指标与硬指标、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所有用户都会购买？不见得；满意度低，是不是意味着没人买?也不见得。
- 人为操作影响大。换一种抽样方式，指标结果会有变化。比如发一波广告或派发优惠券，指标会提高。
这种“不准确、没啥用、易操控”的指标，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，就会发现这种指标反映业务问题的能力很弱，且容易被操控。我们完全可以绕过这些指标，直接解决其背后的业务问题。比如用户不满意背后的退货问题等。
了解了三大类指标以后，在应对指标波动的时候，就有了重点分析方向: 硬指标 > 软指标 > 边缘指标，按这个顺序抓重点。有了主次之分，就能进一步考虑判断指标波动大小的标准了。
三、判断指标是否属于异动
指标波动，并不一定代表业务上发生了异常。对指标异常的判断，也需要分步骤进行。
第一步：排除伪异动
有很多指标波动是自然波动，比如:
- 产品在周末、节假日、工作日的交易额变化。
- 产品上市、热销、退市时的用户数变化。
- 公众号发文以后在7日内的阅读量变化。
这些指标波动或是因为自然周期变化，或是因为产品生命周期变化。平时多总结指标形态，就能发现规律。
对于有规律性波动的指标，要看波动是否符合规律性，而不是看具体数值的大小！如图所示，情况1中看似某两天的指标波动大，其实没什么问题：情况2中看似指标每天都很平稳，可过往规律都是每月月初有一波高峰，本月没有，就是有潜在的问题。
发现规律以后，只要是符合规律的波动，一律不是异动！此时即使波动再大也不用慌，都是正常的。但是反规律的波动，则是“事出反常必有妖!”，无论波动大小，都是异动，都得小心观察。
第二步：量化主动行为
有很多指标波动都是业务主动引发的，比如:
- 做促销：提高了产品的销量。
- 搞培训：加强了员工的工作能力。
- 做清仓：把产品库存清理出去了。
面对这种情况，首先要问清楚业务员做了什么。不然分析了半天，业务员说:“我早知道了就是我做活动的结果呀!”这就尴尬了。
其次，要弄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了”。这是一个重要的评价标准，一定要记住。在业务动作是业务员的主动行为且指标波动达成预期的情况下，业务员是不会纠结的。当达不成预期的时候，他们就会很想知道：“到底差在哪里？”这时侯用业务期望值找差距就很重要。
举个简单的例子，某电商企业进行“双11”大促时的指标情况如图所示。
对于由业务员的主动行为引发的指标波动，是否达成了期望目标才是最关键的判断标准。比如在上例中，很有可能数据分析师会这么分析。
- 对于波动“1”的位置，会认为“这是大促前的业绩自然下跌”。
- 对于波动“2”的位置，会认为“这是大促时的业绩自然增长”。
- 对于波动“3”的位置，会认为“这是大促后的业绩自然回落”。
整个分析看起来没什么问题。可结合整月目标与单日目标后会发现，这一点儿都不正常。11月整体目标没有达成，11月11日当天的销量却高涨了，这属于异常波动。很有可能为了11月11日的销量达标而用力过猛，影响了正常销量。
因此，对于达成业务期望的，无论波动范围多大，都属于可接受的范围。既然是主动引起的指标增长/下跌，肯定是指标变化越大越好。对于未达成期望的，要看波动与期望值的差距差距部分才是要分析的异常值。
第三步：量化外部影响
有很多波动是由外部因素导致的，比如政策限制等。注意: 外部因素有很多是不能收集到数据进行量化的。也有很多情况是即使知道了影响因素，也无法做什么一一总说下雨影响业绩那也没办法，我们左右不了天气。
因此，对于外部因素影响，评估其引起的波动大小时，不要看一天的绝对值，而是要测算该影响预计持续时间，然后推算在这个时间内总共产生的波动值，这个数值才是衡量波动的标准，要基于这个数值进行判断，如图所示。
外部因素很容易成为业务员推卸责任的理由，“都是大环境不好”是最常见的托词。实际上如图的情况1所示，如果真的“都是大环境不好”，那么一定是公司整体业绩都受到影响,各个地区、各条业务线均出现问题。如图的情况2所示，只有部分业务线受到影响，有的业务线下业绩不降反升，这就说明还有努力的空间，至少是“危中有机”，得各部门一起想办法提升业绩，而不是一直喊“都是大环境不好”。
第四步：细分其他意外波动
是否有既不是业务员的主动行为，又不是外部因素影响，可是就是发生波动的情况呢？
有!这个时候应首先定位波动的发生点。
- 是全局性波动还是局部性波动?
- 是持续性的波动还是突发性的波动?
- 是波动数值大还是小？
然后按以下标准判断问题大小：
- 全局性问题 > 局部性问题。
- 持续性问题 > 短期性问题。
- 波动值越大，问题越大。
这里需要先找到在哪个业务环节出了问题。
找到问题点后，可以具体分析原因了。即使分析不出来也没有关系，因为已经知道问题点在哪里了，各个部门可以从自己的角度思考对策。实在不行，大家各自拿出方案来测试，直到问题解决为止(见图)。
整个应对问题的分析逻辑如图所示。
这样区分以后，就有了清晰的处理方向：该及时处理的就及时处理，该继续观察的就慢慢看。
四、指标异动与感性情绪
实际上，人们的判断经常被感性支配，如图所示。 
例如在看数据的时候，出现下面的情况。
- 情况1：突然有一天下跌了。
- 情况2：连续下跌了好几天。
- 情况3：连续上涨然后下跌·.....
人们都会紧张，所谓“三人成虎”，明明在数值上变化不大，可就是会引发焦虑，大家会反反复复地问：“是不是有问题？是不是有问题?是不是有问题？“结果未来出现真正的暴涨（情况4）或暴跌（情况5），我们发现原来之前的波动都不是问题呀！这时候大家才反应过来可已经太迟了。
所以，做商业分析有前瞻性非常重要，能提前感知到问题，而非等到问题发生后才来慢条斯理地分析，这就需要掌握前瞻性的分析方法。