【方法】DAU异常下降该如何分析

“同一个世界，同一个老板”，作为数据分析师，相信此情此景你也一定经历过：正在埋头工作，突然收到老板的一条微信，昨日的DAU为啥降了？然后你“一顿操作猛如虎”，但令人焦灼的是，面对一大堆数据“仔细一看还是原地杵”……

那么我们该如何建立科学的数据分析体系，并从业务的角度给到老板最满意的答案呢？接下来笔者将结合自身做DAU监控以及用户增长的经验，给到屏幕面前的你实用的干货知识！

在构建DAU流量监控体系前，建议通过业务人员调研、公司组织架构等途径，摸清楚真正驱动企业用户增长的“核心模式”是什么，以便为后续建立DAU监控体系提供基础；否则，无头苍蝇般地从各个维度拆解数据，会让整个分析工作变得非常低效。

尽管不同业务形态、以及不同发展阶段的公司，其用户增长模式各有差异，但都可以从拉新策略和促活策略进行分解。

常见的拉新策略有：

1. 流量采购。

   比如通过厂商预装、应用商店渠道、信息流广告、搜索广告、网盟广告等途径付费采购流量。

2. 基于微信生态的社交裂变。比如归功于微信流量的支持，趣头条会通过“领取金币任务”吸引老用户参与“邀请新用户”的活动；微信读书依靠“组队抽取无限卡”的裂变活动，仅仅半年就暴涨百万用户。

常见的促活策略有：

1. 外部渠道促活。

   比如：

   通过push唤起App；

   头条系的APP矩阵可以互相促活；

   在广点通第三方媒体投放基于“RTA+个性化商品素材”技术的实时动态出价广告，可以对不活跃的老用户进行促活；

   朋友圈内打开一篇来自知乎的文章后，点击“App内打开”的底部浮层按钮可以唤起知乎App；

   通过负一屏的weiget小组件可以唤起App等；

   双十一短信促活。

2. 社交裂变。

   例如，拼多多的拼团砍价；

   趣头条唤醒沉睡老用户可以赚钱金币。

3. 红包补贴。

   往往补贴力度越高，促活的效果越好。

4. 电商的养成类游戏。

   比如支付宝的蚂蚁森林、拼多多的多多果园、美团的小美果园等。

5. 用户运营活动。比如签到任务、积分体系等，促活效果取决于虚拟币变现的能力。

值得注意的是，在梳理用户增长的核心驱动力时，需要重点识别影响DAU增长的核心要素。

举个例子，尽管虽然很多公司会有签到任务、积分体系、老拉新任务等用户激励体系，但由于兑换商品吸引力不足等原因导致用户参与度非常低，所以不足以成为促进用户回流的核心手段。

而对于很多App，Push拉活、RTA广告促活已经是提升老用户活跃度的标配手段，促活用户的DAU占比可达10%以上，那么在DAU监控体系中必须将push和rta广告等促活方式作为监控的重点。

1. 判定DAU是否异常

常用的方法是：看日环比绝对值、周同比绝对值、日环比、周同比、以及最近30天的变化趋势。

可以基于经验判断异常变化的Δ，比如日环比、周同比上升或下降超过5%可以判定为异常；或者日环比绝对值、周同比绝对值上升或下降超过 xx 万判定为异常。

这个异常Δ怎么设定呢？可以观察至少3个月的DAU波动数据，将波动较大的时间点所对应的数据变化幅值作为异常 Δ。

为实现自动化，建议将下图的监控报表进行数据产品化：即每日以邮件抄送各部门领导层；并在DAU处于异常时，给数据分析组发送报警邮件，以便于分析师第一时间排查诊断，做到在领导还没有张口发问怎么回事之前，就已经知晓背后的原因。

2. 构建DAU拆解的指标体系

在DAU被判定为异常增高或者异常下降时，就需要基于前面提到的“用户增长模式”，对DAU进行拆解以定位业务原因了。

这里值得一提的是，因为数据分析师的职责就在于通过科学的方法量化业务的表现，所以如果能给到业务方这样的论述，比如：这次DAU日环比下降 50% 的原因是由xxx贡献，30%是由于xxx贡献，20%是由于xxx贡献， 更能够凸显自己在数据分析方面的专业性。

为了对异动原因进行科学的量化和归因，可以按照完全穷尽、互相独立地去拆解日活：

拆解的第一层级为：

DAU =  当日新增用户 + 首次外部唤起App的老用户 +  首次自然启动App的老用户 

DAU中老用户的拆解，借用了渠道广告归因中“首次归因”的思想，即将全部功劳归因到用户行为路径上的首次行为属性。例如，某个用户当日先通过手机桌面图标 自然启动App，然后又通过push启动了App，但由于“自然启动App”是用户当日行为序列中的首次行为，该用户的这 1个DAU功劳将100%全部归给“自然启动”，push功劳为0。

说明下第一层拆解指标的具体计算方式：

1. 新增用户可以利用当天激活的设备数来计算；

2. 外部唤起老用户可以通过埋点统计字段（启动入口）进行区分，当启动入口为非桌面图标启动时记做外部唤起；

3. 自然启动的老用户，可以通过DAU-当日新增用户-自然启动老用户计算。

4. 
   

拆解的第二层级为：

• 新增用户。

  可按照渠道、机型等维度来进一步拆分，以细化异动是哪个拉新渠道的问题；

• 外部唤起App的老用户。

  可按照首次唤起App的入口（比如Push、RTA广告、微信等）拆分。

  即 首次外部唤起App的老用户数= 首次push唤起App的老用户数 + 首次RTA广告唤起App的老用户数 +  ….

• 自然启动App的老用户，可按照用户访问App的目的进行拆分。具体是，通过对用户站内核心行为的先后发生顺序进行分析，将DAU的贡献归因于首个核心行为模块。比如，某产品的渗透率较高的核心模块有：A、B、C，那么自然启动App的老用户 = 站内首次进入A模块的老用户 +站内首次B模块的老用户 + 站内首次C模块的老用户 + 其他行为模块的老用户。「其他行为模块的用户」，是指未发生以上前面任何核心行为的用户。

这里需要说明的是，如果App核心功能和使用场景比较单一，可以不对自然启动的老用户进行拆解。

3. 计算波动贡献度

指标Xi的波动贡献度=指标Xi的变化幅度/DAU的变化幅度。贡献度越大，说明该指标对波动的解释效果越好。通过波动贡献度，我们将异常原因定位到是新增用户、还是外部唤起老用户、还是自然回流老用户部分有问题。

比如下面虚构的例子，DAU日环比下降70W，尽管RTA广告、微信启动等也有下降，但下降贡献很小，而老用户回流的下降贡献可达93%，所以问题范围就缩小为老用户回流为何减少。

一般地，如果发现「新增用户」「外部唤起老用户」的异常波动贡献度较大，可以进一步按维度拆解指标并计算波动贡献度，例如按渠道拆分「新增用户」，发现 A 渠道的波动贡献度最高，那么A渠道就是造成DAU波动的主要原因。

如果发现「老用户回流」异常波动贡献度较高，需要排查是否是由于内外部环境变化导致（内部变化：新发版出现bug、运营活动、产品功能；外部变化：节假日、市场变化、竞品策略、热点舆论事件等）。

对于外部因素引起的老用户回流异常，可以结合竞品数据、百度搜索指数、去年同期数据进一步确认。

对于内部因素引起的老用户回流异常：

• 如果要排查是否是发版bug导致，可以拆分操作系统和版本进行排查

• 一般地，产品功能、运营活动的影响，可以按照首次归因的思想，计算打开App后首次进入活动页面（或者访问产品功能）的用户Δ增量，只有该 Δ 占 DAU波动Δ 的比例非常高，才能说明该活动对于DAU有显著的影响。

通过上述的波动贡献度计算和逐层下钻，我们可以找出DAU波动的主要因素，和业务方核实确认后，就可以邮件或微信同步上级领导。可参考以下格式进行汇报：

各位领导和同事，

xx月xx日的DAU为xxxx，周同比下降xx。

主要原因是：xxxx。

建议是：1、xxxx；2、xxx；3、xxx。

结合自己浅薄的工作经历来看，尽管日活的监控诊断工作可能非常繁琐枯燥，但它可以很好地锻炼我们的数据敏感性。比如，当你完成多轮的拆解归因后，就能知道大概率有哪些因素可能会引起DAU的剧烈涨跌，而哪些因素影响较小，以及哪些拆解指标是需要重点关注的，同时DAU波动的排查工作也会变得越来越娴熟。

以上就是DAU波动诊断的全部内容了，希望大家都能够有所启发。由于本文的案例均来源于实际工作，其中的部分结论可能并不适合所有业务场景；另外，限于自己的知识和视角，本文难免存在一些考虑不周的情况，一些分析方法和思路也许并非最优，若有不足之处，欢迎大家在评论区探讨。