首先问个问题：男生点击率增加，女生点击率增加，为啥总体点击率会减少呢？
为什么会出现这样的情况呢？因为我们只看数据的整体，我们往往会忽略数据内部各个部分的差异，而忽略
这些差异进行比较，就有可能造成判断的偏差。
辛普森悖论：考察数据的整体，和考察数据的部分会得出相反的结论。
比如我们可以拆解来看：
原来：男生20人，点击1人，女生100人，点击99人，点击率为20/120.
现在：男生100人，点击6人，女生20人，点击20人，点击率为26/120.
因为男女之间的点击率有较大的差异性，而且低点击率群体的占比增大造成了这个结果。
这就是多维度拆解分析方法。
那么多维度拆解分析方法一般由哪几个角度去拆解呢？
一般我们会从指标的构成和业务流程两个角度去拆解。
还是举个栗子来说吧
比如说有个APP 的日用户留存率下降了5%，该怎么分析呢？
我们就从指标的构成和业务流程两个角度去拆解分析。
首先我们从高用户进行细分，包括新老，渠道，活动，画像等多个维度，然后再分析每个维度下不同用户的次日留存率，通过这种方式来定位到导致留存率下降的用户群体是谁。
关于指标问题，可以参考一下这张思维导图，也可参考之前我发的大白话系列文章。
通过指标分析到目标客户群体后，我们可以具体情况具体分析，通过参考内部-外部因素来进行分析。
内部元素：我们知道，无论是电商购买还是APP留存，都是一个漏斗模型，APP从业务分解来看，就是 新用户 > 首页 > 留下来/离开 这个漏斗模型。
在这个期间，会有很多因素影响着：
获客渠道：获客渠道质量低，活动获取了非目标客户
满足要求：首页推荐的内容不满足用户的需求/用户在下载该APP后没有找到自己满意的内容
提活手段：签到等提活手段没有达到预期效果/产品使用周期率低导致大量用户在短时间内不再使用该APP
外部因素：即为PEST分析模型
采用PEST分析（宏观经济环境分析），政治（政策影响）、经济（短期内主要是竞争环境，如对竞争对手的活动）、社会（舆论压力、用户生活方式变化、消费心理变化、价值观变化等偏好变化）、技术（创新解决方案的出现、分销渠道变化等）。
看到这里，相信你对多维度分析方法有个大概的了解了。
最后打个小广告，我的微信公众号（顾先生的数据挖掘）
喜欢的小伙伴可以关注下，你的关注是我最大的动力。
