Der Aufbau eines vollständigen und umfassenden Indikatorensystems ist für Unternehmen der erste Schritt, um Daten zur Steuerung von Geschäftsentscheidungen zu nutzen. Aber nach der Festlegung der Indikatoren wird die Überwachung der Indikatoren oft von allen ignoriert. Wenn Indikatoren ungewöhnlich stark schwanken (nach oben oder unten), müssen Unternehmen in der Lage sein, diese rechtzeitig zu erkennen und die wahren Gründe dafür schnell zu finden, damit sie entsprechende Strategien formulieren können. Andernfalls treffen sie einfach blind das Ziel Kreise.
Spezifische Szenarien, in denen Indikatoren ungewöhnlich schwanken, wie zum Beispiel:
· Der Suchverkehr nach Unternehmensschlüsselwörtern ist plötzlich zurückgegangen. Was ist der Grund?
· Der GMV-Wert ist im März gegenüber Februar um 40 % gesunken.
· Die Anzahl der Bestellungen in einer bestimmten Kategorie ist in letzter Zeit stark gestiegen. Warum?
Anschließend wird in diesem Artikel ausführlich erläutert, wie eine vollständige Überwachung von Indikatoranomalien und ein entsprechender Mechanismus zur Attributionsanalyse eingerichtet werden , sodass Sie bei zukünftigen Problemen mit solchen Problemen schnell Geschäftsprobleme und -chancen anhand der Daten erkennen und die Geschäftsgeschwindigkeit verbessern können Förderung.
Erkennung von Indikatoranomalien basierend auf statistischer Analyse
Die täglichen Datentrends von Unternehmen werden innerhalb eines bestimmten Bereichs nach oben und unten schwanken, aber die schwebenden Bereiche verschiedener Indikatoren werden unterschiedlich sein. Wenn sich das Unternehmen in einer Phase schnellen Wachstums befindet, ist die tägliche Schwankungsbreite der Indikatoren größer. Wenn sich das Unternehmen in einer stabilen Phase befindet, ist die tägliche Schwankungsbreite der Indikatoren umso kleiner, je gröber die statistische Granularität ist und desto geringer ist die Volatilität der statistischen Ergebnisse. Daher müssen für verschiedene Indikatoren unterschiedliche Standards verwendet werden, um zu messen, ob es Anomalien bei den Indikatorschwankungen gibt.
Es gibt drei Hauptmethoden zur Überwachung von Indikatoranomalien:
· Schwellenwerteinstellung basierend auf tatsächlicher Geschäftserfahrung
· Führen Sie statistische Analysen basierend auf Datenergebnissen durch
· Integrieren Sie Algorithmen in Modellierungsvorhersagen
In diesem Artikel wird hauptsächlich vorgestellt, wie anhand statistischer Analysemethoden beurteilt werden kann, ob Indikatorschwankungen abnormal sind .
In der Statistik erfüllt die Datenverteilung von Indikatoren normalerweise die Normalverteilung . Die Normalverteilung ist symmetrisch und verwendet zwei Daten: Mittelwert und Standardabweichung. Der Mittelwert kann den Durchschnittswert der Daten widerspiegeln, und die Standardabweichung kann die Schwankungsbreite der Daten widerspiegeln. Je größer die Standardabweichung, desto größer die Volatilität der Daten. Die Formel zur Berechnung der Standardabweichung lautet wie folgt:
Anhand der Lage der Daten in der Normalverteilung lässt sich feststellen, ob die Indikatorschwankungen den Erwartungen entsprechen. Bei der Normalverteilung beträgt die Wahrscheinlichkeit, dass die Daten innerhalb des Zweifachen der Standardabweichung verteilt sind, 95,5 %, und die Wahrscheinlichkeit, dass sie innerhalb des Dreifachen der Standardabweichung liegt, beträgt 99,7 %. Im täglichen Leben kann die 2-fache Standardabweichung als Messstandard verwendet werden.
Normale Datenergebnisse schwanken im Bereich der mittleren ±2*-Standardabweichung. Wenn die tatsächlichen Daten diesen Bereich überschreiten, wird die Datenschwankung als abnormal angesehen.
Tägliche Datenschwankungsmuster weisen die gleichen oder ähnliche Änderungsmuster in Einheiten von Tagen, Wochen, Monaten und Jahren auf. Hier nehmen wir den täglichen Aktivitätsindikator als Beispiel, um den Überwachungsprozess abnormaler Indikatorschwankungen zu veranschaulichen.
Der tägliche Aktivitätsindikator einer bestimmten Spiele-APP schwankt normalerweise wöchentlich. Wir planen nun, anhand der Datentrends der letzten fünf Wochen festzustellen, ob es ungewöhnliche Schwankungen in den täglichen Aktivitätsdaten dieses Montags gibt.
Die Datenaufbereitung läuft wie folgt ab:
Der Durchschnittswert der Montags in den ersten fünf Wochen der oben genannten Daten beträgt: 10900, Standardabweichung: 1507. Die 2-fache Standardabweichung der Daten beträgt 7887 bzw. 13913. Die Daten am Montag dieser Woche betragen 7700. Wenn er außerhalb liegt Im Bereich der 2-fachen Standardabweichung bedeutet dies, dass die Aktivität an einem Tag in dieser Woche abnormal ist. Die Indikatordaten schwanken ungewöhnlich, und es ist eine weitere Analyse erforderlich, um festzustellen, ob die abnormalen Schwankungen im Unternehmen wirklich abnormal sind.
Attributionsanalyse von Indikatoränderungen
Es gibt viele Attributionsmethoden für Indikatoränderungen , die in zwei Kategorien zusammengefasst werden können: horizontale Attributionsanalyse und vertikale Attributionsanalyse.
Horizontale Attributionsanalyse
Die horizontale Attributionsanalyse bedeutet, dass für kombinierte Indikatoren die Prozessindikatoren aufgeteilt werden können, die Schwankungseinflussfaktoren jedes Prozessindikators analysiert werden können und anschließend die mehreren Einflussfaktoren integriert und analysiert werden können.
Beispiel: Der Zahlungsbetrag von gestern ist deutlich gestiegen. Bei der Analyse der Gründe für den Anstieg wird zunächst der Zahlungsbetrag aufgeschlüsselt: Zahlungsbetrag = tägliche Aktivität * durchschnittlicher Zahlungsbetrag. Der durchschnittliche Zahlungsbetrag schwankt im normalen Bereich und die tägliche Aktivität ist deutlich gestiegen. Es wurde festgestellt, dass sich das Einkaufsvolumen gestern auf die Ergebnisse auswirkte.
Vertikale Attributionsanalyse
Bei der vertikalen Attributionsanalyse wird eine Attributionsanalyse für Indikatoren durch Dimensions-Drilldown durchgeführt. Die Dimensions-Drilldown-Analyse umfasst hauptsächlich zwei Analysegranularitäten: Eine besteht darin, den Beitrag jeder Dimension zum Indikator zu analysieren, und die andere besteht darin, den Beitrag des Dimensionswerts zum Indikator zu analysieren.
Die Berechnung des Beitragsgrades einer Dimension kann auf der Grundlage der Zusammenfassung des Beitragsgrades jedes Dimensionswerts erfolgen. Es gibt viele Berechnungsmethoden zur Berechnung des Beitragsgrades jedes Dimensionswerts verschiedene Methoden wie Vorhersagealgorithmen. In diesem Artikel wird eine einfache Methode zur Berechnung des Beitragsgrads basierend auf der durchschnittlichen Wachstumsrate vorgestellt.
Unter einer einzelnen Dimension kann der Beitrag jedes Dimensionswerts mit der folgenden Formel berechnet werden:
Nehmen Sie als Nächstes den Umsatz als Beispiel, um den Berechnungsprozess vorzustellen.
Der Umsatz einer bestimmten Produktlinie betrug am 1. und 2. Januar 30,97 Millionen Yuan bzw. 33 Millionen Yuan. Aufgeschlüsselt nach der Stadtdimension ergibt sich für jede Stadt folgendes zweitägiges Datenergebnis:
In der Stadtdimension:
Basierend auf den oben genannten Schritten kann die Berechnung des Dimensionsbeitrags und des Dimensionswertbeitrags einfach realisiert werden.
Intelligente Überwachung von Indikatorschwankungen und intelligente Attributionsanalyse
In tatsächlichen Datenszenarien liegt die Anzahl der Dimensionswerte in jeder Dimension im Bereich von Dutzenden über Hunderte bis hin zu Tausenden. Die tägliche manuelle Berechnung des Dimensionsbeitrags ist eine enorme Arbeitsbelastung. Die Analyseeffizienz ist zu gering, was es den Geschäftsparteien leicht macht, Schlussfolgerungen aus Erfahrung zu ziehen. Wenn die Schlussfolgerung falsch ist, werden höchstwahrscheinlich falsche Entscheidungen getroffen.
Die intelligente Überwachung von Indikatorschwankungen und die intelligenten Attributionsanalysefunktionen der Kangaroo Cloud Indicator Platform können Benutzern schnell und umfassend dabei helfen, die Geschäftsleistung zu verfolgen und so die Geschäftsentwicklung weiter zu fördern.
Anzeige-Dashboard anzeigen
Für Indikatoren, die dem Unternehmen Sorgen bereiten, können Indikatoren zur täglichen Datenbeobachtung und -überwachung zur Aufmerksamkeitstafel hinzugefügt werden. Im Dashboard können Sie die aktuelle Datenleistung und aktuelle Datentrends aller Indikatoren visuell anzeigen. Das System führt auf der Grundlage der aktuellen Daten eine intelligente Diagnose durch, um festzustellen, ob es sich bei den Indikatorschwankungen um normale Schwankungen handelt, hilft Benutzern, abnormale Daten schnell zu lokalisieren und Datenänderungen gezielt zu analysieren und darauf zu reagieren.
Metrik-Attributionsanalyse
Wenn ein Indikatorergebnis abnormal ist, ist es eine Menge Arbeit, nacheinander eine Attributionsanalyse für Dimensionen und Dimensionswerte durchzuführen. Die Fähigkeit, Analysemethoden und -prozesse zu systematisieren, wird die Effizienz der Attributionsanalyse erheblich verbessern und eine äußerst positive Rolle bei der Förderung der Geschäftsentwicklung spielen.
Bei der Analyse der Indikatorzuordnung unterscheidet das System zwischen den Schwankungen der Dimensionswertberechnungsindikatoren, berechnet den Dimensionsbeitrag weiter und sortiert sie in absteigender Reihenfolge nach dem Beitrag, sodass sich Benutzer auf die wichtigeren Einflussfaktoren konzentrieren können.
Unter der Dimension des Problems können Benutzer den Beitrag unterteilter Dimensionswerte weiter überprüfen, schnell die Gründe für Datenänderungen ermitteln und Geschäftsverbesserungen durch Daten fördern.
Klicken Sie auf den Link unten, um [ Indikator-Management-Plattform ] kostenlos zu testen: https://www.dtstack.com/easydigit/dataindex?src=szsm
Downloadadresse „Industry Indicator System White Paper“: https://www.dtstack.com/resources/1057?src=szsm
Download-Adresse „Dutstack Product White Paper“: https://www.dtstack.com/resources/1004?src=szsm
Downloadadresse „Data Governance Industry Practice White Paper“: https://www.dtstack.com/resources/1001?src=szsm
Wenn Sie mehr über Big-Data-Produkte, Branchenlösungen und Kundenbeispiele erfahren oder sich beraten lassen möchten, besuchen Sie die offizielle Website von Kangaroo Cloud: https://www.dtstack.com/?src=szkyzg
Linus hat es sich zur Aufgabe gemacht, zu verhindern, dass Kernel-Entwickler Tabulatoren durch Leerzeichen ersetzen. Sein Vater ist einer der wenigen Führungskräfte, die Code schreiben können, sein zweiter Sohn ist Direktor der Open-Source-Technologieabteilung und sein jüngster Sohn ist ein Open-Source-Core Mitwirkender : Natürliche Sprache wird immer weiter hinter Huawei zurückfallen: Es wird 1 Jahr dauern, bis 5.000 häufig verwendete mobile Anwendungen vollständig auf Hongmeng migriert sind Der Rich - Text-Editor Quill 2.0 wurde mit einer deutlich verbesserten Erfahrung von Ma Huateng und „ Meta Llama 3 “ veröffentlicht Quelle von Laoxiangji ist nicht der Code, die Gründe dafür sind sehr herzerwärmend. Google hat eine groß angelegte Umstrukturierung angekündigt