系列 - 指标异动归因
指标跌了、涨了、不如预期了——然后呢？
这一系列讲的是指标异动归因：拿到一个波动，怎么用可量化的方法把它拆成"谁贡献了多少"，进而变成一份能落到具体团队和具体动作的结论。
全系列用同一个虚构电商 App「好物优选」的一组数据贯穿：第 01 篇交代数据背景，后面每一篇换一种指标形态（绝对量、比率、漏斗、多因素叠加、用户路径、多维度异常）继续用同一批数。这样你不必每次重新建立心智模型，也能看出不同方法在同一个指标上会给出什么不同的答案。
按编号顺序读。每一篇都会在开头交代上一篇讲到了哪里。
| # | 篇目 | 这一篇讲什么 |
|---|---|---|
| 01 | 指标异动归因全景：从指标波动到可执行结论 | 框架、贡献度三种口径、可加性分类、五步 SOP、方法选型地图 |
| 02 | 指标分解模型：加法、乘法与残差 | Delta、LMDI、定基代替，以及残差从哪来、有多大 |
| 03 | 比率指标归因：组间组内拆解与辛普森悖论 | 转化率、ROI 这类指标怎么拆，自身性变化和结构性变化各占多少 |
| 04 | 漏斗拆解：定位是哪一环坏了 | 贡献度和优化优先级不是一回事，算出漏斗里哪一环最值得投入 |
| 05 | 多因素叠加归因：Shapley 值与多触点权重 | 几个活动同时在跑，怎么公平分配功劳 |
| 06 | 路径归因：从首触末触到马尔科夫链 | 用户走过的路，每一步值多少钱 |
| 07 | 异常维度定位：Adtributor 的意外性与解释力 | 在几百个维度里找到真正反常的那个，而不是贡献最大的那个 |
如果时间有限，只读两篇：先读 01 建立框架和词汇，再读 07——它是全系列的收口，解释了前面六篇（验证一个已知假设）和 Adtributor（在几百个维度里搜索假设）之间的分工。
全系列的数值都可复现：每篇正文都附了可直接运行的 Python 实现，示例数据的计算结果由这些代码产出。