最近无意翻到2年前做到一个产品方案ppt，其中一个数据分析过程其实在后来是经常用到的，特此对这个小的分析方法做了个提炼总结。
首先一个声明：
任何一个结果数据都是有多因素组成，比如转化率、比如某个页面的二跳率。很多情况下，产品本身不是决定这个数据的核心因素，比如电商可能就是价格、商品的产品力、稀缺资源等等；但不可否认，产品本身是其中一个因素之一，占多大比重跟业务形态相关。作为产品人，保障产品本身不掉链子，也是你最大的价值之一。
适用范围：
提升一个目标有两方面，
一、是主动式的这个就需要对业务本身的熟悉和经验，以及目标，场景等，去看在这个页面最需要什么，最大化提升效率；所谓的产品sense，要做到极致需要天赋，但要做到优秀只需要努力，深入业务本身去了解用户；这里不展开讲，做法千千万。
二、被动式的去除业务本身因素和其他一些客观因素但看产品现状。去观测寻找当前现状的一些可改进的点，这个是最低成本的。下面介绍一种常规的数据模型。
模型介绍：
x为一个结果指标，如：一个页面的某一个核心二跳率指标。这个指标我们认为有几个直接影响，x1、x2、x3；通过：历史数据对比、横向数据对比、直觉等方法我们认为存在异常（如要科学一点的可参考统计学中的四分位数）。我们发现x1和x3，进一步对x1和x3拆解，再得到异常x131和x311、x321等等。。。直至最后拆无可拆，得出结论。
总结一句话发现异常-拆解因素-寻找异常-拆解因素；循环直到最后。
案例带入：提升某电商产品详情页到订单填写页二跳率
数据假设详情页到填写页数据为X;我认为可能存在的影响因素:X1报错或提示、X2出选择套餐弹窗、X3产品品类、X4页面加载速度。
计算后，发现再详情页到，x2正常、x1、x3都有异常数据异常。进一步非拆分，
X1报错或提升从详情页到填写页数据较高，分别列出这个过程中所有到报错或提升出现率，X11、X12、X13、X14...在进一步分析，一个提示异常多，“请选择分数”，但是本身有做默认1份逻辑；再实际去抽了一个报这个错到产品发现，购买分数bug，没载出来。
此时数据刨除X1的异常数据，再看X2因素分析；
X2分品类看，先X21、X22看，发现X21存在异常；再进行拆分X211、X212、X213...发现某个2级品类转化特别低，再去看，发现这些产品的套餐异常多，不容易选择；发给运营建议进行优化。
同样的以此类推，分析X3的时候再刨除X2的异常数据进行类似的分析...
最后这个case我当时找到大概5个小问题，分别进行了小优化。
扩展用途：
1、主动发现查找问题。
2、提炼成常规的数据监控模型。
3、寻找潜在提升的点。
4、不只二跳，其实最终的结果指标也可以进行拆分，只不过会更加复杂一些。
