1. 概述

通过指标拆解和多维分析智能分析检测核心指标的异动及其异动的根因。实现异常指标的自动归因，节省盲目找原因的时间，提高决策效率。

2. 快速入门

首先要确定观测的核心指标，比如电商行业的GMV（成交额）；其次设置核心指标的异动规则，即什么情况下认为该指标有异常，比如销售额急剧下降的时候，管理者们不能坐以待毙，必然要采取有效措施应对，及早发现及早探查及早改变销售额下降的现状。

接着是选择分析的维度和对核心指标的拆解，该步骤是最核心的步骤，从纵向的指标拆解与横向的多维分析两个角度探查指标异动原因，自动归因。

（1）您可在[智能决策-指标异动分析]模块中查看记录，可进行创建、编辑、删除、搜索等操作；

（2）选择新建指标分析，设置步骤包括：选择度量-异动监测配置-指标拆解-指标分析预览；

接下来将以默认数据模型为例，做一个完整的介绍。

2.1 选择度量

包括名称、模型、度量及聚合方式、异动维度。假设我们要监测该超市的销售额数据，选择对应的数据模型、监测指标及监测维度；

  • 选择模型后，度量列表下拉选择该模型对应的度量及对应聚合方式；

  • 异动分析维度，下拉显示该模型中所有维度；

2.2 异动监测配置

包含监测时间、日期类型、异动规则、检测频率、通知方式、接收人。当天的销售额数据如果比前一天降低大于1000，则该指标有异常，除了设置异动规则，也可设置通知方式，从系统通知、邮箱、手机等渠道触达。

2.3 指标拆解

默认展示第一步选择的度量指标作为根节点，可添加拆解的子节点，同父节点有两个子节点时，子节点之间可以进行运算符选择；

Tips：本产品的指标拆解参考了财务分析杜邦分析图的设计，整体分析思路也和杜邦分析法一致。

在超市销售额这个案例中，受限于数据的指标数量，只能做一个简单的销售额指标拆解：

  • 销售额=总订单数*订单均价
  • 总订单数=有效订单数+退货订单数
  • 订单均价=单件商品均价*单笔订单平均数量

全部的拆解过程只需在页面上简单勾选指标、更换指标之间的运算关系即可完成，如下图所示：

2.4 指标分析结果

展示前三步设置的内容，预览指标分析效果。

（1）名称中可以进行日期筛选，选择已添加的观测时间字段的观测周期；

（2）分析结论：

  • 最近异常点：监测指标的数据实际值+同环比值+异常规则
  • 主要影响因素：拆解指标的名称+异动贡献率+该指标的实际值+同环比值
  • 主要影响维度：主要影响维度名称+异动贡献率+同环比值

主要影响因素&维度均按照贡献率排序，最多显示7个影响因素、维度。

  • 同环比值的显示根据设置的异动规则，与前一项比（环比）；
  • 与上周/上月/上年同期对比分别对应：周同比、月同比、年同比；
  • 同环比值为负值时（如-10%），结论显示：降低10%；
  • 为正值时（如+10%），结论显示增加10%；
  • 为0时，显示无变化

（3）指标监测趋势：区域折线图，X轴为用户配置的监测时间字段，Y轴为监测指标的数值折线图，异常点飘红闪烁；

（4）指标拆解，展示配置的指标拆解内容（指标名称+数值+环比/周同比/月同比/年同比）；

（5）多维分析：度量指标卡，展示数值及同环比，点击分解，下拉选择分解的维度；

（6）保存后指标分析列表生成指标分析。

3. 功能介绍

（1）分析结论及核心指标在监测时间内趋势

最近异常点发生的时间，引起该异常的主要影响因素和主要影响维度，从异动贡献率（贡献率=某因素增加量（增量或增长程度）/总增加量（总增量或增长程度）×100%）这个指标来自动判断哪些因素（拆解的指标）和维度（分析维度的成员项）对指标异动产生最大影响，您可以根据该结论快速定位异常原因。

（2）纵向的指标拆解

根据用户配置的指标拆解图将核心指标一步步分层拆解，自动计算核心指标及每一个拆解的子指标的具体数值及环比值，快速观测各指标的变化情况。

（3）横向的指标多维分析

可以自由选择不同维度对核心指标进行多维分析，维度的层级亦可以自由切换，用一个动图展示下具体操作效果：