方法論分享：DAU下降該如何分析

“同一個世界，同一個老闆”，作為數據分析師，相信此情此景你也一定經歷過：正在埋頭工作，突然收到老闆的一條微信，昨日的DAU為啥降了？然後你“一頓操作猛如虎”，但令人焦灼的是，面對一大堆數據“仔細一看還是原地杵”……

那麼我們該如何建立科學的數據分析體系，並從業務的角度給到老闆最滿意的答案呢？接下來筆者將結合自身做DAU監控以及用户增長的經驗，給到屏幕面前的你實用的乾貨知識！

一、梳理你所在公司的用户增長模式

在構建DAU流量監控體系前，建議通過業務人員調研、公司組織架構等途徑，摸清楚真正驅動企業用户增長的“核心模式”是什麼，以便為後續建立DAU監控體系提供基礎；否則，無頭蒼蠅般地從各個維度拆解數據，會讓整個分析工作變得非常低效。

儘管不同業務形態、以及不同發展階段的公司，其用户增長模式各有差異，但都可以從拉新策略和促活策略進行分解。

常見的拉新策略有：

1. 流量採購。比如通過廠商預裝、應用商店渠道、信息流廣告、搜索廣告、網盟廣告等途徑付費採購流量。
2. 基於微信生態的社交裂變。比如歸功於微信流量的支持，趣頭條會通過“領取金幣任務”吸引老用户參與“邀請新用户”的活動；微信讀書依靠“組隊抽取無限卡”的裂變活動，僅僅半年就暴漲百萬用户。

常見的促活策略有：

1. 外部渠道促活。比如：通過push喚起App；頭條系的APP矩陣可以互相促活；在廣點通第三方媒體投放基於“RTA+個性化商品素材”技術的實時動態出價廣告，可以對不活躍的老用户進行促活；朋友圈內打開一篇來自知乎的文章後，點擊“App內打開”的底部浮層按鈕可以喚起知乎App；通過負一屏的weiget小組件可以喚起App等；雙十一短信促活。
2. 社交裂變。例如，拼多多的拼團砍價；趣頭條喚醒沉睡老用户可以賺錢金幣。
3. 紅包補貼。往往補貼力度越高，促活的效果越好。
4. 電商的養成類遊戲。比如支付寶的螞蟻森林、拼多多的多多果園、美團的小美果園等。
5. 用户運營活動。比如簽到任務、積分體系等，促活效果取決於虛擬幣變現的能力。

值得注意的是，在梳理用户增長的核心驅動力時，需要重點識別影響DAU增長的核心要素。

舉個例子，儘管雖然很多公司會有簽到任務、積分體系、老拉新任務等用户激勵體系，但由於兑換商品吸引力不足等原因導致用户參與度非常低，所以不足以成為促進用户迴流的核心手段；

而對於很多App，Push拉活、RTA廣告促活已經是提升老用户活躍度的標配手段，促活用户的DAU佔比可達10%以上，那麼在DAU監控體系中必須將push和rta廣告等促活方式作為監控的重點。

二、搭建數據監控預警體系1. 判定DAU是否異常

常用的方法是：看日環比絕對值、周同比絕對值、日環比、周同比、以及最近30天的變化趨勢。

可以基於經驗判斷異常變化的Δ，比如日環比、周同比上升或下降超過5%可以判定為異常；或者日環比絕對值、周同比絕對值上升或下降超過 xx 萬判定為異常。

這個異常Δ怎麼設定呢？可以觀察至少3個月的DAU波動數據，將波動較大的時間點所對應的數據變化幅值作為異常 Δ。

為實現自動化，建議將下圖的監控報表進行數據產品化：即每日以郵件抄送各部門領導層；並在DAU處於異常時，給數據分析組發送報警郵件，以便於分析師第一時間排查診斷，做到在領導還沒有張口發問怎麼回事之前，就已經知曉背後的原因。

2. 構建DAU拆解的指標體系

在DAU被判定為異常增高或者異常下降時，就需要基於前面提到的“用户增長模式”，對DAU進行拆解以定位業務原因了。

這裏值得一提的是，因為數據分析師的職責就在於通過科學的方法量化業務的表現，所以如果能給到業務方這樣的論述，比如：這次DAU日環比下降 50% 的原因是由xxx貢獻，30%是由於xxx貢獻，20%是由於xxx貢獻， 更能夠凸顯自己在數據分析方面的專業性。

為了對異動原因進行科學的量化和歸因，可以按照完全窮盡、互相獨立地去拆解日活：

拆解的第一層級為：

DAU = 當日新增用户 + 首次外部喚起App的老用户 + 首次自然啓動App的老用户

DAU中老用户的拆解，借用了渠道廣告歸因中“首次歸因”的思想，即將全部功勞歸因到用户行為路徑上的首次行為屬性。例如，某個用户當日先通過手機桌面圖標 自然啓動App，然後又通過push啓動了App，但由於“自然啓動App”是用户當日行為序列中的首次行為，該用户的這 1個DAU功勞將100%全部歸給“自然啓動”，push功勞為0。

説明下第一層拆解指標的具體計算方式：

1. 新增用户可以利用當天激活的設備數來計算；
2. 外部喚起老用户可以通過埋點統計字段（啓動入口）進行區分，當啓動入口為非桌面圖標啓動時記做外部喚起；
3. 自然啓動的老用户，可以通過DAU-當日新增用户-自然啓動老用户計算。

拆解的第二層級為：

• 新增用户。可按照渠道、機型等維度來進一步拆分，以細化異動是哪個拉新渠道的問題；
• 外部喚起App的老用户。可按照首次喚起App的入口（比如Push、RTA廣告、微信等）拆分。即 首次外部喚起App的老用户數= 首次push喚起App的老用户數 + 首次RTA廣告喚起App的老用户數 + ….
• 自然啓動App的老用户，可按照用户訪問App的目的進行拆分。具體是，通過對用户站內核心行為的先後發生順序進行分析，將DAU的貢獻歸因於首個核心行為模塊。比如，某產品的滲透率較高的核心模塊有：A、B、C，那麼自然啓動App的老用户 = 站內首次進入A模塊的老用户 +站內首次B模塊的老用户 + 站內首次C模塊的老用户 + 其他行為模塊的老用户。「其他行為模塊的用户」，是指未發生以上前面任何核心行為的用户。

這裏需要説明的是，如果App核心功能和使用場景比較單一，可以不對自然啓動的老用户進行拆解。

3. 計算波動貢獻度

指標Xi的波動貢獻度=指標Xi的變化幅度/DAU的變化幅度。貢獻度越大，説明該指標對波動的解釋效果越好。通過波動貢獻度，我們將異常原因定位到是新增用户、還是外部喚起老用户、還是自然迴流老用户部分有問題。

比如下面虛構的例子，DAU日環比下降70W，儘管RTA廣告、微信啓動等也有下降，但下降貢獻很小，而老用户迴流的下降貢獻可達93%，所以問題範圍就縮小為老用户迴流為何減少。

一般地，如果發現「新增用户」「外部喚起老用户」的異常波動貢獻度較大，可以進一步按維度拆解指標並計算波動貢獻度，例如按渠道拆分「新增用户」，發現 A 渠道的波動貢獻度最高，那麼A渠道就是造成DAU波動的主要原因。

如果發現「老用户迴流」異常波動貢獻度較高，需要排查是否是由於內外部環境變化導致（內部變化：新發版出現bug、運營活動、產品功能；外部變化：節假日、市場變化、競品策略、熱點輿論事件等）。

對於外部因素引起的老用户迴流異常，可以結合競品數據、百度搜索指數、去年同期數據進一步確認；

對於內部因素引起的老用户迴流異常：

• 如果要排查是否是發版bug導致，可以拆分操作系統和版本進行排查
• 一般地，產品功能、運營活動的影響，可以按照首次歸因的思想，計算打開App後首次進入活動頁面（或者訪問產品功能）的用户Δ增量，只有該 Δ 佔 DAU波動Δ 的比例非常高，才能説明該活動對於DAU有顯著的影響。

三、向上彙報異常原因

通過上述的波動貢獻度計算和逐層下鑽，我們可以找出DAU波動的主要因素，和業務方核實確認後，就可以郵件或微信同步上級領導。可參考以下格式進行彙報：

各位領導和同事，

xx月xx日的DAU為xxxx，周同比下降xx。

主要原因是：xxxx

建議是：1、xxxx；2、xxx；3、xxx；

四、結束語

結合自己淺薄的工作經歷來看，儘管日活的監控診斷工作可能非常繁瑣枯燥，但它可以很好地鍛鍊我們的數據敏感性。比如，當你完成多輪的拆解歸因後，就能知道大概率有哪些因素可能會引起DAU的劇烈漲跌，而哪些因素影響較小，以及哪些拆解指標是需要重點關注的，那麼你的DAU波動排查的工作也會越來越高效熟練。

以上就是DAU波動診斷的全部內容了。希望大家都能夠有所啓發，也歡迎大家在評論區或加我V私聊探討相關內容。

本文由 @郝笑笑 原創發佈於人人都是產品經理，未經許可，禁止轉載

題圖來自Unsplash，基於 CC0 協議