核心指标异动自动检测：日级 DAU / 小时级支付成功率，到底该上 STL 分解 + 3σ、EWMA、还是直接同比 + 环比双阈值？误报和漏报怎么权衡？

【背景】 我在一家 20 人左右的数据团队做指标体系，核心看板约 40 个指标，底层是 ClickHouse + Grafana。目前所有「指标异动」都靠人肉盯盘 + 早上 9 点周报发现，平均滞后 4–12 小时。老板拍板要求做一套自动检测 + 告警，我负责算法与阈值方案，但社区和内部都还没形成共识。

【现象 / 卡点】

1. 指标类型混杂：日级（DAU、次日留存、付费率）和小时级（支付成功率、接口 P99、消息队列堆积）都有，周期性和噪声结构完全不同。
2. 我初步调研了三类方案，各有硬伤：
   • STL 分解 + 残差 3σ：对周周期（工作日 / 周末）敏感，但残差 σ 在节假日、大促、版本发布时会突然放大，3σ 几乎失效；
   • EWMA（λ=0.3）：响应快，但日级指标一周才 7 个点，EWMA 还没收敛业务已经变了；
   • 同比 + 环比双阈值（比如同比跌 >15% 且环比跌 >10%）：实现最简单，但「环比」在指标本身有强周期时（比如周末 DAU 天然比周五低 20%）会大量误报。
3. 误报与漏报的权重很难定：误报一次，值班同学要手动标「已知原因」，一个月 30+ 次告警大家就开始无视（狼来了）；漏报一次，老板直接找上门。
4. 还有一个隐性坑：指标树上下游联动——DAU 掉 30% 时，它的下游「任务完成率」可能因为分母变化反而上升 5%，单纯看每个指标自己的阈值会漏掉上游异常。

【已尝试的排查与结果】

• 试过 Grafana 自带 Threshold + Basic Auth 告警，日级指标基本不可用（没有动态基线）；
• 试过 Python statsmodels 的 STL + 残差 3σ 跑 90 天历史，工作日误报率约 12%（每周 1 次），节假日直接爆炸；
• 试过「同比上周同星期 ±20%」的土办法，误报降到 3% 左右，但漏报了两次真实的小幅持续下跌（每天跌 3% 连跌 4 天，同比始终在阈值内）；
• 还没试过：Prophet / 贝叶斯结构变点 / 基于 LSTM 的时序预测，感觉对 40 个指标维护成本偏高。

【期望得到的答案形态】 希望有在线上实际跑过 ≥3 个月的同学分享一下：

1. 你们最终用的是哪种检测算法（或组合），日级和小时级是否分开处理？
2. 阈值是怎么定的：固定 σ 倍数、动态分位数（比如 P5/P95）、还是基于历史误报率反推？
3. 误报率大概控制在什么水平（每月几次），漏报是怎么发现的、怎么补救的？
4. 指标树上下游联动，有没有人做过「父指标异常时子指标告警降级 / 升级」之类的策略？
5. 有没有踩过「检测算法本身被业务变更（版本发布、运营活动）干扰」的坑？怎么打的补丁？

不需要完整代码，方案选型 + 阈值经验值 + 踩坑清单就非常有价值。如果有内部实现（哪怕是 PPT / 文档）可以分享思路也欢迎。