三個步驟，用Google Analytics分析流量異動的原因

1、發現異常流量特征

2、將異常流量“提純”

3、分析異常流量的成因

第一步我們要找到異常流量，為了提升這個工作的效率，我總結了一套清單，希望能作為大家的工作手冊使用。我先列出清單中的項目，后文再詳細解釋：

1、分小時對比異常和正常的兩天，分別對比UV/會話/PV等指標

2、如果有其他流量統計系統，互相驗證數據準確性

如果個別小時流量變動明顯：

3、確定異常時間段，去找技術部同事排查問題（如果可能，先在域名報告、所有頁面、內容分組報告里聚焦到出問題的某部分頁面，方法見后）

4、去找運維部同事查詢，異常時段內的http請求數是否也異常（如果是，說明流量實際上確實變了；如果否，可能是統計代碼本身出問題，實際流量并沒變化）

5、去找產品/運營的同事詢問是否有產品改版，或是組織了什么在線活動

6、如果異常是均勻分布在各小時中，就要去查各個維度上，是否存在異常突出的項目，那可能就是出問題的點：

• 流量來源
• 新/老用戶
• 著陸頁
• 所有頁面（組）
• 事件
• 省份/城市
• 瀏覽器/操作系統
• 手機品牌/型號（移動端訪客）
• 上網運營商

1、斷崖式：下跌時段如此明顯，接下來我們可以直接到域名或所有頁面報告中，很容易的定位到下跌的頁面，然后去找技術和運維的同事排查問題即可。

2、個別小時小幅度異常

與明顯的斷崖式下跌相比，如果只是個別小時疑似下跌，是不太容易定位到下跌的域名/頁面的，因為缺失的流量被全天的數據“稀釋”了。但是還好，GA有強大的高級細分功能，我們可以單獨看下跌的那個小時的數據。這個過程就是本文開頭提到的“將異常流量提純”：

經過高級細分之后再去看域名報告，我們就能很明顯的定位下跌的部分了：

發現異常域名后進一步，在次級維度中調出著陸頁，就能更精準的找到出問題的頁面：

在其他流量統計系統中可能也會有類似的細分功能，總之思路是相通的，就是找到有異常的維度，然后用它做細分條件，提取出問題最集中的那部分流量。

3、全天候均勻下跌

有時候出問題的維度不是小時，例如下面這個例子：

我們發現so.com來源的流量明顯下降了，但是在小時維度數據上是比較均勻分布的:

于是這次我們不在小時上做細分，而是建立一個“so.com來源”的細分，完成異常流量的“提純”工作，接下來就要分析異常的成因了。這個過程其實也簡單，只要帶著“提純”用的高級細分，到各個報告中去尋找其他維度的異常即可。

結果是，我們在“瀏覽器”報告中發現只有Vivo系統瀏覽器數據變動很大，然后我們繼續用次級維度細分該瀏覽器帶來的流量來源，結果發現隨著so.com來源的降低，百度的流量基本在同等增加，那么原因就比較明顯了，非常可能是這個瀏覽器將搜索框里原本導給so.com的那些流量切到了百度。

三、分析系統之外還有什么工作

前文中的方法能夠應對大部分流量異常的情況了，但如果異常數據在任何維度都是平均分布的，找不到異常點怎么辦？這時候可以先打開網站/App看一下，有時候問題就擺在那里很容易發現。

另外還可以考慮一下外部因素，例如學生開學可能導致游戲相關流量下降，周末如果趕上大范圍的重霧霾天氣可能導致娛樂類流量上升（用戶們都宅在家了），我們甚至還遇到過《焦點訪談》的一個鏡頭中出現了我們的品牌，導致來訪流量大漲。尋找這些外部因素沒有一定之規，能否找到也要看一點運氣了。