編輯導讀：DAU是指日活躍用戶數量，常用于反映網站、互聯網應用或網絡游戲的運營情況。作為數據分析師，最怕老板突然關心“昨天的DAU怎么下降了”，這時候應該怎么從業務的角度給老板滿意的答復呢？本文作者將分享自身做DAU監控以及用戶增長的經驗，希望對你有幫助。

“同一個世界，同一個老板”，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，突然收到老板的一條微信，昨日的DAU為啥降了？然后你“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”……

那么我們該如何建立科學的數據分析體系，并從業務的角度給到老板最滿意的答案呢？接下來筆者將結合自身做DAU監控以及用戶增長的經驗，給到屏幕面前的你實用的干貨知識！

一、梳理你所在公司的用戶增長模式

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戶增長的“核心模式”是什么，以便為后續建立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。

盡管不同業務形態、以及不同發展階段的公司，其用戶增長模式各有差異，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. 流量采購。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采購流量。
2. 基于微信生態的社交裂變。比如歸功于微信流量的支持，趣頭條會通過“領取金幣任務”吸引老用戶參與“邀請新用戶”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戶。

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于“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戶進行促活；朋友圈內打開一篇來自知乎的文章后，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戶可以賺錢金幣。
3. 紅包補貼。往往補貼力度越高，促活的效果越好。
4. 電商的養成類游戲。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. 用戶運營活動。比如簽到任務、積分體系等，促活效果取決于虛擬幣變現的能力。

值得注意的是，在梳理用戶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，盡管雖然很多公司會有簽到任務、積分體系、老拉新任務等用戶激勵體系，但由于兌換商品吸引力不足等原因導致用戶參與度非常低，所以不足以成為促進用戶回流的核心手段；

而對于很多App，Push拉活、RTA廣告促活已經是提升老用戶活躍度的標配手段，促活用戶的DAU占比可達10%以上，那么在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。

可以基于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怎么設定呢？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；并在DAU處于異常時，給數據分析組發送報警郵件，以便于分析師第一時間排查診斷，做到在領導還沒有張口發問怎么回事之前，就已經知曉背后的原因。

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，就需要基于前面提到的“用戶增長模式”，對DAU進行拆解以定位業務原因了。

這里值得一提的是，因為數據分析師的職責就在于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%是由于xxx貢獻，20%是由于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 =? 當日新增用戶 + 首次外部喚起App的老用戶 +? 首次自然啟動App的老用戶?

DAU中老用戶的拆解，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戶行為路徑上的首次行為屬性。例如，某個用戶當日先通過手機桌面圖標 自然啟動App，然后又通過push啟動了App，但由于“自然啟動App”是用戶當日行為序列中的首次行為，該用戶的這 1個DAU功勞將100%全部歸給“自然啟動”，push功勞為0。

說明下第一層拆解指標的具體計算方式：

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

拆解的第二層級為：

• 新增用戶?？砂凑涨?、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的老用戶?？砂凑帐状螁酒餉pp的入口（比如Push、RTA廣告、微信等）拆分。即 首次外部喚起App的老用戶數= 首次push喚起App的老用戶數 + 首次RTA廣告喚起App的老用戶數 +? ….
• 自然啟動App的老用戶，可按照用戶訪問App的目的進行拆分。具體是，通過對用戶站內核心行為的先后發生順序進行分析，將DAU的貢獻歸因于首個核心行為模塊。比如，某產品的滲透率較高的核心模塊有：A、B、C，那么自然啟動App的老用戶 = 站內首次進入A模塊的老用戶 +站內首次B模塊的老用戶 +?站內首次C模塊的老用戶 +?其他行為模塊的老用戶?！钙渌袨槟K的用戶」，是指未發生以上前面任何核心行為的用戶。舉例，某資訊平臺App，可以根據用戶的「主動搜索的關鍵詞（比如百萬紅包活動、某爆款新品名稱、某大V名字）」、「領取金幣」、「某大V粉絲通過個人頁面的關注列表進入大V的個人頁面」、「通過消息頁面查看xxx發送的消息」這些主動行為，來分析用戶來到App的原因是什么。

這里需要說明的是，如果App核心功能和使用場景比較單一，可以不對自然啟動的老用戶進行拆解。

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，說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戶、還是外部喚起老用戶、還是自然回流老用戶部分有問題。

比如下面虛構的例子，DAU日環比上升70W，盡管RTA廣告、微信啟動等也有上升，但是波動貢獻很小，而老用戶回流的波動貢獻可達93%，所以問題范圍就縮小為老用戶回流為何上升。

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

如果發現「老用戶回流」異常波動貢獻度較高，需要排查是否是由于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）。

對于外部因素引起的老用戶回流異常，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；

對于內部因素引起的老用戶回流異常：

• 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后首次進入活動頁面（或者訪問產品功能）的用戶Δ增量，只有該 Δ 占 DAU波動Δ 的比例非常高，才能說明該活動對于DAU有顯著的影響。

三、向上匯報異常原因

通過上述的波動貢獻度計算和逐層下鉆，我們可以找出DAU波動的主要因素，和業務方核實確認后，就可以郵件或微信同步上級領導?？蓞⒖家韵赂袷竭M行匯報：

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，盡管日活的監控診斷工作可能非常繁瑣枯燥，但它可以很好地鍛煉我們的數據敏感性。比如，當你完成多輪的拆解歸因后，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，同時DAU波動的排查工作也會變得越來越嫻熟。

以上就是DAU波動診斷的全部內容了，希望大家都能夠有所啟發。由于本文的案例均來源于實際工作，其中的部分結論可能并不適合所有業務場景；另外，限于自己的知識和視角，本文難免存在一些考慮不周的情況，一些分析方法和思路也許并非最優，若有不足之處，歡迎大家在評論區探討。

本文由 @郝笑笑 原創發布于人人都是產品經理，未經許可，禁止轉載

題圖來自Unsplash，基于 CC0 協議