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。