预计阅读时间：10min
阅读建议：本篇内容是在实战中总结出来的，篇幅较长，建议整段时间完整阅读，可以「关注」「收藏」，一定会让你有所收获。
解决痛点：归因分析中，针对不同指标类型，如何在结论中，体现出问题对于大盘的贡献程度？
00
序言
本期为异动归因的最后一期，前两期中，小火龙和大家分享了「指标异动排查思路」，以及步骤中的核心环节「如何快速定位异常维度」。本期会和大家分享「针对不同类型指标，如何量化对大盘的贡献度」，下面以三个问题开启本期分享。
问题一：“贡献度是啥？”。
假设：大盘pv涨1000，男性pv涨500，则男性pv贡献大盘涨幅的50%，男性贡献度=50%。
问题二：“为什么要量化对大盘的贡献度？”。
提问：哪个结论会让老板更加信服呢？
结论一：“大盘流量上涨4%，主要由于双十一女性流量上涨导致”。
结论二：“大盘流量上涨4%，主要由于双十一女性流量上涨导致，其贡献了涨幅的95%”。
相信对数字严谨的同学，都会选择结论二，因为其不仅给出了结论，而且给出量化的贡献程度。
问题三：“「不同类型指标」指的是什么？量化方式会不同吗？”。
指标类型粗略可以划分为三种，贡献度计算方式均不同：
类型一：加法型指标。例如：pv、uv。
类型二：除法型指标。例如：ctr = 点击/展现。
类型三：乘法型指标。例如：详情页访问次数 = 首页DAU × 详细页渗透 × 详细页访问次数。
可能有些同学会有疑问“详情页访问次数，这种既是加法型指标，又是乘法型指标？”
对的，这主要取决于以何种角度拆解，以性别等「横向」方式拆解问题，则为加法型指标；以访问链路等「纵向」方式拆解问题，则为除法型指标。
本期，将和大家分享「不同类型指标」如何计算「贡献度」，其中包含之前踩过的坑，希望可以帮助你少走弯路。
01
「加法型指标」贡献度拆解
「加法型指标」指不同维度值之间可直接累加，例如：页面pv。加法型指标计算相对简单，可采取「直接拆解法」计算贡献度。
① 加法型-直接拆解法
1、方法介绍
核心思想：贡献度 = 维度值绝对DIFF / 大盘绝对DIFF。
2、案例分析
某日大盘pv -520，拆解各年龄段对大盘降幅的贡献程度：
步骤一：[19-25]岁，pv -200。
步骤二：[19-25]岁，贡献度 = (-200) / (-520) = 38%。
3、方法总结
加法型可以精确的计算贡献度，同一维度下的维度值相加为100%。
02
「除法型指标」贡献度拆解
「除法型指标」指比值型指标，例如：ctr = 点击/展现。除法型相比加法型的计算复杂一些。需注意：在计算除法型指标时，需要同时考虑「指标变化」和「流量变化」。举个栗子：
对比周期
【大盘】ctr=1.4，【性别-男】ctr=1.7
当前周期
1、指标变化影响：【性别-男】ctr提升至2，会将大盘指标往上拉。
2、流量变化影响：【性别-男】ctr不变，但【性别-男】流量上涨，由于【性别-男】指标本身大于大盘，因此当其流量上涨时，同样会将大盘指标往上拉。
因此在计算除法型指标细分维度值贡献度的时候，一定要同时关注「指标变化」和「流量变化」。小火龙将分享两种计算贡献度方式，大家可以自行选择。
① 除法型-控制变量法
1、方法介绍
核心思想：仅将度量的维度值发生改变，其他维度值保持不变，从而评估仅在该维度值发生变化的时，对大盘变化的影响程度。和大家简单介绍一下流程：
含义说明
Ci：维度值i的贡献度
Rt：当前大盘指标
Rt-1：历史大盘指标
Rt_new：仅维度值i为历史值的当前大盘指标
这样解释可能比较抽象，仍然以ctr（点击/展现）为例，给大家举个栗子。
2、案例分析
步骤一：分别计算大盘和各维度值，过去和当前的ctr指标。
步骤二：分别计算各维度控制变量计算出来的Rt_new（ctr_new），以[1-18]为例：
步骤三：分别计算各维度指标变化的贡献度，贡献度加和≈100%。以[1-18]为例，变化贡献度为7%，其余年龄段如上图红色部分。
3、方法总结
该方式可以较好地量化相对值变化的贡献程度，由于分子分母均发生改变，因此即考虑了「指标变化」又考虑到了「流量变化」。
② 除法型-拆解因素法
1、方法介绍
核心思想：该方式相对第一种方式最大的优势在于，可以将贡献度拆解到「指标变化」还是「流量变化」所导致。其方式的核心为，当计算指标变化时，假设流量不发生变化；当计算流量变化时，假设指标不发生变化。和大家简单介绍一下流程：
含义说明
大盘
PV_before = 大盘历史流量
PV_now = 大盘当前流量
INDEX_before = 大盘历史指标
INDEX_now = 大盘当前指标
维度值
pv_before = 维度值历史流量
pv_now = 维度值当前流量
index_before = 维度值历史指标
index_now = 维度值当前指标
步骤一：计算维度值「指标变化」折合大盘绝对变化（假设流量没有变动）。
步骤二：计算维度值「流量变化」折合大盘绝对变化。先计算维度值指标相对大盘是更高还是更低，然后根据流量的变化，折合这个变化对于整体的影响。（选择历史指标进行计算，假设指标没有变动）。
步骤三：汇总「指标变化」和「流量变化」。
步骤四：计算维度值对大盘贡献度。
公式有些抽象，来个案例。
2、案例分析
仍然以指标ctr，年龄段维度为例，选择[1-18]岁区间变化对大盘贡献度。
步骤一：计算「指标变化」折合大盘，A = (1.053 - 1.101) × 1900 / 8560 = -0.011。 步骤二：计算「流量变化」折合大盘，B = (1.101 - 1.055) × (1900 - 1200) / 8560 = 0.004 步骤三：汇总「指标变化」和「流量变化」，S = A B = -0.011 0.004 = -0.007 步骤四：计算[1-18]岁区间变化对大盘贡献度，C = -0.007 / (1.012 - 1.055) = 16%
这里有两个踩过的坑，大家要注意一下！！
1、对于成熟型产品，重点关注「指标变化」，「流量变化」一般变化程度不大。
2、指标采用「绝对DIFF」进行拆解，「相对DIFF」由于流量不同，结论会出现较大偏差。
3、方法总结
该方式的优势是可以计算出贡献程度，并可以将「指标变化」和「流量变化」进行有效拆解。此种方式较推荐大家使用。
03
乘法型指标贡献度拆解
「乘法型指标」指可以通过乘法拆解的指标，例如：详细页访问次数 = 首页DAU×详细页渗透×详细页访问次数。拆解的目的是为了解释，详细页访问次数的变化，后面三者分别贡献了多少？
乘法型指标贡献度拆解有两种方式，在实战中结果相差不大，大家可以选择其中一种方式进行应用。
① 乘法型-相对diff转化法
1、方法介绍
核心思想：将「指标绝对乘法」转变成「指标相对加法」，转变为加法型计算方式。
S = A × B
▼转化为
△S = △A △B（△为相对DIFF）
推导过程可以参考下图（纯公式看着会头疼，可以直接跳到案例分析）：
这里有一个踩过的坑，大家要注意一下！！
该方式是有一定前提的，通过上面这个表达式，大家应该也可以发现，只有在△x△y ≈ 0 的时候，此约等式才成立。因此，如果当两个相对DIFF的相乘较大时，此种方式会出现偏差。这点，大家在使用的过程中要注意一些。
2、案例分析
举一个栗子，大家量化看一下效果：
步骤一：计算整体指标及各因子的相对DIFF，详细页渗透 = 65% / 70% = -7.1%。（绿色为整体，蓝色相乘为绿色）
步骤二：根据相对DIFF计算对于整体的贡献程度，详细页渗透贡献度= -7.1% / 5.4% = -131%
3、方法总结
该方法相对简单，但如果遇到上述踩坑问题，可能各因子贡献度加和会偏离100%。
② 乘法型-log转化法
1、方法介绍
核心思想：将「乘法型指标」log转变成「加法型指标」。
S = A × B
▼转化为
logS = logA logB
2、案例分析
举一个栗子，大家量化看一下效果：
步骤一：将乘法型指标进行log转化，分别计算出before和now的各个因素值。
步骤二：直接计算各因素的绝对DIFF，和对于整体指标变化的贡献度。首页DAU贡献度 = (4.04 - 4)/(4.66-4.64) = 180%
3、方法总结
该方法可以精确的计算贡献度，因子间贡献度加和为100%。
以上就是本期的内容分享，希望通过三期的「归因分析」专题，可以帮你对这个领域有一个更加清晰的认识。码字不易，如果觉得对你有一点点帮助，欢迎「关注」「点赞」「分享」哦，我会持续为大家输出优质的「原创内容」~~
END
【下期预告】下面几期「经验」类文章，会和大家体系化的分享「AB实验」，作为数据分析在其中所承担的角色。网络上有很多AB实验的内容，但是将AB实验从 实验设计→实验上线→实验分析→实验放量→实验归档，整套流程体系化说清楚的却不多，希望通过我的分享，可以帮助你捋顺整条链路。静待下期分享~~
【作者简介】互联网大厂数据分析专家，本系列「经验」类文章，会和大家分享一些近些年从事数据分析工作的一些心得体会，希望能够帮助到同行的同学，同时也渴望和大家在此沟通探讨。
