背景

最近用戶使用時(shí)長下跌，為什么？

遠(yuǎn)期計(jì)劃提升流量規(guī)模，怎么搞？

業(yè)務(wù)分析師經(jīng)常不得不通過數(shù)據(jù)來回答這些通常來自高層的靈魂問題。之所以靈魂問題，因?yàn)檫@類問題通常針對一個(gè)頂層指標(biāo)發(fā)問，卻需要在指標(biāo)背后紛亂繁雜的眾多可能性中找到一個(gè)清晰的解釋路徑。和我一樣，一開始不少分析師在面對這樣的問題時(shí)會(huì)束手無策，產(chǎn)出的分析通常是數(shù)據(jù)的羅列但缺少洞見，或者結(jié)論脫離數(shù)據(jù)很難落地。但在我接觸異動(dòng)歸因分析這一年多以來，也見識(shí)過一些非常棒的成功案例以及對口的理論方法。本文筆者將這段時(shí)間所積累的經(jīng)驗(yàn)整理出一套方法，希望文中的理論方法還有案例可以成為分析師日常工作的工具。

解構(gòu)多邊平臺(tái)

互聯(lián)網(wǎng)+ 催生了大量的多邊平臺(tái)。這些平臺(tái)的產(chǎn)品雖然相差甚遠(yuǎn)，但商業(yè)原理卻很相近：它們都類似一個(gè)市場，有「賣家」和「買家」雙方，市場則通過算法策略與機(jī)制設(shè)計(jì)來撮合買賣雙方達(dá)成「交易」。例如，司機(jī)和乘客構(gòu)成的網(wǎng)約車平臺(tái)，通過分單來撮合司乘達(dá)成交易；配送平臺(tái)，調(diào)度運(yùn)力配送訂單，在體驗(yàn)約束下優(yōu)化人效；內(nèi)容消費(fèi)者與創(chuàng)作者構(gòu)成的社區(qū)平臺(tái)，通過算法來匹配內(nèi)容需求與創(chuàng)作意愿來達(dá)成一篇內(nèi)容的創(chuàng)作與閱讀。我們統(tǒng)稱這些商業(yè)模式為多邊平臺(tái)，它的主要職能是撮合買賣雙方，也就是「供需」匹配。

平臺(tái)的終極目標(biāo)是流量與利潤，因此每家公司的頂層指標(biāo)（頂層指標(biāo)：評估公司終極目標(biāo)的指標(biāo)）通常與 DAU（Daily Active Users,日活躍用戶數(shù)）、時(shí)長、商業(yè)收入與利潤有關(guān)。為了達(dá)成目標(biāo)，我們?nèi)粘５捻?xiàng)目基本逃離不開這兩個(gè)抓手：

1. 供需拉動(dòng)：拉新，召回，供需結(jié)構(gòu)優(yōu)化

2. 供需匹配：算法策略，前端產(chǎn)品，平臺(tái)治理，基礎(chǔ)架構(gòu)

平臺(tái)加上活躍在平臺(tái)上的供需作為一個(gè)整體就類似一個(gè)生產(chǎn)引擎：平臺(tái)引入需求與供給這些生產(chǎn)要素，利用技術(shù)、產(chǎn)品與算法策略優(yōu)化生產(chǎn)效率。給定一個(gè)用戶需求，平臺(tái)每次通過計(jì)算分發(fā)一個(gè)供給，這個(gè)供給是平臺(tái)的一單位「產(chǎn)出」。一單位「產(chǎn)出」的例子比如網(wǎng)約車平臺(tái)的一次司機(jī)應(yīng)答，又例如電商、內(nèi)容平臺(tái)分發(fā)給用戶的每一張卡片，本質(zhì)上都是平臺(tái)為了達(dá)成終極目標(biāo)而分發(fā)給用戶的最小內(nèi)容子單元，一切用戶體驗(yàn)與頂層指標(biāo)的漲跌也都起始于這些最小內(nèi)容子單元。用戶有主動(dòng)權(quán)選擇是否消費(fèi)平臺(tái)的每單位「產(chǎn)出」，這進(jìn)一步直接決定了平臺(tái)的頂層指標(biāo)。舉例，類似知乎、快手這類內(nèi)容平臺(tái)，每一刻在線的用戶就代表「需求」，而平臺(tái)的內(nèi)容池代表「供給」，平臺(tái)通過卡片（最小內(nèi)容子單元）形式將內(nèi)容分發(fā)給用戶，用戶選擇閱讀卡片內(nèi)容與否決定了平臺(tái)是否完成一單位流量的生產(chǎn)。反過來講，每單位流量的因果鏈條最底層是：用戶是誰；分發(fā)的內(nèi)容是什么；內(nèi)容與用戶是否匹配。

所以，‘最近用戶使用時(shí)長下跌原因是什么？長期如何提升平臺(tái)流量？’，時(shí)長、流量等這些頂層指標(biāo)背后的因果鏈條最底層就是無數(shù)平臺(tái)的一單位產(chǎn)出，頂層指標(biāo)也就可以「解構(gòu)」成這些產(chǎn)出與用戶需求之間匹配程度的累加：因此為了回答這些靈魂問題，從事后歸因角度，分析需要量化：過去平臺(tái)分發(fā)的每單位產(chǎn)出對應(yīng)的需求（用戶）與供給分別是什么，供給質(zhì)量如何；同樣的，從遠(yuǎn)期規(guī)劃層面，需要量化：什么類型的單位產(chǎn)出會(huì)給平臺(tái)帶來收益，這樣的產(chǎn)出需要對應(yīng)到怎樣的需求與供給。

解構(gòu)平臺(tái)用到的數(shù)據(jù)相對簡單，需要到一次分發(fā)粒度的數(shù)據(jù)中明確對應(yīng)的用戶與供給 ID 信息，但是需要相對完備的用戶畫像與供給畫像數(shù)據(jù)做支撐。畫像很重要，有意義的解構(gòu)依賴于畫像對需求與供給的有效拆解。

頂層指標(biāo)的分析通常對應(yīng)兩個(gè)場景：

● 戰(zhàn)略規(guī)劃：分析通常要基于歷史數(shù)據(jù)來測算未來相當(dāng)長一段時(shí)間如何通過供需規(guī)模拉動(dòng)來優(yōu)化頂層指標(biāo)。

● 事后歸因：分析一般是對短期歷史數(shù)據(jù)中體現(xiàn)的頂層指標(biāo)異動(dòng)做復(fù)盤，通常要從用戶結(jié)構(gòu)、分發(fā)結(jié)構(gòu)、匹配效率層面快速定位原因與策略優(yōu)化點(diǎn)。

長期規(guī)劃

多邊平臺(tái)與 Cobb-Douglas 生產(chǎn)函數(shù)

互聯(lián)網(wǎng)雖然催生了許多在線的多邊平臺(tái)，但多邊平臺(tái)是非常古老的概念。一個(gè)國家就是一個(gè)多邊平臺(tái)，從經(jīng)濟(jì)產(chǎn)出水平層面可以將國家成解構(gòu)成 GDP = f（L，K），其中 GDP 是國內(nèi)生產(chǎn)總值，L(abor) 代表勞動(dòng)力個(gè)數(shù)，K(aplital) 代表總投資。國家也好比一個(gè)生產(chǎn)引擎，吃進(jìn)去投資與勞動(dòng)力，產(chǎn)出 GDP。早在20世紀(jì)20年代，經(jīng)濟(jì)學(xué)家保羅·道格拉斯研究國家投入和產(chǎn)出相關(guān)性的問題發(fā)現(xiàn)，在1909-1918十年間，盡管資本/勞動(dòng)力比率并不穩(wěn)定，勞動(dòng)力產(chǎn)出份額相當(dāng)穩(wěn)定，約為74％。他問他的朋友，數(shù)學(xué)家查爾斯科布，是否有任何特定的數(shù)學(xué)形式可以解釋這一點(diǎn)。他們創(chuàng)造了最初的Cobb–Douglas生產(chǎn)函數(shù)： , 于他們1928年的論文《生產(chǎn)理論》中提出。Cobb–Douglas生產(chǎn)函數(shù)從此對學(xué)界與業(yè)界產(chǎn)生了深遠(yuǎn)的影響，在醫(yī)療、能源、供應(yīng)鏈上面也有著廣泛應(yīng)用。最近 Ba?e?mez, Hülya 在美國經(jīng)濟(jì)增長研究中基于 Cobb-Douglas 生產(chǎn)函數(shù)對美國 1951-2008 年的經(jīng)濟(jì)數(shù)據(jù)進(jìn)行建模，得到 。建模基于 log-log regression 得到參數(shù)估計(jì)，具體的，他們將 1951-2008 美國經(jīng)濟(jì)年鑒中每年的 GDP，L 勞動(dòng)力，K 總投資數(shù)據(jù)提取出來，用線性回歸對 進(jìn)行參數(shù)估計(jì)，得出這個(gè)公式。Cobb–Douglas生產(chǎn)函數(shù)有著良好的業(yè)務(wù)性質(zhì)：

1. 邊際一單位生產(chǎn)要素對產(chǎn)出的價(jià)值可以量化，拿勞動(dòng)力與單位投資對 GDP 的邊際價(jià)值作為例子：

由于 1.1>1，因此目前引入勞動(dòng)力是存在遞增規(guī)模收益（IRS）的，也就是每邊際引入一單位勞動(dòng)力對 GDP 的影響是遞增的；由于 0.4 << 1，因此目前引入更多投資對 GDP 是存在遞減規(guī)模收益（DRS）的，雖然投資還在正向影響 GDP，但是會(huì)愈加不劃算。

2. Cobb–Douglas生產(chǎn)函數(shù)反映平臺(tái)「跨邊網(wǎng)絡(luò)效應(yīng)」的性質(zhì)：網(wǎng)絡(luò)效應(yīng)是指一個(gè)產(chǎn)品用戶規(guī)模的增長會(huì)正向影響每一個(gè)用戶的產(chǎn)品體驗(yàn)，例如：電話、微信、wifi 萬能鑰匙。多邊平臺(tái)具有跨邊網(wǎng)絡(luò)效應(yīng)，簡單來說，就是「買家」規(guī)模增長會(huì)激勵(lì)賣家參與，反之亦然，例如知乎、快手、淘寶、美團(tuán)等，這些平臺(tái)的收益與活躍的供給量和需求量的乘積成正比關(guān)系。依然用國家 GDP 作為例子說明 Cobb–Douglas生產(chǎn)函數(shù)對跨邊網(wǎng)絡(luò)效應(yīng)的刻畫：勞動(dòng)力邊際價(jià)值

可以發(fā)現(xiàn) K 遞增時(shí)，勞動(dòng)力對 GDP 的邊際價(jià)值也會(huì)增加，資本可以為勞動(dòng)力提供更優(yōu)質(zhì)的生產(chǎn)設(shè)備與技能培訓(xùn)，勞動(dòng)力的生產(chǎn)效率也因此提升。平臺(tái)雙邊之間通常存在跨邊效應(yīng)：越多的司機(jī)供給，乘客的發(fā)單意愿與轉(zhuǎn)化率越高，因此每單位乘客產(chǎn)出 GMV 的速率會(huì)增加；內(nèi)容平臺(tái)提供越豐富的內(nèi)容供給，消費(fèi)者的瀏覽意愿越強(qiáng)，因此每單位消費(fèi)者產(chǎn)生的閱讀流量也越高。

Cobb–Douglas生產(chǎn)函數(shù)在業(yè)界的應(yīng)用

留意Cobb–Douglas生產(chǎn)函數(shù)的兩端，左邊是產(chǎn)出，右邊是生產(chǎn)要素與生產(chǎn)效率，參考前一部分對平臺(tái)的結(jié)構(gòu)，我們可以很容易找到適合于各類業(yè)務(wù)的定量框架，例如：

●網(wǎng)約車平臺(tái)：GMV（Gross Market Value 總收益）= At

●內(nèi)容平臺(tái)：PV（PageView 總瀏覽量）= At

●外賣平臺(tái)：

在不同時(shí)間片下，我們可以觀測到產(chǎn)出、供給、需求的波動(dòng)，基于 log-log regression對這些波動(dòng)進(jìn)行建模可以得到不同業(yè)務(wù)的參數(shù)估計(jì)，也就可以用來推斷各種生產(chǎn)要素的邊際價(jià)值與規(guī)模效益了。

在這個(gè)基礎(chǔ)上，我們可以基于用戶畫像、供給畫像對供需進(jìn)行細(xì)拆，得到更具象化、更準(zhǔn)確的供需模型。例如，網(wǎng)約車平臺(tái)、外賣平臺(tái)可以到城市粒度做分塊建模，內(nèi)容平臺(tái)也可以具體到細(xì)分內(nèi)容領(lǐng)域上面探究高價(jià)值的 DAU 與內(nèi)容分別來自哪些渠道或者領(lǐng)域。因此，完備的供需畫像會(huì)是Cobb–Douglas生產(chǎn)函數(shù)應(yīng)用場景和價(jià)值的拓展。

Cobb–Douglas生產(chǎn)函數(shù)也常用于戰(zhàn)略運(yùn)營規(guī)劃場景：平臺(tái)戰(zhàn)略規(guī)劃本質(zhì)上是在思考投資如何應(yīng)用才能最大化終極目標(biāo)提升這個(gè)有條件約束的最優(yōu)化問題上面。我們以內(nèi)容平臺(tái)為例，運(yùn)營層面通常具備能力估算每拉動(dòng)一單位內(nèi)容與 DAU 的成本，分別是 Cs，Cd，同時(shí)假設(shè)平臺(tái)未來一年決定投資 I 在供需拉動(dòng)上面，則最優(yōu)的供需拉動(dòng)策略可以從以下有條件最優(yōu)化問題中得出：

短期診斷

短期診斷，就是分析推斷業(yè)務(wù)核心指標(biāo)近期漲跌的具體原因。業(yè)務(wù)在「短期診斷」上的訴求比「長期規(guī)劃」要頻繁甚至著急很多，因此對分析師做這件事情的效率有很高的要求。短期診斷本質(zhì)上就是回答一個(gè)或多個(gè)「最近大盤指標(biāo) x 為什么跌了？」的過程。「大盤」指標(biāo)是對一個(gè)業(yè)務(wù)下所有覆蓋的主體進(jìn)行宏觀層面的刻畫，主體可以是剛剛提到的用戶、供給、或者是平臺(tái)分發(fā)的每一條內(nèi)容，而之所以稱為大盤的指標(biāo)實(shí)際是對所有主體的強(qiáng)調(diào)。具象化一點(diǎn)，我們用「活動(dòng)后相比之前大盤（i.e. 全體活躍用戶）用戶留存下跌原因分析」作為例子。

大盤用戶留存波動(dòng)背后是一個(gè)復(fù)雜的系統(tǒng)：大盤留存波動(dòng)背后是許多留存上漲、下跌的細(xì)分群體累加；同時(shí)具體到每一個(gè)用戶留存雖然與平臺(tái)分發(fā)給用戶的每單位產(chǎn)出的質(zhì)量脫不開干系，但是用戶天與天之間在平臺(tái)之外的生活、學(xué)習(xí)、工作、情緒這些「外生隨機(jī)因素波動(dòng)」也很大程度影響著用戶的留存。因此，短期影響留存的因素大部分是獨(dú)立于平臺(tái)策略、原因不明的。分析師需要避免被一些細(xì)節(jié)數(shù)據(jù)纏住，清楚平臺(tái)短期可能對用戶體驗(yàn)產(chǎn)生的影響是什么，如何定量評估這些影響，這樣才能從混沌系統(tǒng)中快速找到平臺(tái)層面的原因，并針對關(guān)鍵目標(biāo)用戶群體提出業(yè)務(wù)可執(zhí)行的策略建議。如果分析師可以圍繞留存分析建立一套這樣的分析體系并落地在周報(bào)解讀上，長期對業(yè)務(wù)產(chǎn)生的影響會(huì)是巨大的。進(jìn)一步展開討論之前，介紹幾個(gè)大盤留存的規(guī)律：

1. 大盤整體留存率波動(dòng)的主因是兩類波動(dòng)的累加：a. 某些用戶群體留存率的波動(dòng)，b.某些用戶群體的占大盤比例的波動(dòng)。前者可能是平臺(tái)策略變動(dòng)的結(jié)果或者在反映策略接下來的發(fā)力點(diǎn)；后者通常是大盤用戶結(jié)構(gòu)的波動(dòng)，與平臺(tái)策略關(guān)系不大，也很難通過平臺(tái)策略干預(yù)。

2. 用戶群體留存率波動(dòng)與平臺(tái)相關(guān)的主要因素來自兩類：a1. 業(yè)務(wù)策略或者基礎(chǔ)服務(wù)變更/異常（e.g. 新產(chǎn)品發(fā)版；在線業(yè)務(wù)異常導(dǎo)致服務(wù)降級），a2. 當(dāng)下平臺(tái)分發(fā)的‘供給’（e.g. 內(nèi)容、騎手、商品）與用戶‘需求’（i.e. 對‘供給’的預(yù)期）之間的匹配程度發(fā)生變化。同時(shí)，數(shù)據(jù)層面可以有相對固定的分析框架與維度指標(biāo)體系來識(shí)別 a1&2 兩類因素，并同時(shí)提供策略優(yōu)化點(diǎn)。

3. 在相對成熟的業(yè)務(wù)系統(tǒng)中，除非重大業(yè)務(wù)/基礎(chǔ)服務(wù)變更或異常，平臺(tái)很難對任何用戶群體留存率產(chǎn)生 2% 以上的影響。同時(shí)，通過數(shù)據(jù)去發(fā)現(xiàn)或者論證平臺(tái)之外的原因?qū)τ脩舻臐撛谟绊懯欠浅＠щy而且代價(jià)很高的。

4. 作為用戶遠(yuǎn)期行為的刻畫，留存即受到用戶當(dāng)期消費(fèi)體驗(yàn)的影響，也很大程度上受到用戶在平臺(tái)之外因素頻繁波動(dòng)的制約。由于平臺(tái)之外的因素很大程度上是不可知的，異動(dòng)歸因需要引入更直接反映用戶當(dāng)期體驗(yàn)的指標(biāo)（e.g. 使用時(shí)長、轉(zhuǎn)化率）作為留存指標(biāo)的補(bǔ)充。

5. 只關(guān)注短期數(shù)據(jù)會(huì)讓分析師進(jìn)入過分解讀的陷阱，拉長時(shí)間范圍可以幫助更有效看清指標(biāo)走勢以及意義不大的短期波動(dòng)。

在上述規(guī)律的基礎(chǔ)上，用于短期診斷的分析框架依賴兩個(gè)要素：快速拆清楚大盤用戶與供給分發(fā)結(jié)構(gòu)（i.e. 供需結(jié)構(gòu)）的畫像數(shù)據(jù)，和定量評估供需結(jié)構(gòu)變化對頂層指標(biāo)影響的計(jì)算方法。這個(gè)分析框架可以拆解成三個(gè)步驟：1. 定位目標(biāo)用戶群體；2. 聚焦目標(biāo)群體，定位與平臺(tái)相關(guān)的原因；3. 提供策略建議。

定位目標(biāo)用戶群體

將大盤用戶做細(xì)拆是非常必要的。一方面，細(xì)拆幫助我們看清潛在體驗(yàn)出現(xiàn)問題的目標(biāo)用戶群體；另一方面，如果停留在大數(shù)層面去做推斷可能會(huì)得到錯(cuò)誤甚至相反的結(jié)論：「辛普森悖論」經(jīng)常會(huì)體現(xiàn)在大數(shù)指標(biāo)的波動(dòng)上面。舉個(gè)例子，某平臺(tái)市場推廣前后大盤整體留存率下跌 3%，這說明活動(dòng)損害用戶體驗(yàn)了嗎？當(dāng)細(xì)拆用戶群體之后發(fā)現(xiàn)用戶體驗(yàn)是全面提升的。如下圖，活動(dòng)大幅拉動(dòng)了增量的新用戶與沉默用戶進(jìn)入平臺(tái)，用戶占比均從 5% 提升到了 10%。在此基礎(chǔ)上，活動(dòng)對各個(gè)群體的留存率均產(chǎn)生 2% 的正向影響，因此該活動(dòng)產(chǎn)生的正向收益是非常明顯的。

這個(gè)例子中，大盤與細(xì)分群體的數(shù)據(jù)之間的相互矛盾就是典型的辛普森悖論問題：大盤留存率變化=f（用戶結(jié)構(gòu)變化，用戶體驗(yàn)變化），忽略掉用戶結(jié)構(gòu)這個(gè)重要內(nèi)生維度得到的相關(guān)性不能指向因果關(guān)系。所以，僅停留在大盤層面基于「大數(shù)」給出各種用戶體驗(yàn)推斷的時(shí)候，出錯(cuò)的概率就會(huì)大大增加。只有當(dāng)我們聚焦在各個(gè)細(xì)分用戶群體層面來看數(shù)據(jù)的時(shí)候，才能有效避免這類錯(cuò)誤的發(fā)生。業(yè)務(wù)通常會(huì)在「大數(shù)」上產(chǎn)生不必要的困擾：決策層每天可能只會(huì)早上花個(gè)幾秒時(shí)間掃一眼幾個(gè)核心「大數(shù)」，根本沒有時(shí)間精力去從成百上千個(gè)細(xì)分群體中找到「大數(shù)」波動(dòng)的關(guān)鍵原因。這就需要系統(tǒng)的方法設(shè)計(jì)與數(shù)據(jù)產(chǎn)品落地來賦能業(yè)務(wù)解讀數(shù)據(jù)的速度與質(zhì)量，接下來主要分享下筆者在這個(gè)方法上面的沉淀與體會(huì)。

通過這個(gè)例子我們可以體會(huì)到，用戶群體內(nèi)部（接下來統(tǒng)稱：種類內(nèi)）留存率的變化與用戶群體之間占比變化（接下來統(tǒng)稱：種類間）都會(huì)影響大盤整體留存率。由于短期用戶結(jié)構(gòu)變化大概率是平臺(tái)之外因素?cái)_動(dòng)導(dǎo)致大盤用戶結(jié)構(gòu)變化，業(yè)務(wù)會(huì)更多關(guān)注具體某個(gè)用戶群體留存漲跌的原因，因此算清楚具體到每個(gè)細(xì)分群體的用戶占比（種類間）變化與留存率（種類內(nèi)）變化分別對整體留存的影響是很關(guān)鍵的：我們把這類計(jì)算稱作貢獻(xiàn)度計(jì)算。用同樣例子（數(shù)據(jù)略有調(diào)整，見下圖）來講計(jì)算邏輯：對于某個(gè)用戶群體，設(shè)該群體活動(dòng)前后用戶占比分別為

活動(dòng)前后留存率分別為

大盤活動(dòng)前后整體留存率分別為 Q1, Q2, 則：

1. 群體種類間貢獻(xiàn) = (q1 – Q1) * (w2 - w1)。種類間變化回答的業(yè)務(wù)問題：該群體占比變化相比不變化對整體留存產(chǎn)生的影響是多少？

a. 舉例：沉默召回用戶占比活動(dòng)前后從 5% 漲到 10%，該群體活動(dòng)前留存率與大盤整體留存率分別是 10%，65%。則沉默召回用戶占比變動(dòng)對大盤整體留存率產(chǎn)生的影響為

。如果該用戶群體用戶占比沒有變化，則活動(dòng)后大盤留存的理論值為

b. 以此類推活躍用戶群體與新用戶群體種類間變化貢獻(xiàn)為 -0.5%，-1.8%，用戶結(jié)構(gòu)變化對大盤整體留存產(chǎn)生的影響是 -5%。

2. 群體種類內(nèi)貢獻(xiàn)

。種類內(nèi)變化回答的業(yè)務(wù)問題：該群體留存變化相比留存不變對整體留存產(chǎn)生的影響是多少？

a. 舉例：活躍用戶留存率從 70% 跌至 68%，活動(dòng)后用戶占比 80%。則該群體留存率變動(dòng)對整體留存率產(chǎn)生的影響為

。如果該群體用戶留存沒有變化，則活動(dòng)后大盤留存的理論值為

b. 以此類推沉默召回與新用戶群體種類內(nèi)變化貢獻(xiàn)為 0.2%，0.2%，各群體留存變化對大盤整體產(chǎn)生的影響是 -1.2%。

3. 這種計(jì)算方式可以保證各個(gè)群體的種類間、種類內(nèi)貢獻(xiàn)累加等于大盤整體留存率前后的差值

貢獻(xiàn)度計(jì)算是可拓展的，當(dāng)一個(gè)業(yè)務(wù)的用戶畫像體系建設(shè)很完備時(shí)，貢獻(xiàn)度可以幫助我們快速找到關(guān)鍵的幾個(gè)用戶群體以及這個(gè)群體影響大盤的方式。

那誰才是真正要去重點(diǎn)分析的目標(biāo)用戶群體呢？筆者認(rèn)為，相比分析某個(gè)留存率不變但占比波動(dòng)的群體，分析留存率在下降的用戶群體更有意義：因?yàn)楹笳吒赡茉诜从秤脩趔w驗(yàn)的問題，可以通過分析找到一些短期策略優(yōu)化點(diǎn)；但前者不同，由于留存穩(wěn)定，占比波動(dòng)更可能是平臺(tái)之外因素?cái)_動(dòng)的結(jié)果，因此很難通過平臺(tái)內(nèi)部數(shù)據(jù)找到真正原因與應(yīng)對策略。因此，為了提升工作效率，分析師有限時(shí)間內(nèi)要去分析留存率顯著下降的群體（上面的例子：目標(biāo)群體就是活躍用戶），根據(jù)種類內(nèi)貢獻(xiàn)大小排布優(yōu)先級；對于僅僅占比波動(dòng)的用戶群體，客觀向業(yè)務(wù)呈現(xiàn)數(shù)據(jù)之后，建議節(jié)省時(shí)間截止在第一步。

聚焦目標(biāo)群體，定位平臺(tái)原因

與平臺(tái)相關(guān)的主要因素來自兩類：a1. 業(yè)務(wù)策略或基礎(chǔ)服務(wù)變更/異常，a2. 平臺(tái)的供需匹配程度短時(shí)發(fā)生了變化。由于業(yè)務(wù)/基礎(chǔ)服務(wù)變更/異常都是從某個(gè)具體的時(shí)間點(diǎn)開始對線上產(chǎn)生影響，目標(biāo)用戶群體是否受到 a1 影響可以通過常規(guī)用來掃描時(shí)間序列斷點(diǎn)的統(tǒng)計(jì)方法來快速判定。本文重點(diǎn)討論對 a2 的診斷分析。

如文章一開始所講，一個(gè)用戶的體驗(yàn)可以解構(gòu)成平臺(tái)分發(fā)的每單位內(nèi)容與用戶需求之間匹配程度的累加，用戶體驗(yàn)受損則很可能在反映一定程度的供需失衡。在供需失衡場景，平臺(tái)通常具備短時(shí)優(yōu)化匹配效率的能力：無論是在高峰期配送平臺(tái)對價(jià)格的動(dòng)態(tài)調(diào)整，還是在某個(gè)熱點(diǎn)引爆后內(nèi)容平臺(tái)傾斜分發(fā)熱門內(nèi)容，當(dāng)平臺(tái)具備識(shí)別供需失衡的能力，就可以通過調(diào)整分發(fā)結(jié)構(gòu)來優(yōu)化用戶體驗(yàn)與平臺(tái)收益。

供需失衡背后有兩個(gè)潛在原因：平臺(tái)分發(fā)的內(nèi)容質(zhì)量問題（簡稱分發(fā)質(zhì)量），平臺(tái)分發(fā)的供給結(jié)構(gòu)問題（簡稱分發(fā)結(jié)構(gòu)）。拿內(nèi)容平臺(tái)作為例子，分發(fā)質(zhì)量問題意味著平臺(tái)分發(fā)的內(nèi)容不能滿足用戶需求，CTR、內(nèi)容均閱讀時(shí)長、內(nèi)容變現(xiàn)率下跌是供給質(zhì)量問題的體現(xiàn)；分發(fā)結(jié)構(gòu)問題指的是分發(fā)的內(nèi)容類型分布不合理造成體驗(yàn)下降，例如整體分發(fā)內(nèi)容中視頻、各個(gè)領(lǐng)域內(nèi)容的分布改變就會(huì)造成用戶體驗(yàn)的波動(dòng)。我們可以使用在步驟一相似的方法來去定量測算不同類型內(nèi)容的質(zhì)量與占比變化對用戶體驗(yàn)的影響。還用上面的例子，聚焦在目標(biāo)群體，具體分析平臺(tái)一段時(shí)間內(nèi)分發(fā)給活躍用戶的內(nèi)容結(jié)構(gòu)與質(zhì)量數(shù)據(jù)：

實(shí)際上，評估內(nèi)容結(jié)構(gòu)、質(zhì)量對體驗(yàn)的影響與評估用戶結(jié)構(gòu) 、體驗(yàn)對留存的影響使用的是一個(gè)計(jì)算方法。唯一變化的是主體與評估指標(biāo)：主體從一個(gè)用戶到平臺(tái)分發(fā)給用戶的每個(gè)供給，指標(biāo)從留存率變成了評估分發(fā)質(zhì)量的指標(biāo)，在這里是CTR（點(diǎn)擊率）。貢獻(xiàn)度輸出的種類間變化與種類內(nèi)變化分別在量化分發(fā)結(jié)構(gòu)變化與分發(fā)質(zhì)量變化對用戶體驗(yàn)（CTR）產(chǎn)生的影響。同時(shí)，內(nèi)容分發(fā)有個(gè)內(nèi)在的邏輯，就是當(dāng)一類內(nèi)容被傾斜分發(fā)的時(shí)候，通常會(huì)影響其分發(fā)的質(zhì)量，因此在供給分析里面，通常分發(fā)質(zhì)量與分發(fā)占比之間是此消彼長的。這時(shí)，評估一類內(nèi)容傾斜分發(fā)整體對全局體驗(yàn)的影響就是該類內(nèi)容種類間與種類內(nèi)貢獻(xiàn)的加和。例如，上圖案例中視頻內(nèi)容在活動(dòng)中做了傾斜分發(fā)，占比從 20% 漲到 30%，同期視頻分發(fā)質(zhì)量從 32% 跌至 28%，活動(dòng)前大盤整體 CTR 30.3%，因此分發(fā)占比變化對整體 CTR 的影響是正向 0.2% =（32%-30.3%）*(30%-20%)，分發(fā)質(zhì)量的影響是顯著負(fù)向 -1.2% = 30%*(32%-28%)。總體來看，視頻內(nèi)容傾斜分發(fā)負(fù)向影響了活躍用戶群體的體驗(yàn)，如果沒有進(jìn)行傾斜分發(fā)，活動(dòng)后 CTR 的理論值為 29% - （-1.2%+0.2%）= 30%，構(gòu)成了目標(biāo)群體體驗(yàn)下跌的主要原因。

貢獻(xiàn)度在診斷各類業(yè)務(wù)核心指標(biāo)波動(dòng)原因上具有普適性。無論是分析內(nèi)容社區(qū)的留存率還是物流配送時(shí)效性，亦或從線上算法準(zhǔn)確率到投資組合收益率，這些指標(biāo)的波動(dòng)本質(zhì)上都是一類問題：從數(shù)學(xué)角度去看，這些指標(biāo)都是先將一個(gè)總體按照細(xì)分維度拆解成若干細(xì)分群體，然后將細(xì)分群體指標(biāo)依據(jù)群體占比來加權(quán)平均。本文例子中，「定位目標(biāo)群體」環(huán)節(jié)是將 DAU 作為總體，用戶畫像作為維度，留存率作為指標(biāo)展開分析的；「定位平臺(tái)原因」環(huán)節(jié)是將平臺(tái)分發(fā)給活躍用戶群體的內(nèi)容作為總體，內(nèi)容畫像作為維度，CTR 作為指標(biāo)展開分析的。進(jìn)一步討論，一個(gè)加權(quán)平均數(shù)變化的原因要么是「某項(xiàng)的權(quán)重（占比）」發(fā)生變化，要么是「該項(xiàng)的取值（指標(biāo)）」發(fā)生變化，因此種類間、種類內(nèi)貢獻(xiàn)的計(jì)算定量解釋了加權(quán)平均數(shù)變化的原因；

由于貢獻(xiàn)度計(jì)算視「總體」、「指標(biāo)」、「維度」為可以靈活調(diào)整的「參數(shù)」，所以這個(gè)方法普適于與各類業(yè)務(wù)核心指標(biāo)的異動(dòng)歸因與診斷。在下面提供策略建議環(huán)節(jié)，我們依然會(huì)用到這個(gè)方法。

提供策略建議

診斷分析需要具備提出有效策略建議的能力，因?yàn)橹挥袠I(yè)務(wù)因?yàn)榉治霭l(fā)生了改變才是分析價(jià)值的真正體現(xiàn)。「定位目標(biāo)群體」環(huán)節(jié)無法提供有效策略建議，因?yàn)椤柑嵘钴S群體留存」雖然算是個(gè)建議，但是「如何提升該群體留存」依然是個(gè)靈魂問題。造成這些困惑的主要原因是因?yàn)榉治鰶]有拆解到業(yè)務(wù)抓手層面。什么才是真正的業(yè)務(wù)抓手呢，從內(nèi)容平臺(tái)業(yè)務(wù)來看，除了基于 AB 測試上下線業(yè)務(wù)策略還有修復(fù)明確的基礎(chǔ)服務(wù)故障，短期的抓手無非是改善分發(fā)結(jié)構(gòu)或者是在產(chǎn)品之間做導(dǎo)流。例如上面例子就可以作為調(diào)整分發(fā)結(jié)構(gòu)的依據(jù)，可以通過「綜合貢獻(xiàn)度」發(fā)現(xiàn)視頻 + 文章的傾斜分發(fā)會(huì)負(fù)向影響活躍群體的用戶體驗(yàn)，因此策略上應(yīng)該短期針對活躍用戶群體適當(dāng)控制視頻、文章的傾斜分發(fā)力度，在新用戶與沉默召回用戶群體保持原有分發(fā)策略。

產(chǎn)品之間導(dǎo)流也通常是一個(gè)有效短期改善體驗(yàn)的策略抓手，平臺(tái)時(shí)常與用戶之間存在一定程度的信息不對稱從而造成分發(fā)效率低下：例如在內(nèi)容平臺(tái)，不同用戶瀏覽內(nèi)容分散在首頁、關(guān)注頁、熱榜、圈子等入口，但是一個(gè)具體用戶的消費(fèi)習(xí)慣會(huì)相對固定在一個(gè)產(chǎn)品內(nèi)部，可能也不愿意付出成本來探索其他產(chǎn)品的消費(fèi)體驗(yàn)。同時(shí)，一個(gè)用戶在不同時(shí)間與場景下在一個(gè)產(chǎn)品的消費(fèi)體驗(yàn)是不可預(yù)期的，例如熱榜通常在有外源熱點(diǎn)的時(shí)候才更大概率出現(xiàn)優(yōu)質(zhì)內(nèi)容，這些不確定性進(jìn)一步限制用戶主動(dòng)探索不同產(chǎn)品的動(dòng)機(jī)。我們可以通過貢獻(xiàn)度來分析各個(gè)產(chǎn)品線的數(shù)據(jù)來尋找潛在的信息不對稱可能，并找到產(chǎn)品之間導(dǎo)流的方案。例如如下數(shù)據(jù)，通過綜合貢獻(xiàn)發(fā)現(xiàn)顯著負(fù)向與正向影響活躍用戶體驗(yàn)的產(chǎn)品線分別是推薦與熱榜，這說明將推薦頁用戶短期引導(dǎo)至熱榜消費(fèi)可以緩解活躍用戶群體的體驗(yàn)問題：

總結(jié)

平臺(tái)的終極目標(biāo)是流量和利潤，需要持續(xù)迭代優(yōu)化平臺(tái)背后的數(shù)學(xué)模型從而讓我們看清這個(gè)看似混沌的系統(tǒng)。本文認(rèn)為平臺(tái)本質(zhì)上在通過供需拉動(dòng)與提升匹配效率兩個(gè)抓手去優(yōu)化平臺(tái)的終極目標(biāo)：類似一個(gè)生產(chǎn)引擎，平臺(tái)輸入供需，產(chǎn)出最小內(nèi)容子單元。流量、利潤等頂層指標(biāo)也就可以「解構(gòu)」成這些產(chǎn)出與用戶需求之間匹配程度的累加。

平臺(tái)長期戰(zhàn)略規(guī)劃通常涉及供需規(guī)模拉動(dòng)的成本收益估算，我們可以基于 Cobb-Douglas 生產(chǎn)函數(shù)作為技術(shù)選型來估算遠(yuǎn)期一單位供給與需求的邊際價(jià)值、規(guī)模效益和網(wǎng)絡(luò)效應(yīng)；也可以用來解決給定資本投入情況下供需拉新資源最優(yōu)化分配的問題。

平臺(tái)短期診斷需要圍繞頂層指標(biāo)波動(dòng)快速定位平臺(tái)相關(guān)原因并提出有效策略建議，這就需要系統(tǒng)的方法設(shè)計(jì)與數(shù)據(jù)產(chǎn)品來保障分析速度與質(zhì)量。具象化一些來講，分析師要持續(xù)完善供需畫像體系，并迭代異動(dòng)歸因的方法論與工具。方法論層面，我們建議先定位目標(biāo)群體然后再分析具體原因并提出策略建議這樣由淺入深、從總體到個(gè)體的分析方法；工具層面，我們提出貢獻(xiàn)度計(jì)算方法，該方法輸出的種類內(nèi)、間變化有很好的業(yè)務(wù)性質(zhì)，也是解決指標(biāo)異動(dòng)歸因的通用框架，從定位目標(biāo)用戶群體到分析用戶體驗(yàn)波動(dòng)原因，我們可以通過在貢獻(xiàn)度計(jì)算中調(diào)整總體、指標(biāo)、維度這些參數(shù)來靈活解決各類異動(dòng)歸因分析問題。

作者：胡淏，畢業(yè)于哥倫比亞大學(xué)，一枚熱愛統(tǒng)計(jì)學(xué)、經(jīng)濟(jì)學(xué)的數(shù)據(jù)科學(xué)家。先后在螞蟻、滴滴、知乎等互聯(lián)網(wǎng)公司研究和落地?cái)?shù)據(jù)驅(qū)動(dòng)解決方案。了解風(fēng)控、網(wǎng)約車與即時(shí)配送、內(nèi)容社區(qū)等業(yè)務(wù)的領(lǐng)先算法與分析解決方案。