在之前的文章裡面，我其實也有跟大家分享過分析異常資料的詳細步驟。一共三步驟，先資料準确性确認，再同期事件評估，最後次元拆解分析。這其中最難就是“次元拆解分析”了，因為我們需要一個次元一個次元拆解下去，稍有遺漏，就可能找不到原因。而且雖然已有方法，但面對次元如此多的資料，在具體分析的時候還是會感覺十分頭大。
既然之前的文章裡面已經把這個問題給講清楚了，那為什麼今天還要出一篇文章再講呢？這是因為最近我發現了一個神器，用上它，你可以立刻找到造成資料異常的主要原因，資料異常這個老生常談的問題将再也不是各位資料分析師乃至業務人員頭疼的難題了。
這個神器就是BI産品中的「資料解釋」功能，有資料解釋功能的BI産品有很多，比如tableau、powerbi、quickbi、FineBI等等。因為我最常使用FineBI進行分析，是以就跟大家分享一下FineBI的資料解釋功能。
01
「資料解釋」功能
FineBI的「資料解釋」功能可以将複雜的分析轉為自動化的流程，使用者可以使用智能推薦的次元解釋依據，也可以根據自己的需求進行自定義設定；隻要有元件預覽的界面均可以進行資料解釋的預覽。
簡單來說，就是自動化，解放人力！
我們可以在「管理系統>系統管理>正常」中打開「智能資料解釋」，配置生效。開啟後的資料解釋如下圖。
下面我會用一個具體的場景跟大家詳細介紹該如何利用這個功能幫我們分析異常資料産生的原因。
02
具體應用場景
我制作了一張銷售額變動的圖表，在檢視2017年的銷售額資料時，發現7月的銷售額大幅下降，8月的銷售額又大幅增長，是以需要分析是什麼原因導緻這兩個月波動異常。
我們先看一下為什麼8月的資料會大幅度上漲，直接點選8月的資料就能夠觸發資料解釋。
可以看到在彈出的資料解釋看闆中共包含三部分。
第一個是資料展示，對目前資料點的整體水準進行了介紹、展示目前資料點的數值、百分位排名以及目前資料點在整體數值中的排名标簽。可以知道其實8月的這個資料在整體的業績表現中其實是正常的。
第二個是關鍵影響因素，看闆具體展示了5個目前資料點的關鍵影響者，點選下拉按鈕可以檢視關鍵影響者的貢獻值和貢獻率。
我們可以看到店性質為自有店對目前銷售額的貢獻最大，貢獻的銷售額占整體的 91.7%；其次是生活館，對整體的銷售額貢獻了68.5%。
第三個是時序對比，在這裡可以對比兩個時間點進行分析，可選擇的對比時間有「年同比」和「月環比」。
因為我們要看為什麼8月的銷售額會大幅度上漲，是以我們選擇月環比。可以看到 8 月份的數值對比上月增長了2502049，變化率為+37.3%。再看引起變化的關鍵貢獻者，可以發現，自有店的月環比增長率為41.6%，對銷售額增長貢獻率為99.1%。其次是生活館。這說明自有店的銷售額增長是8月份銷售額增長的最關鍵因素。
然後我們再分析一下為什麼7月的銷售額會大幅度下降，直接點選7月的資料觸發資料解釋。我們可以看到，自有店的月環比增長率為-25.5%，對銷售額下降的貢獻率是105.1%，這說明直接影響7月銷售下降的因素就是自有店。
綜上，我們可以知道是自有店銷售資料的波動導緻了整體7-8月的銷售額的波動。
因為現在用的是預設的資料解釋，預設将表中預設排序的所有次元的前五項作為解釋依據。我們可以繼續配置多元度資料解釋依據，尋找更加複雜的次元組合對銷售額的影響。
比如我想看各個大區中哪些小區的銷售情況波動導緻了7、8月的資料波動，我們把所屬大區和所屬小區作為次元依據條件，可以看出是北方區中華北的銷售額發生波動才導緻整體的資料波動。
向右滑動檢視更多
以上就是FineBI的資料解釋功能，總的來說，資料解釋對于我們找到導緻異常資料的影響因素有很大的幫助，畢竟我們隻需要設定自己想要看的次元，無需任何計算就能找到其中的關鍵因素了。
對了，資料解釋功能除了能夠幫助我們找到異常資料的關鍵影響因素，還能夠幫助我們拆解目标，找到影響目标的關鍵因素，進而針對性發力。