1. 項(xiàng)目概述為什么我們需要系統(tǒng)性地總結(jié)貢獻(xiàn)度計(jì)算方法在數(shù)據(jù)驅(qū)動的業(yè)務(wù)決策中歸因分析Attribution Analysis是連接“數(shù)據(jù)變化”與“業(yè)務(wù)動作”的關(guān)鍵橋梁。無論是產(chǎn)品經(jīng)理發(fā)現(xiàn)某個核心指標(biāo)突然下跌還是運(yùn)營同學(xué)想評估一次營銷活動的真實(shí)效果又或者是算法工程師需要解釋模型預(yù)測結(jié)果的驅(qū)動因素我們都會問同一個問題“這個變化到底是由哪些因素導(dǎo)致的它們各自貢獻(xiàn)了多少”這個問題就是歸因分析要解決的核心問題?！皻w因分析中各種指標(biāo)因子貢獻(xiàn)度計(jì)算方法總結(jié)”這個標(biāo)題直指這個領(lǐng)域最核心、也最讓從業(yè)者頭疼的實(shí)踐環(huán)節(jié)。我們可能都聽說過或使用過一些方法比如簡單的“差值法”或者更復(fù)雜的“夏普利值Shapley Value”。但在實(shí)際工作中面對一個具體的業(yè)務(wù)指標(biāo)如日活躍用戶數(shù)、GMV、轉(zhuǎn)化率和一堆可能的影響因子如渠道流量、產(chǎn)品功能迭代、季節(jié)性波動、競品動作到底該選哪種方法每種方法背后的假設(shè)是什么計(jì)算出來的貢獻(xiàn)度數(shù)值業(yè)務(wù)方買賬嗎會不會出現(xiàn)各方法結(jié)果打架的情況我經(jīng)歷過很多次這樣的會議數(shù)據(jù)同學(xué)用A方法算出一套貢獻(xiàn)度產(chǎn)品同學(xué)用B方法算出另一套雙方各執(zhí)一詞最后往往變成“方法之爭”而忘了最初要解決的業(yè)務(wù)問題。這促使我系統(tǒng)性地梳理和總結(jié)了不同場景下的貢獻(xiàn)度計(jì)算方法。這篇文章就是我結(jié)合多年實(shí)戰(zhàn)踩坑經(jīng)驗(yàn)為你梳理的一份“方法選擇指南”和“實(shí)操避坑手冊”。無論你是剛接觸歸因分析的數(shù)據(jù)分析師還是需要和業(yè)務(wù)方“Battle”數(shù)據(jù)結(jié)論的資深同學(xué)都能從中找到直接可用的思路和工具。2. 歸因分析的核心框架與常見誤區(qū)在深入具體方法之前我們必須建立一個清晰的認(rèn)知框架。歸因分析不是“數(shù)學(xué)游戲”它的終極目標(biāo)是提供可信的、可解釋的、可行動的洞見。一個完整的歸因分析流程通常包含以下四個步驟定義目標(biāo)指標(biāo)與時間窗口明確你要分析的核心指標(biāo)是什么如DAU、收入以及分析哪一段時間內(nèi)的變化如本周對比上周。識別并確認(rèn)潛在影響因子通過業(yè)務(wù)理解、數(shù)據(jù)探查、假設(shè)驅(qū)動列出所有可能對指標(biāo)變化產(chǎn)生影響的因子。這一步極其關(guān)鍵漏掉重要因子會導(dǎo)致歸因結(jié)果嚴(yán)重失真。選擇并應(yīng)用貢獻(xiàn)度計(jì)算方法根據(jù)因子類型、數(shù)據(jù)可得性、業(yè)務(wù)邏輯選擇合適的一種或多種計(jì)算方法量化每個因子的貢獻(xiàn)值。結(jié)果解讀與業(yè)務(wù)驗(yàn)證將計(jì)算結(jié)果轉(zhuǎn)化為業(yè)務(wù)語言與業(yè)務(wù)方對齊判斷結(jié)果是否符合業(yè)務(wù)直覺并據(jù)此形成決策建議。很多新手容易陷入的誤區(qū)是跳過第2步和第4步直接沉迷于第3步的“數(shù)學(xué)魔法”。常見的誤區(qū)包括誤區(qū)一追求“唯一真理”總希望找到一種“放之四海而皆準(zhǔn)”的最優(yōu)方法。事實(shí)上不存在絕對正確的方法只有“在當(dāng)前業(yè)務(wù)上下文和數(shù)據(jù)條件下更合適”的方法。貢獻(xiàn)度分析本質(zhì)上是“基于假設(shè)的量化估算”。誤區(qū)二混淆“相關(guān)性”與“貢獻(xiàn)度”因子與指標(biāo)的相關(guān)性高不代表它的貢獻(xiàn)度就大。貢獻(xiàn)度分析需要構(gòu)建一個“反事實(shí)”邏輯如果這個因子沒有變化指標(biāo)會怎樣這比計(jì)算相關(guān)系數(shù)要復(fù)雜得多。誤區(qū)三忽視因子的交互作用很多因子的影響不是獨(dú)立的。例如一場促銷活動因子A的效果可能會因?yàn)橥瑫r進(jìn)行的APP改版因子B而被放大或削弱。某些簡單方法無法分解這種交互作用會將其歸因到某一個因子上導(dǎo)致誤判。注意在開始任何計(jì)算前務(wù)必與業(yè)務(wù)方就“潛在因子清單”達(dá)成共識。這一步的溝通成本能為你后續(xù)節(jié)省大量的解釋和返工成本。一個有用的技巧是使用“影響路徑圖”來可視化因子如何通過中間變量最終影響目標(biāo)指標(biāo)。3. 五大類貢獻(xiàn)度計(jì)算方法深度解析根據(jù)因子的性質(zhì)是否可疊加、是否連續(xù)和分析的精細(xì)度要求我將主流的貢獻(xiàn)度計(jì)算方法分為五大類并結(jié)合實(shí)例詳細(xì)拆解其原理、適用場景和坑點(diǎn)。3.1 基礎(chǔ)方法差值法與比例法這是最簡單直觀也是業(yè)務(wù)方最容易理解的方法。差值法將指標(biāo)在兩個時間點(diǎn)的絕對變化量直接歸因于某個因子的變化量。公式為因子貢獻(xiàn)度 因子本期值 - 因子上期值。適用場景因子與指標(biāo)是嚴(yán)格的、線性的、一對一的關(guān)系且其他因子保持不變。例如分析“客單價(jià)”變化對“總收入”的貢獻(xiàn)公式為(本期客單價(jià) - 上期客單價(jià)) * 本期訂單數(shù)。實(shí)操要點(diǎn)必須確保該因子是導(dǎo)致指標(biāo)變化的“充分必要條件”其他因素影響極小。通常用于財(cái)務(wù)指標(biāo)拆解如收入單價(jià)×數(shù)量。常見問題當(dāng)多個因子同時變化時無法區(qū)分各自貢獻(xiàn)。比如收入和訂單數(shù)都變了用差值法無法分清客單價(jià)和訂單數(shù)各自的貢獻(xiàn)。比例法基于某個因子的變化比例按權(quán)重分?jǐn)傊笜?biāo)的總變化量。常用的是“結(jié)構(gòu)占比法”公式為因子貢獻(xiàn)度 指標(biāo)總變化量 * (因子變化量 / 所有因子變化量絕對值之和)。適用場景多個同向作用的因子共同影響一個指標(biāo)且缺乏明確的業(yè)務(wù)邏輯來構(gòu)建精確模型。例如粗略分析不同渠道流量下降對整體活躍用戶下降的貢獻(xiàn)。實(shí)操要點(diǎn)計(jì)算簡單快捷適用于快速估算和匯報(bào)。但它的核心假設(shè)是“所有因子的單位變化對指標(biāo)的影響效力相同”這往往與事實(shí)不符。避坑指南比例法結(jié)果通常很“粗糙”只能作為方向性參考切忌用于嚴(yán)肅的業(yè)務(wù)歸因或績效考核。業(yè)務(wù)方較真時此方法缺乏說服力。3.2 結(jié)構(gòu)拆解法適用于可加和指標(biāo)的利器當(dāng)你的核心指標(biāo)可以表達(dá)為幾個因子的乘積或加和時例如GMV 流量 × 轉(zhuǎn)化率 × 客單價(jià)結(jié)構(gòu)拆解法是首選。其核心思想是將指標(biāo)的變化分解為各因子“純變化”的貢獻(xiàn)。連環(huán)替代法也稱為因素分析法這是最經(jīng)典的方法。依次固定其他因子只讓一個因子變化計(jì)算其單獨(dú)帶來的指標(biāo)變化。計(jì)算過程以GMV流量×轉(zhuǎn)化率×客單價(jià)為例基準(zhǔn)期GMV0 T0 * CVR0 * AOV0替換流量GMV_T T1 * CVR0 * AOV0 → 流量貢獻(xiàn) GMV_T - GMV0在流量已變的基礎(chǔ)上替換轉(zhuǎn)化率GMV_C T1 * CVR1 * AOV0 → 轉(zhuǎn)化率貢獻(xiàn) GMV_C - GMV_T最后替換客單價(jià)GMV_A T1 * CVR1 * AOV1 GMV1 → 客單價(jià)貢獻(xiàn) GMV1 - GMV_C優(yōu)點(diǎn)邏輯清晰計(jì)算簡單結(jié)果可以精確加總等于總變化GMV1 - GMV0。致命缺點(diǎn)替代順序不同結(jié)果不同。以上述為例如果你先替換客單價(jià)再替換轉(zhuǎn)化率最后替換流量三個因子的貢獻(xiàn)度數(shù)值會完全不同。這帶來了巨大的主觀隨意性。對數(shù)平均迪氏指數(shù)法LMDI為了克服連環(huán)替代法的順序敏感性學(xué)術(shù)界提出了LMDI法。它通過一種數(shù)學(xué)上優(yōu)美的分解方式確保分解無殘差且結(jié)果唯一。公式以兩因子乘積為例對于 Z X * Y從時期0到時期1的變化ΔZ可分解為ΔZ ΔZ_X ΔZ_Y其中ΔZ_X (Z1 - Z0) / ln(Z1/Z0) * ln(X1/X0)ΔZ_Y同理。優(yōu)點(diǎn)結(jié)果唯一不受因子順序影響能完全分解交互效應(yīng)理論堅(jiān)實(shí)。缺點(diǎn)公式相對復(fù)雜對業(yè)務(wù)方解釋成本高當(dāng)某個因子值為0或負(fù)數(shù)時對數(shù)無定義需要特殊處理。實(shí)操心得在需要進(jìn)行嚴(yán)謹(jǐn)?shù)摹⒖蓮?fù)現(xiàn)的指標(biāo)結(jié)構(gòu)拆解時如向管理層匯報(bào)核心業(yè)務(wù)公式的波動原因強(qiáng)烈推薦使用LMDI法。雖然解釋起來需要花點(diǎn)功夫但其結(jié)果的客觀性是說服力的強(qiáng)大保障。可以準(zhǔn)備一個簡單的比喻“LMDI就像是用一種公平的‘秤’把總變化量按各因子的‘真實(shí)重量’分?jǐn)偠皇钦l先算誰占便宜。”3.3 基于模型的方法捕捉復(fù)雜關(guān)系的鑰匙當(dāng)因子與指標(biāo)的關(guān)系是非線性的或者因子間存在復(fù)雜的交互作用時就需要借助統(tǒng)計(jì)或機(jī)器學(xué)習(xí)模型?；貧w分析法建立指標(biāo)Y與多個因子X1, X2...Xn的回歸模型如線性回歸、邏輯回歸。因子貢獻(xiàn)度可以通過標(biāo)準(zhǔn)化回歸系數(shù)或計(jì)算因子的邊際效應(yīng)來評估。標(biāo)準(zhǔn)化系數(shù)消除了量綱可以比較不同因子對指標(biāo)影響的相對重要性。例如系數(shù)絕對值越大貢獻(xiàn)越重要。邊際效應(yīng)在其他因子取均值的情況下計(jì)算某個因子變化一個單位引起的指標(biāo)平均變化量。這更貼近“貢獻(xiàn)度”的直觀感受。適用場景擁有大量歷史數(shù)據(jù)且相信因子與指標(biāo)間存在穩(wěn)定的統(tǒng)計(jì)關(guān)系。適用于趨勢分析和預(yù)測場景下的歸因。注意事項(xiàng)回歸分析的前提假設(shè)很多如線性、獨(dú)立性、同方差等需進(jìn)行嚴(yán)格的檢驗(yàn)。否則結(jié)果可能不可靠。同時相關(guān)性不等于因果性回歸結(jié)果只能說明“伴隨關(guān)系”要論證“貢獻(xiàn)”必須結(jié)合堅(jiān)實(shí)的業(yè)務(wù)邏輯。夏普利值Shapley Value源于合作博弈論近年來在機(jī)器學(xué)習(xí)可解釋性如SHAP庫中大火。它的核心思想非常巧妙一個因子的貢獻(xiàn)等于它加入“聯(lián)盟”時所帶來的邊際增益的平均值。計(jì)算思想考慮所有可能的因子組合聯(lián)盟。對于因子i計(jì)算它加入每個聯(lián)盟S時指標(biāo)預(yù)測值的變化邊際貢獻(xiàn)。然后對所有可能的聯(lián)盟進(jìn)行加權(quán)平均得到因子i的夏普利值。公式概念φ_i Σ [ (|S|! (n-|S|-1)! / n!) * (val(S ∪ {i}) - val(S)) ]其中求和遍歷所有不包含i的聯(lián)盟S。優(yōu)點(diǎn)理論性質(zhì)完美滿足公平性、對稱性、可加性等公理能公平地分配因子間的交互效應(yīng)。缺點(diǎn)計(jì)算復(fù)雜度極高O(2^n)對于因子多的場景需要采用蒙特卡洛抽樣等近似算法結(jié)果是對“預(yù)測值”的貢獻(xiàn)對歷史實(shí)際值的解釋需謹(jǐn)慎。實(shí)操應(yīng)用在分析復(fù)雜機(jī)器學(xué)習(xí)模型如GBDT、神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果時SHAP是目前事實(shí)上的標(biāo)準(zhǔn)工具。例如用模型預(yù)測用戶流失概率SHAP可以告訴你每個特征如登錄頻率、消費(fèi)金額對這個用戶本次預(yù)測結(jié)果的貢獻(xiàn)是多少。這實(shí)現(xiàn)了從“全局重要性”到“個體歸因”的飛躍。3.4 時間序列分解法剝離趨勢與周期當(dāng)指標(biāo)具有強(qiáng)烈的時間趨勢如增長趨勢或周期性波動如周末效應(yīng)、季節(jié)性時需要先將這些成分剝離再分析剩余波動的歸因。經(jīng)典分解法將時間序列Y_t分解為趨勢項(xiàng)(T_t)、季節(jié)項(xiàng)(S_t)和殘差項(xiàng)(R_t)即 Y_t T_t S_t R_t加法模型或 Y_t T_t * S_t * R_t乘法模型。貢獻(xiàn)度計(jì)算指標(biāo)的變化ΔY可以分解為ΔT、ΔS和ΔR的貢獻(xiàn)。我們通常更關(guān)心剔除趨勢和季節(jié)后的殘差變化ΔR是由哪些業(yè)務(wù)因子導(dǎo)致的。STL分解一種更穩(wěn)健的分解方法能處理更復(fù)雜的季節(jié)性形態(tài)。適用場景分析日、周、月頻的業(yè)務(wù)指標(biāo)如DAU、銷售額。在分析“本周同比上周下跌”時必須先判斷下跌部分有多少是正常的周末效應(yīng)季節(jié)項(xiàng)多少是趨勢性下滑趨勢項(xiàng)多少是真正的異常波動殘差項(xiàng)。實(shí)操步驟對目標(biāo)指標(biāo)進(jìn)行時間序列分解得到殘差序列。將潛在影響因子也進(jìn)行類似的時間序列分解或直接使用原始值但需注意量綱。針對殘差序列使用前述的回歸分析、夏普利值等方法分析各因子對“異常波動”的貢獻(xiàn)。 這樣做的好處是避免了將正常的趨勢或季節(jié)波動錯誤地歸因于某個業(yè)務(wù)動作。3.5 因果推斷方法逼近“黃金標(biāo)準(zhǔn)”以上方法大多還是在關(guān)聯(lián)層面。若要更嚴(yán)謹(jǐn)?shù)卣撟C“某個因子變化導(dǎo)致了指標(biāo)變化”需要引入因果推斷框架。雙重差分法DID適用于有“實(shí)驗(yàn)組”和“對照組”的場景。比如評估某個功能改版對核心指標(biāo)的影響。DID比較實(shí)驗(yàn)組和對照組在改版前后指標(biāo)變化的差異。貢獻(xiàn)度這個“差異的差異”就是該功能改版的凈效應(yīng)貢獻(xiàn)。核心假設(shè)平行趨勢假設(shè)——在沒有改版的情況下實(shí)驗(yàn)組和對照組的變化趨勢應(yīng)該是一致的。這需要通過改版前的數(shù)據(jù)來驗(yàn)證。合成控制法當(dāng)沒有完美的天然對照組時可以加權(quán)組合多個未受影響的單元構(gòu)造一個“合成對照組”來模擬實(shí)驗(yàn)組如果沒有受到干預(yù)會怎樣。適用場景評估產(chǎn)品功能上線、政策變動、營銷活動等“干預(yù)”的因果效應(yīng)。這是業(yè)務(wù)方最信服的歸因方式之一。心得A/B測試是因果推斷的黃金標(biāo)準(zhǔn)但在無法進(jìn)行AB測試的 retrospective事后歸因分析中DID和合成控制法是強(qiáng)有力的工具。它們的分析結(jié)果比單純的關(guān)聯(lián)分析有說服力得多但實(shí)施難度和假設(shè)檢驗(yàn)的要求也更高。4. 從理論到實(shí)踐一個完整的GMV波動歸因案例假設(shè)你是某電商平臺的數(shù)據(jù)分析師發(fā)現(xiàn)本周平臺GMV環(huán)比上周下降了15%。業(yè)務(wù)方急需知道原因。我們走一遍完整的流程。4.1 步驟一定義與識別目標(biāo)指標(biāo)GMV本周 vs 上周潛在因子清單與業(yè)務(wù)方對齊后流量因子訪客數(shù)UV轉(zhuǎn)化因子下單轉(zhuǎn)化率CVR價(jià)值因子客單價(jià)AOV外部因子大促活動結(jié)束啞變量、競爭對手強(qiáng)力促銷啞變量趨勢因子長期增長趨勢、周度周期效應(yīng)4.2 步驟二方法選擇與計(jì)算這是一個典型的結(jié)構(gòu)拆解時間序列因果推斷的混合問題。第一層拆解結(jié)構(gòu)拆解使用LMDI法對核心公式GMV UV * CVR * AOV進(jìn)行分解。計(jì)算發(fā)現(xiàn)UV貢獻(xiàn)了-8%的下降。CVR貢獻(xiàn)了-5%的下降。AOV貢獻(xiàn)了-2%的下降。三者相加正好為-15%。這告訴我們流量和轉(zhuǎn)化率是主要拖累項(xiàng)。第二層分析時間序列分解分別對UV和CVR進(jìn)行時間序列分解STL。發(fā)現(xiàn)UV的下降中有-2%可歸因于正常的周度波動例如上周含一個小長假-6%是異常下降。CVR的下降幾乎全部-4.8%屬于異常下降趨勢和周期成分影響很小。第三層歸因模型與因果針對UV的-6%異常下降我們懷疑是“大促活動結(jié)束”和“競對促銷”的影響。由于我們沒有為“活動結(jié)束”做AB測試采用雙重差分法DID。我們選取去年同期類似大促結(jié)束后的一周作為“歷史實(shí)驗(yàn)組”選取平臺內(nèi)未受大促影響的某個垂直頻道作為“對照組”進(jìn)行DID分析。計(jì)算得出“大促活動結(jié)束”這個因子貢獻(xiàn)了UV異常下降中的約-4%。針對CVR的-4.8%異常下降我們懷疑與某個同時上線的APP新版本有關(guān)。幸運(yùn)的是該版本是灰度發(fā)布的。我們直接對比實(shí)驗(yàn)組新版本用戶和對照組舊版本用戶在本周的CVR差異確認(rèn)該版本改動導(dǎo)致了約-3%的CVR下降。剩余的UV下降-2%和CVR下降-1.8%暫時無法明確歸因可能由其他未觀測因子如服務(wù)器短暫故障、負(fù)面輿情等導(dǎo)致列為“其他/未知”。4.3 步驟三綜合報(bào)告與解讀最終你可以向業(yè)務(wù)方呈現(xiàn)一個清晰的歸因報(bào)告“本周GMV下降15%主要源于以下三點(diǎn)大促活動結(jié)束的自然回落貢獻(xiàn)-4%的UV下降間接導(dǎo)致GMV約-2.5%的下降這是預(yù)期內(nèi)的周期性影響。XX新版本上線帶來的體驗(yàn)問題直接導(dǎo)致CVR下降-3%影響GMV約-4%這是本周下跌的核心原因建議產(chǎn)品團(tuán)隊(duì)立即回查版本改動點(diǎn)。市場競爭加劇貢獻(xiàn)部分UV下降影響約-1% GMV需市場部門關(guān)注競對動態(tài)。 此外還有約-2.5%的下降來自常規(guī)周度波動和未明原因建議持續(xù)監(jiān)控?！边@樣的分析既有總覽又有逐層下鉆既用了客觀的數(shù)學(xué)方法LMDI STL也用了接近因果推斷的方法DID A/B Test結(jié)論扎實(shí)行動建議明確。5. 方法選型決策樹與常見問題排查面對一個具體問題如何快速選擇方法我總結(jié)了一個決策樹供你參考graph TD A[開始: 指標(biāo)波動需要?dú)w因] -- B{指標(biāo)是否可拆解為br/明確公式?br/如: 收入流量×轉(zhuǎn)化率×客單價(jià)}; B -- 是 -- C[使用 **結(jié)構(gòu)拆解法**br/優(yōu)先推薦LMDI]; B -- 否 -- D{是否有大量歷史數(shù)據(jù)br/且因子關(guān)系復(fù)雜?}; D -- 是 -- E[使用 **基于模型的方法**br/如回歸分析、夏普利值]; D -- 否 -- F{是否評估某個br/具體“干預(yù)”的效應(yīng)?br/如功能上線、活動]; F -- 是 -- G[嘗試 **因果推斷方法**br/如DID、合成控制法]; F -- 否 -- H[使用 **基礎(chǔ)方法**br/如差值法、比例法快速估算]; C -- I[檢查是否存在br/強(qiáng)烈時間趨勢或周期?]; E -- I; G -- I; H -- I; I -- 是 -- J[先進(jìn)行 **時間序列分解**br/再對殘差序列用上述方法]; I -- 否 -- K[輸出歸因結(jié)果]; J -- K;在實(shí)際計(jì)算中你肯定會遇到各種問題。以下是一些常見問題的排查清單問題現(xiàn)象可能原因排查與解決思路各方法結(jié)果差異巨大1. 因子間存在強(qiáng)多重共線性回歸模型。2. 交互效應(yīng)分配方式不同連環(huán)替代法順序問題。3. 遺漏了關(guān)鍵影響因子。1. 檢查因子相關(guān)性矩陣考慮使用嶺回歸或剔除高度相關(guān)因子。2. 統(tǒng)一使用LMDI或夏普利值等具有唯一解或公平分配的方法。3. 回歸業(yè)務(wù)重新審視因子清單加入可能遺漏的變量如天氣、輿情。貢獻(xiàn)度加總不等于總變化1. 使用了回歸等近似模型存在殘差。2. 計(jì)算過程中四舍五入誤差累積。3. 分解模型選擇不當(dāng)如該用乘法模型用了加法。1. 向業(yè)務(wù)方解釋這是模型誤差并評估殘差大小是否可接受。2. 提高計(jì)算精度保留更多小數(shù)位。3. 檢驗(yàn)指標(biāo)與因子的關(guān)系選擇合適的分解形式。業(yè)務(wù)方不認(rèn)可計(jì)算結(jié)果1. 結(jié)果與業(yè)務(wù)直覺嚴(yán)重背離。2. 使用了業(yè)務(wù)難以理解的黑盒方法如復(fù)雜機(jī)器學(xué)習(xí)模型。3. 歸因結(jié)論無法指向具體行動。1.這是最重要的警報(bào)立刻回顧因子清單是否完整數(shù)據(jù)是否準(zhǔn)確方法假設(shè)是否成立很可能分析前提有問題。2. 換用更直觀的方法如結(jié)構(gòu)拆解或用SHAP等工具進(jìn)行可視化解釋。3. 確保每個因子的貢獻(xiàn)都能對應(yīng)到一個責(zé)任團(tuán)隊(duì)或一個可優(yōu)化的動作。處理負(fù)值或零值因子1. LMDI法遇到因子值為0或負(fù)對數(shù)無定義。2. 比例法中分母為0。1. 對數(shù)據(jù)進(jìn)行微小平移如加一個極小數(shù)或改用其他方法如帕氏指數(shù)法。2. 檢查數(shù)據(jù)合理性如果因子確實(shí)無變化則其貢獻(xiàn)度應(yīng)為0單獨(dú)說明。最后我最想分享的一點(diǎn)心得是歸因分析的成功20%在于方法選擇80%在于業(yè)務(wù)理解和溝通。再精巧的數(shù)學(xué)模型如果基于錯誤的業(yè)務(wù)假設(shè)或遺漏的關(guān)鍵變量得出的都是“精確的錯誤”。在啟動任何計(jì)算之前花足夠的時間與業(yè)務(wù)伙伴一起厘清問題、窮舉因子、對齊預(yù)期這比后續(xù)調(diào)試任何算法參數(shù)都重要。當(dāng)你帶著一份考慮周全、方法得當(dāng)、表述清晰的歸因報(bào)告走進(jìn)會議室時你提供的將不僅僅是幾個百分比數(shù)字而是驅(qū)動業(yè)務(wù)決策的可靠洞察。