A Craftsman
指标异动归因：从贡献度公式到 CDN 毛利率的层层下钻
在字节做火山 CDN 经营分析时，看板每天都会出数，领导最常问的不是「毛利率是多少」，而是「毛利率为什么掉了？」。一张看板只能告诉你结果，回答「为什么」得靠归因。
这篇文章记录我当时学习归因分析的过程，以及最后落地到经营分析平台上的做法。方法主要参考了 CSDN 上一篇讲贡献度计算的文章（见文末参考），这里按我自己的理解重新梳理，例子都换成了 CDN 场景。文中数字均为示意，不是真实业务数据。
一、核心思路：顺着公式往下拆
归因的出发点很简单：每个指标都有计算公式，指标变了，一定是公式里的某个子指标变了。
所以归因就是两步，反复递归：
- 把指标按公式拆成子指标；
- 算出每个子指标对这次变化的贡献度，找出贡献最大的那个，再对它继续拆。
难点在第 2 步：公式的形态不同，贡献度的算法也不同。按公式形态，指标可以分成三类。
二、加法型指标：直接看差值
形态：总量 = 各部分之和。比如总成本 = 各客户成本之和，总带宽 = 各域名带宽之和。
贡献度：某部分的变化量 ÷ 总量的变化量。
例子：本月总成本比上月涨了 100 万，其中客户 A 涨了 80 万，客户 B 涨了 30 万，客户 C 降了 10 万。那么 A 的贡献度是 80%，B 是 30%，C 是 -10%，加起来正好 100%。
这是最直观的一类，注意贡献度可以是负数，也可以超过 100%（有正有负相互抵消时）。
三、乘法型指标：用对数拆开
形态：指标 = 几个因子相乘。比如带宽成本 = 计费带宽 × 单价。
乘法的麻烦在于因子之间会「交叉影响」：带宽涨了 20%、单价降了 10%，总的变化里有一部分是两者叠加出来的，没法简单归给某一方。
常用的解法是 LMDI（对数平均迪氏指数分解）。思路是取对数，把乘法变成加法：
再乘上一个对数平均权重，把每个因子的贡献换算回绝对值：
这种分解没有残差，各因子贡献加起来正好等于总变化。
例子：上月计费带宽 1000、单价 10，成本 10000；本月带宽 1200、单价 9，成本 10800，涨了 800。
- 对数平均权重 L ≈ 10395
- 带宽的贡献 ≈ 10395 × ln(1.2) ≈ +1895
- 单价的贡献 ≈ 10395 × ln(0.9) ≈ -1095
- 合计 = 800 ✓
结论很清楚：成本上涨是用量增长带来的，降价抵消了一部分。
四、比率型指标：要分清「自己变了」还是「结构变了」
这是最容易算错、也最有价值的一类。
形态：指标 = 分子 / 分母。比如毛利率、命中率、单位带宽成本。整体比率可以写成各组比率按分母占比的加权平均：
整体比率变化，可能有两种原因：
- 组内变化：某个客户自己的毛利率变了；
- 结构变化：各组本身没变，但低毛利客户的收入占比变大了，整体也会被拉低。
如果只看各客户自身的毛利率，会完全漏掉第二种原因。
三种算法
1. 控制变量法：只让一组变化，其他组保持基期，看整体比率变了多少。直观，但各组贡献加起来通常不等于总变化，不推荐。
2. 综合占比法：把变化拆成「组内比率变化」和「占比变化」两部分。各组贡献可以相加，等于总变化。
3. 综合贡献法（推荐）：在综合占比法基础上，再把结构项改成「该组比率与整体比率的差距 × 占比变化」：
推导的关键一步是：各组占比之和恒为 1，所以占比变化之和为 0，可以在结构项里减去一个 r⁰ × ΣΔpᵢ 而不改变总和。这样改写之后，结构项的含义变成了：一个比平均水平差的组占比变大，才会拉低整体，解释起来顺多了。
例子：毛利率掉了 3 个点
| 客户 | 上月收入占比 | 上月毛利率 | 本月收入占比 | 本月毛利率 |
|---|---|---|---|---|
| A | 60% | 40% | 50% | 40% |
| B | 40% | 20% | 50% | 18% |
| 整体 | 32% | 29% |
按综合贡献法拆：
| 客户 | 组内变化 | 交叉项 | 结构变化 | 合计 |
|---|---|---|---|---|
| A | 0 | 0 | -0.8 pp | -0.8 pp |
| B | -0.8 pp | -0.2 pp | -1.2 pp | -2.2 pp |
| 合计 | -0.8 pp | -0.2 pp | -2.0 pp | -3.0 pp |
结论：毛利率下降的 3 个点里，有 2 个点来自结构变化，也就是低毛利的客户 B 收入占比上升了；只有 1 个点是 B 自身毛利率下降。如果只盯着各客户的毛利率，会以为 A 完全没问题、B 只降了 2 个点，得出错误的结论。
五、在字节的应用：按指标公式逐层递归
在火山 CDN 经营分析平台上，我把上面三类方法组合成了一套递归归因的逻辑。
1. 先建好指标公式树
经营分析的核心指标之间，本来就有明确的公式关系。把它们整理成一棵树，每个节点标明公式类型：
- 毛利率（比率）= 毛利 / 收入，可以按客户拆成加权平均
- 收入（加法）= 新增客户收入 + 存量客户收入（流失客户记为负）
- 客户收入（乘法）= 计费用量 × 平均单价
- 平均单价（比率）= 各计费项、各区域单价按用量占比加权
- 成本（加法）= 各客户成本之和 = 各域名成本之和
- 客户成本（乘法）≈ 计费用量 × 单位成本
其中成本数据来自我设计的「95 区间」分摊算法，每天产出到客户、域名粒度，这是整套归因能落地的前提：没有细粒度的成本，就拆不下去。
2. 收入归因：客户、用量、价格
收入是经营分析里被问得最多的指标，也是拆得最细的一棵子树。它的难点在于，同一个「收入变化」背后可能是完全不同的业务动作：新签了客户、老客户放量、续约降价、流量往海外迁移，这些对应的跟进人和应对方式都不一样。所以收入归因要分三层拆。
第一层：客户增减（加法）
先把收入变化按客户类型分开：
- 新增客户：上期没有、本期有收入，全部算作新增贡献；
- 流失客户：上期有、本期没有，全部算作流失贡献（负数）；
- 存量客户：两期都有收入，进入下一层继续拆。
例如本月收入环比 +50 万：新增客户 +30 万，流失客户 -40 万，存量客户 +60 万。单看总数是小幅增长，拆开才发现流失其实很严重，只是被存量增长盖住了。
第二层：用量 × 单价（乘法，LMDI）
存量客户的收入 = 计费用量 × 平均单价，用前面的 LMDI 拆成「用量变化」和「价格变化」两部分。
例如头部客户 C，上月收入 200 万，本月用量 +20%，续约后单价 -10%，收入变成 216 万：
- 对数平均权重 L ≈ 207.9
- 用量贡献 ≈ 207.9 × ln(1.2) ≈ +37.9 万
- 价格贡献 ≈ 207.9 × ln(0.9) ≈ -21.9 万
- 合计 = +16 万 ✓
这个结论对销售和运营很有用：C 的业务在增长，但降价吃掉了一半以上的增量。
第三层：单价变化的「真调价」与「结构变化」（比率）
拆到价格还没完。CDN 的平均单价本身是一个比率：不同计费区域（国内、海外各区域）、不同计费项的单价差别很大，平均单价 = 各项单价按用量占比加权。所以平均单价变了，可能根本没有调价，只是用量结构变了。
例如某客户国内单价 10、海外单价 30，两个月都没调价：
| 区域 | 上月用量占比 | 本月用量占比 | 单价 |
|---|---|---|---|
| 国内 | 90% | 80% | 10 |
| 海外 | 10% | 20% | 30 |
| 平均单价 | 12 → 14 |
用综合贡献法拆，组内变化（真调价）为 0，平均单价上涨的 2 全部来自结构变化：海外占比上升贡献 +1.8，国内占比下降贡献 +0.2。也就是说，这个客户的「涨价」其实是流量往海外迁移了。如果把它当成调价成功去汇报，就是错误的结论。
到这里，一次收入异动就能落到具体的业务动作上：是哪类客户、哪个客户，是用量还是价格，价格是真调价还是区域结构变化。
3. 递归下钻
当某个指标出现异动（比如环比超过阈值），就从这个节点开始：
- 根据节点的公式类型，选择对应的贡献度算法；
- 算出各子节点的贡献度，取贡献最大的那个；
- 对这个子节点重复上面的过程，直到叶子节点，或者贡献度已经足够分散、无法再明显收敛。
最后输出一条归因路径，例如：
毛利率环比 -3pp → 主要来自结构变化（低毛利客户收入占比上升）→ 客户 B → 成本上涨 → 计费用量增长贡献最大 → 域名 x
收入环比 +50 万 → 存量客户 +60 万、流失客户 -40 万 → 存量中客户 C 贡献最大 → 用量 +37.9 万、价格 -21.9 万 → 价格下降来自续约调价
这样，看板上看到的不再只是一个变红的数字，而是一句可以直接拿去跟进的结论。
4. 实践里的几点体会
- 公式要和口径完全一致：归因拆出来的子指标，必须和看板上的计算口径一致，否则各部分加起来对不上总数，业务方第一眼就不信。
- 比率指标一定要看结构：CDN 业务里客户结构变化非常常见，比如某个大客户放量、低价客户占比上升，只看组内变化很容易误判。
- 新增和流失要单独处理：新客户上期为 0、流失客户本期为 0，取对数会出错，LMDI 也算不了，必须在乘法拆解之前先用加法把它们拆出去。
- 递归要有停止条件：贡献度太分散时，继续下钻只会得到噪音；这时输出「多因素共同影响」比强行给出一个结论更可靠。
- 归因只是定位，不是解释：它能告诉你「是 B 客户的用量涨了」，但「为什么涨」还需要运营去跟客户确认。
参考
- 指标归因贡献度计算方法（加法 / 乘法 / 除法型）- CSDN
- Ang, B.W. (2005). The LMDI approach to decomposition analysis: a practical guide. Energy Policy, 33(7), 867–871.
文章分享
如果这篇文章对你有帮助，欢迎分享给更多人！