DAU狂跌近15%!如何快速挽救?

0 評論 3181 瀏覽 31 收藏 14 分鐘

APP的DAU下降得很厲害,奈何一直找不到原因。當DAU數據異常,該如何分析原因,解決問題?本文對此進行了總結分析,希望對你有所啟發。

小a最近很苦惱,App M的DAU下降得很厲害,一直找不到原因。

于是,本著“專業的事要交給專業的人”的原則,他花重金挖來專家小b,希望能解決此事。

小b果然是有兩把刷子,來了之后沒多久就發現了問題的癥結,并開始著手解決問題,讓金主爸爸小a不禁大呼“這錢花的值”。

那么問題到底是怎么解決的?小b到底是如何力挽狂瀾的?

各位看官老爺,請接著往下看……

一、數據異常分析

當DAU指標異常時,我們并不推薦分析人員僅僅根據經驗和業務情況對DAU指標下降的原因進行猜測。

這種方法可能會存在誤差,而且無法驗證猜測的有效性,甚至猜測的結果可能會與真實情況背道而馳。

相比之下,在DAU異常時,我們更建議分析人員通過對DAU的拆解,考慮各種因素對DAU的影響,并推斷出最有可能影響指標的因素。這些被影響的因素可能包括應用程序穩定性、內容質量或者市場營銷策略等等。

在此基礎上,我們可以采用科學的驗證方法,以確定最有可能的原因,比如單因素驗證測試等。這種方法更為科學和可靠,可以更好地確保我們能夠準確和及時地發現并解決任何應用問題。

解決DAU異常的問題,核心在于拆解DAU指標構成,先做指標異常原因的猜想,再用數據驗證猜想。

DAU異常主要分為以下三步來分析:

1. 明確數據是否異常

分析人員要清楚DAU指標的變動是否是異常的,是否是周期性波動造成的,主要從以下幾個方面來探究:

  • 環比上周
  • 同比去年
  • 一段時間的趨勢
  • 是否是特殊節點

我們要先確定異常變化的標準。

比如:

周環比或年同比上升或下降的幅度超過5%,則判斷為異常變化;

或者DAU連續一周累積上升或下降幅度超過10%則判斷為異常。

至于,標準如何確定?

不同的App,具有不同的判斷標準和數據容忍度。

為了確立標準,可以觀察近6個月的DAU波動數據,并以波動較大的時間點對應的數據變化作為參考標準。

確定完標準后,再將實際值與標準值做對比。若實際值大于標準值,則為數據異常情況,需要進一步分析原因。

2. 了解數據變化的原因

分析人員需要分別與技術、產品和運營就上述維度展開溝通。常見的異常來源如下圖所示:

通過與相關人員溝通,分析人員可以更好地理解DAU指標異常的查詢方向。這樣的溝通有助于避免行動上的盲目,從而更加有效地找出問題根源。

在大致了解查詢方向之后,接下來,我們對DAU指標進行更細致的拆解。

3. 排查變動因子

首先,從用戶構成的角度分析,拆解與DAU指標相關的層級,可獲得以下公式:

在清楚DAU的構成后,我們引入影響系數來判斷新老用戶對DAU變化的影響程度,公式如下所示:

影響系數越大,說明因子對DAU的影響力越大,越接近真實。

接下來,讓我們來計算影響系數,了解究竟是哪個因子的變動對DAU的影響大。

經過深入的分析和計算,我們發現可以發現新老用戶分別對DAU的影響程度。

若是老用戶的影響大,則拆解老用戶的構成,了解其變動因子。

若是新用戶的影響大,也是同理,需要拆解新用戶的構成,了解其變動因子。

在充分考慮用戶的變動因子后,針對影響大的這一類用戶的流量來源,將用戶進行拆解。

然后分別計算各來源數據對DAU總變化量的影響,充分定位DAU指標波動異常的原因。

通過計算各來源的影響系數,我們可以知道各個來源對DAU指標的負面影響程度,哪個來源需要重點排查。

二、數據異常解決

在排查來源之后,分析人員需要與相關負責人一起定位問題。根據我們的經驗,以及對業務的了解,確定問題驗證的幾個方向。

在確定方向后,我們運用以下4步來驗證并解決:

首先,我們提出了對應的解決方案,每個問題的解決方案不同,側重點也不同,需要具體問題具體分析。

其次,在充分考慮問題的影響范圍、影響程度、方案的難度等各方面因素之后,對驗證方案進行了優先級排序。

再次,我們驗證方案,嚴格控制變量,采用嚴格的AB對比實驗,清晰地辨認出影響因素,減少其它因子干擾。

最后,數據分析,并且不斷迭代優化方案,直至數據恢復正常。

三、案例分析

1. 案例簡介

App M是一款工具類app,平時的日活穩定在140-160萬,但是突然在4月15日這天出現了驟降,僅為134.8萬,并且數據持續走低。

這幾天的DAU指標已處于幾周以來的低位,問題已經比較嚴重了,需要盡快排查并解決。

2. 問題定位與解決

在問題剛出現的時候,小a就猜測是App版本更新的問題;然而,技術排查了2天,都一無所獲,反而浪費了時間。

小b接手之后,就比較有章法,他有一套比較成熟的方法論來指導。

下面,我們來介紹小b是如何解決上述案例問題的。

首先是明確數據是否異常。

小b觀察了App M近6個月的DAU波動數據。根據小b的經驗和歷史數據判斷,App M的周環比數據的變化幅度超過5%,則可視為異常情況。

然后,小b通過數據分析可知:App M有較為明顯的周期性效應,一般工作日是DAU數據的低谷期,而周末則是高峰期。

然而,4月15日和16日雖然是周末,但數據卻呈下降態勢,并持續走低,與常規不符。

此外,周環比數據降幅超8%,高于所規定的5%,且排除特殊節點的可能性。

因此,從上述分析可判斷,此次DAU變動為數據異常情況。

其次,了解數據變化的原因。

小b與相關人員展開了溝通,了解近期業務上的波動。

通過有效的溝通,小b得知在DAU指標異常變化之前的三天(即4月12日至4月14日),業務方面發生了如下變化:

  • 技術側:更新App版本;
  • 產品側:上線簽到功能;迭代站內交互方式;下線老用戶承接頁面;
  • 運營側:重新調整投放預算分配;開通新的投放渠道;調整push推送策略;

在大致了解DAU的查詢方向后,接下來,小b對DAU進行了更細致的拆解。

然后,排查變動因子。

小b仔細地計算了影響系數,了解究竟是哪個因子的變動對DAU的影響大。

新老用戶的DAU波動變化如下圖所示:

需要注意的是,DAU數據以周為維度呈現周期效應,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日的數據來計算影響系數。

  • 老用戶影響系數=(99.9-117.0)/(138.8-158.1)=88.6%
  • 新用戶影響系數=(38.9-41.1)/(138.8-158.1)=11.4%

小b得出結論:老用戶的影響系數遠高于老用戶,由此而言,老用戶對于DAU的影響比老用戶更為顯著。

經過分析可以看出來老用戶影響程度大。

因此,小b進一步拆解老用戶的構成,將老用戶的變動因子分為以下幾個維度:

在充分考慮老用戶的變動因子后,針對老用戶的流量來源,小b將App的老用戶進行拆解。

小b將App M的老用戶拆解為5個來源,分別計算各來源數據對DAU總變化量的影響,充分定位原因。數據如下圖所示:

  • 來源1影響系數=(60.1-71.4)/(138.8-158.1)=58.5%
  • 來源2影響系數=(16.9-22.4)/(138.8-158.1)=28.5%
  • 來源3影響系數=(8.6-9.6)/(138.8-158.1)=5.2%
  • 來源4影響系數=(13.1-13.7)/(138.8-158.1)=3.1%
  • 來源5影響系數=(1.3-0)/(138.8-158.1)=-6.7%

通過以上數據可知,來源1對DAU指標的負面影響最大,來源2次之;基本能確定是來源1和來源2出現了問題;

所以最后小b著重排查了來源1和來源2。

最后,定位問題并解決。

在排查來源之后,小b與來源1和來源2的相關負責人一起定位問題。根據經驗,以及對業務的了解,最終把問題定位在以下幾個方面:

  • 渠道投放:新渠道投放不穩定
  • push:數據歸因問題
  • 站內活動:補貼力度下降

針對以上問題,小b提出了對應的解決方案,并對方案進行了優先級排序。

在評估各方面后,小b打算著重解決新渠道投放不穩定和push歸因這2個問題。

之后,小b采用了較為嚴格的AB實驗去驗證問題,最終發現問題出現在push歸因上,解決了問題。

四、總結

這部分我們簡單總結如何應對DAU驟降的問題,方案主要如下所示:

文中案例基于實際業務,進行了一定程度的模糊化處理。讀者可以借鑒這個案例來探討DAU指標異常的拆解思路。

我們可以通過對比前后數據、考慮不同因素的影響、使用科學驗證方法等手段,來識別DAU指標異常的原因。

本文由 @燒肉女士 原創發布于人人都是產品經理,未經授權,禁止轉載

題圖來自Unsplash,基于CC0協議

該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 目前還沒評論,等你發揮!