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。