APP的DAU下降得很厉害,奈何一直找不到原因。当DAU数据异常,该如何分析原因,解决问题?本文对此进行了总结分析,希望对你有所启发。
1. 明确数据是否异常
分析人员要清楚DAU指标的变动是否是异常的,是否是周期性波动造成的,主要从以下几个方面来探究:
- 环比上周
- 同比去年
- 一段时间的趋势
- 是否是特殊节点
我们要先确定异常变化的标准。
比如:
周环比或年同比上升或下降的幅度超过5%,则判断为异常变化;
或者DAU连续一周累积上升或下降幅度超过10%则判断为异常。
至于,标准如何确定?
不同的App,具有不同的判断标准和数据容忍度。
为了确立标准,可以观察近6个月的DAU波动数据,并以波动较大的时间点对应的数据变化作为参考标准。
确定完标准后,再将实际值与标准值做对比。若实际值大于标准值,则为数据异常情况,需要进一步分析原因。
2. 了解数据变化的原因
分析人员需要分别与技术、产品和运营就上述维度展开沟通。常见的异常来源如下图所示:
在清楚DAU的构成后,我们引入影响系数来判断新老用户对DAU变化的影响程度,公式如下所示:
若是新用户的影响大,也是同理,需要拆解新用户的构成,了解其变动因子。
首先,我们提出了对应的解决方案,每个问题的解决方案不同,侧重点也不同,需要具体问题具体分析。
其次,在充分考虑问题的影响范围、影响程度、方案的难度等各方面因素之后,对验证方案进行了优先级排序。
再次,我们验证方案,严格控制变量,采用严格的AB对比实验,清晰地辨认出影响因素,减少其它因子干扰。
最后,数据分析,并且不断迭代优化方案,直至数据恢复正常。
三、案例分析
1. 案例简介
App M是一款工具类app,平时的日活稳定在140-160万,但是突然在4月15日这天出现了骤降,仅为134.8万,并且数据持续走低。
需要注意的是,DAU数据以周为维度呈现周期效应,并且在4月15日突然下降。
因此,小b使用4月8日和4月15日的数据来计算影响系数。
- 老用户影响系数=(99.9-117.0)/(138.8-158.1)=88.6%
- 新用户影响系数=(38.9-41.1)/(138.8-158.1)=11.4%
小b得出结论:老用户的影响系数远高于老用户,由此而言,老用户对于DAU的影响比老用户更为显著。
经过分析可以看出来老用户影响程度大。
因此,小b进一步拆解老用户的构成,将老用户的变动因子分为以下几个维度:
- 来源1影响系数=(60.1-71.4)/(138.8-158.1)=58.5%
- 来源2影响系数=(16.9-22.4)/(138.8-158.1)=28.5%
- 来源3影响系数=(8.6-9.6)/(138.8-158.1)=5.2%
- 来源4影响系数=(13.1-13.7)/(138.8-158.1)=3.1%
- 来源5影响系数=(1.3-0)/(138.8-158.1)=-6.7%
通过以上数据可知,来源1对DAU指标的负面影响最大,来源2次之;基本能确定是来源1和来源2出现了问题;
所以最后小b着重排查了来源1和来源2。
最后,定位问题并解决。
在排查来源之后,小b与来源1和来源2的相关负责人一起定位问题。根据经验,以及对业务的了解,最终把问题定位在以下几个方面:
- 渠道投放:新渠道投放不稳定
- push:数据归因问题
- 站内活动:补贴力度下降
针对以上问题,小b提出了对应的解决方案,并对方案进行了优先级排序。
在评估各方面后,小b打算着重解决新渠道投放不稳定和push归因这2个问题。
之后,小b采用了较为严格的AB实验去验证问题,最终发现问题出现在push归因上,解决了问题。
四、总结
这部分我们简单总结如何应对DAU骤降的问题,方案主要如下所示:
文中案例基于实际业务,进行了一定程度的模糊化处理。读者可以借鉴这个案例来探讨DAU指标异常的拆解思路。
我们可以通过对比前后数据、考虑不同因素的影响、使用科学验证方法等手段,来识别DAU指标异常的原因。
本文由 @ 摇滚的红烧肉 原创发布于人人都是产品经理,未经授权,禁止转载
题图来自Unsplash,基于CC0协议
该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。