指标异动归因全景：从指标波动到可执行结论

周会上，运营问了一句：“这周 GMV 环比涨了 5%，为什么？”

三种回答摆在桌上：

• “大促上线了。"——结论可能对，但没法回答"大促贡献了几成”。
• “搜索和直播涨得比较多。"——方向可能对，但"比较多"是多少？涨的部分又被谁抵消了？
• “直播贡献 51.4%，推荐 34.3%，私域 25.7%，搜索 −11.4%，四个渠道加起来正好 100%。"——这个能直接拿去排优先级。

第三种回答就是归因分析。它的本质不是"找原因"这种模糊的事，而是把 ΔY 拆成一组加起来等于 ΔY 的数，然后按大小排序。本系列 7 篇要讲的就是这件事怎么算对：每种方法的适用边界、残差从哪来、以及在几百个维度里怎么找到真正反常的那一个。

本文是总纲。后面每一篇对应一种方法族，单独展开。

一、归因到底在算什么

1.1 四个词，四个层次

“指标异动归因分析"这六个字，拆开是四个独立的概念：

“异动"这个词里藏着最容易被跳过的一步：异动永远是相对某个基准的。常见有两类基准——同一主体的本期 vs 基期（本月 GMV 比上月），或者不同主体的同期对比（新算法版 vs 老算法版）。基准选错，后面全错：拿日环比当基线，会把"周末效应"当成异动。

1.2 用数学语言说清楚

把目标指标写成若干因子的函数：

Y = f(X₁, X₂, ..., Xₙ)

其中 Xᵢ⁰ 是基期值，Xᵢ¹ 是当期值。指标的变化是：

ΔY = f(X₁¹, ..., Xₙ¹) − f(X₁⁰, ..., Xₙ⁰)

归因要做的，是找到一个映射 g，把"每个因子的变化"翻译成"对 ΔY 的贡献”：

g(ΔX₁, ΔX₂, ..., ΔXₙ) = ΔY

这个式子看着抽象，其实就是一句话：把一个数的变化，翻译成"谁贡献了多少”。翻译出来的结果必须能加回去——加回去等于原变化量，才叫"解释"了这次异动。

1.3 定性和定量的差别有多大

假设本月 GMV 涨了 5%，两种答法：

答法一：GMV 涨 5%，主要是服装品类销量和客单价上升导致。

答法二：GMV 涨 5%，其中服装品类贡献 4pp（销量 2.5pp、客单价 1.5pp），其余因素贡献 1pp。

答法一的问题不在于结论可能不对，而在于它无法被验证，也无法被排优先级。“主要是"是多少？另外 1pp 是什么？如果排查资源有限，该先看服装还是先看那 1pp？答法一回答不了。

答法二把"主要原因"变成了一个带数字的清单，每一项都能追责、能下单、能验收。定量归因的价值不在于结论更对，而在于结论可执行。

二、三种贡献度：全系列的公共词汇

后面每一篇都会用到同一套记号，先在这里定死。

以「好物优选」这个电商 App 为例（后面 6 篇都用它），本月 GMV 从 1000 万涨到 1350 万，按渠道拆开：

同一张表的两个比例口径：

三个概念的定义和它们各自满足的恒等式：

三者的关系是 Vᵢ = Cᵢ × ΔY，Rᵢ = Vᵢ / Y⁰。对着上表验一遍：绝对贡献加起来 +350 = ΔGMV ✓；贡献度加起来 100% ✓；相对贡献加起来 35%，正好等于 GMV 的环比涨幅 350/1000 = 35% ✓。

方向约定：Cᵢ > 0 表示因子 i 与指标同向变动，Cᵢ < 0 表示反向。上表里搜索的 −11.43% 意思是"搜索拖了后腿”，它贡献的绝对贡献是 −40 万。

2.1 为什么需要三个口径

只看一个会误判。

Cᵢ（贡献度）回答的是"这次变化里，直播占多大份额”——适合回答"该盯谁"。但 Cᵢ 是无量纲的，一个占比 50% 的因子，可能对应的绝对变化只有几十块。

Vᵢ（绝对贡献）回答的是"直播到底带来了多少钱"——适合回答"值不值得投人投钱修"。

Rᵢ（相对贡献）回答的是"直播的变化相当于大盘多大比例"——适合跨期、跨业务线比较，因为它是相对于基期规模归一的。

实际汇报里最常见的错误，是拿贡献度去排资源优先级。搜索贡献度 −11.43%、私域 +25.71%，看起来私域是正向主力；但如果私域的绝对贡献只有 +90 万，而它对应的运营人力是直播的三分之一，那么"该投谁"的答案可能完全不同。三个口径要用，但不混用。

三、指标能不能加：可加性决定方法族

同样是"按维度拆开"，能不能直接把各维度的值加起来，取决于指标在这个维度上的性质。这一节是选型的真正依据。

3.1 可加：拆开能加回去

GMV 按省份拆开、订单量按渠道拆开，各部分互不重叠（MECE），加起来等于整体。这类指标用Delta 法直接拆，干净利落。上一节的表格就是。

3.2 半可加：拆开会重复计算

活跃用户数按渠道拆开就不行——一个用户可能今天来过搜索、也来过推荐，各渠道 UV 加起来远大于总 UV。

处理半可加指标有两条路：

路线一：唯一化。 让每个用户只属于一个维度值。常见做法是首次触点归因（用户第一次来算搜索的）或末次触点归因（最后一次来算推荐的）。做法简单，但会把功劳全压在漏斗两端——第一次和最后之间发生了什么，全部被抹平了。

路线二：允许重叠，但用数学修正。 让各维度的影响相互耦合地参与分解，用 Shapley 值这类方法处理重叠部分。这条路在 第五篇 展开。

判断口径：如果各维度值加起来明显超过总量，就是半可加。

3.3 不可加：拆开相加没有意义

转化率、ROI、ARPU 这类比率型指标，在任何维度上直接相加都是错的——各分区的转化率加起来不等于整体转化率。

比率指标不能直接拆，但可以换表示。整体转化率其实是各人群转化率按人数加权的平均：

整体转化率 = Σ(人群 i 的转化率 × 人群 i 的占比)

这个式子里有两样东西会动：人群自己的转化率（自身性变化），人群占比（结构性变化）。把这两者分开量化，就是组间组内拆解法，第三篇 专门讲。

3.4 三类可加性速查

这一步做错，后面全白干。 拿转化率套 Delta 法，会算出一个自相矛盾的结果——各人群转化率的贡献加起来，居然不等于整体转化率的变化。很多"归因结果对不上"的工单，根因就在这里。

四、排查顺序：为什么必须先排除非场内因素

拿到一个异动，第一反应不该是"开始拆"，而是"先确认这确实是个需要解释的异动"。标准动作是五步，顺序不能换：

flowchart TB
    A["发现指标异动"] --> B["① 底层数据问题？
ETL 延迟 · 埋点丢失 · 上游表错位"]
    B -->|"是"| B1["找上游修复
归因到此结束"]
    B -->|"否"| C["② 口径变更？
定义调整 · 去重规则 · 统计范围"]
    C -->|"是"| C1["回溯口径生效时间
重算受影响区间"]
    C -->|"否"| D["③ 场外因素？
大促 · 节假日 · 舆情 · 竞对动作"]
    D -->|"是"| D1["拉长周期对比
量化外部影响"]
    D -->|"否"| E["④ 场内归因
按指标形态选方法"]
    E --> F["⑤ 结论与行动项
量化 · 到人 · 到周"]

①和②是最容易被跳过、也最致命的两步。 一次埋点字段改名，能让某渠道的 UV 凭空少 30%；一次"订单"改成"支付订单"的口径切换，能让 GMV 环比多出 8%。如果直接进入第 ④ 步，你会为一个不存在的问题做出一份看起来非常专业的归因报告——而且归因方法越高级，这份报告越有说服力，危害越大。

③场外因素要靠拉长周期来判断。如果把对比周期从"环比"换成"同比"，异动消失了，那大概率是大促、节假日这类外部因素，不是场内出了问题。

⑤要给到人和动作。 “推荐渠道转化率下降"不是结论，“推荐渠道的详情页加载 P95 从 800ms 涨到 2.3s，定位到移动端首屏资源包未分包，建议 X 团队本周内出方案"才是结论。归因的价值在第 ⑤ 步兑现，前四步只是路径。

4.1 指标没变，也要归因

有一种情况容易被漏掉：指标持平，但底下的因子已经天翻地覆。

GMV 这月和上月都是 1000 万，看起来一切正常。但拆开看：客单价从 200 涨到 250（涨了 25%），销量从 5000 掉到 4000（跌了 20%）。两个一正一负刚好抵消。

这种"对冲型异动"更危险——因为大盘看起来正常，监控不会告警，但客单价涨 25% 通常意味着促销力度加大，销量跌 20% 说明需求透支了。指标异动的监控只盯着总量，会系统性地漏掉这一类。

所以归因不只在告警之后做，定期做。哪怕总量没动，拆解结果的剧烈变化本身也是信号。

五、方法选型地图

到这里，框架已经齐了。落地时的问题是：手上这个指标，该用哪把刀？

还有一张更快的速查表，按手上问题的形态查：

六、这个系列怎么读

建议按顺序读一遍。第 02 篇是全系列的地基——贡献度怎么算、残差怎么处理，后面几篇都要用。

**归因分析的本质，是把 ΔY 拆成一组加起来等于 ΔY 的数。**拆完还要记得换算成"该找谁、该做什么”。

如果只能带走三句话：

1. **先排除数据问题和口径变更，再谈归因。**顺序反了，你就是在给一个 bug 写一份很专业的分析报告。
2. **指标能不能加，决定了用哪套方法。**比率指标套 Delta 法，结果必然对不上。
3. **贡献度排序 ≠ 优化优先级。**前者回答"谁造成的变化大”，后者回答"该往哪投人"，两者经常给出相反的答案——第四篇会用一个漏斗算例把这个差别量化出来。