APP的DAU數據波動，是什么問題？本文結合具體案例，與大家談談數據異常該如何分析以及解決，希望對你有所幫助。

上文（DAU狂跌近15%！如何快速挽救？）說到金主爸爸小a重金聘請了小b來解決App M的DAU異常的問題。

為啥小a能快速鎖定小b，在極短的時間內挖來小b？

這事兒還得追溯到去年，小b總是能高效地查找App N的DAU數據波動問題，讓平臺躲過了不少坑。機緣巧合之下，被小a知道了，于是才有了高薪聘請這一出。

然而，本文要講的并不是小b在App N時的高光時刻，而是他面對DAU時的無可奈何。

一、數據異常分析

DAU數據異常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

首先，我們需要確定異常變化的標準。

然后，分析計算數據波動情況，并與標準進行比較，以確定數據是否異常。

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，讓我們來計算案例的影響系數，了解究竟是哪個因子的變動對DAU的影響大。

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。

4. 修正影響因素

通過以上分析，我們可以初步確定DAU異常是由什么導致的。

然而，也會存在一些特殊情況，可能會對我們對DAU異常原因的判定造成偏差。

我們需要對影響每日新增用戶的因素進行了進一步分析，計算每一個因子的DAU變化率。

通過計算變化率，再結合我們積累的歷史經驗和對業務的實際了解，我們可能會得出與前面不一樣的結論。

二、數據異常解決

根據我們對第二部分的分析，總結可能發生的異常。針對異常，我們需要進一步對投放渠道進行深入的研究和分析。

然后，我們與相關業務人員進行詳細的溝通，再去定位問題，確定異常驗證的方向。

針對以上的原因定位，我們提出對應的解決方案。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。

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，并開始正式驗證。

有時候，盡管我們明確了問題定位，并知道了解決問題的方向，但是結合實際情況，問題卻不能馬上解決。

平臺的運營策略的變化，需要充分考慮補貼范圍、平臺定位、財務規劃等等，跟平臺的整體戰略規劃強相關，往往牽一發而動全身，需要慎重對待。

三、案例分析

1. 案例簡介

App N是一款工具類App，它的規模較小，日活躍用戶數量通常穩定維持在55-60萬左右。作為上市不到10個月的新應用，它主要針對小眾垂類用戶，其中包含個別價格敏感型用戶。

具體DAU情況如下圖所示：

從上述趨勢圖來看，4月15日數據小量下跌，數據出現了輕微波動，但是下降趨勢并沒有持續發生。

雖然DAU的趨勢情況并沒有進一步惡化，仍需要進一步分析原因，查看情況是否正常。

這是因為小體量的App往往缺乏品牌影響力和用戶數量，這意味著即使出現輕微的問題，也可能會導致用戶流失，給產品造成損失。

因此，需要更細致地跟蹤和監測各項關鍵指標，及時發現問題并進行解決。

2. 問題定位與解決

小b在了解App N的DAU變化后，并沒有以為數據波動小就掉以輕心，而是仔細分析，小心求證。

下面，我們來介紹小b是如何解決案例中的問題的。

第一，明確數據是否異常。

由于App N是新產品，剛上架不久，因此無法制定年同比的標準；

因此，小b將重點制定周環比的數據標準。

基于前期DAU增長緩慢，根據經驗及歷史數據，小b將5%制定為標準，即App的周環比數據上下變化浮動超過5%被視為異常情況。

在明確異常標準之后，小b分析計算數據波動情況，并與標準進行比較。

通過數據計算可知：4月15日數據出現了小量下跌，同比下降5.7%，超出標準；但從16日開始，下降幅度縮小，并沒有持續擴大，且在標準范圍之內。

第二，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；修復版本bug
• 產品側：修改站內補貼玩法；
• 運營側：開通新的投放渠道；增加整體投放預算；

在大致了解查詢方向之后，小b對DAU指標進行更細致的拆解。

第三，排查變動因子。

小b仔細地計算了影響系數，新老用戶的DAU波動變化如下圖所示：

需要注意的是，App N的DAU數據以周為維度呈現一定的周期效應，并且在4月15日下降。

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=(35.6-35.9)/(56.4-59.8)=8.8%
• 新用戶影響系數=(20.8-23.9)/(56.4-59.8)=91.2%

通過上述計算，小b發現新用戶的影響系數更高，新用戶對于DAU的影響比老用戶更為顯著。

小b將新用戶分為以下幾個維度：

針對新用戶的流量來源，將App的老用戶進行拆解。小b將App N的新用戶拆解為5個來源，分別計算各來源對DAU總變化量的影響。

數據如下圖所示：

• 自然影響系數=(16.68-19.36)/(56.4-59.8)=78.8%
• 渠道1影響系數=(1.65-1.83)/(56.4-59.8)=5.3%
• 渠道2影響系數=(1.59-1.81)/(56.4-59.8)=6.5%
• 渠道3影響系數=(0.75-0.90)/(56.4-59.8)=4.4%
• 渠道4影響系數=(0.12-0)/(56.4-59.8)=-3.5%

通過以上數據可知，小b發現自然新增用戶對DAU指標的負面影響最大，基本能確定是自然新增用戶出現了問題。

第四，修正影響因素。

從上述的數據分析可知：15日的DAU異常是由自然新增用戶的問題導致的。

然而，根據數據觀察，小b發現：自然新增用戶占比超過80%，因此即使是微小的變化也會對新增用戶數產生較大的影響。

小b在計算變化率后，發現不同來源所歸因的數據變化基本相同。具體數據如下所示：

通過上述數據的分析，又結合了歷史經驗，小b推翻了前面的結論。

小b得出了新結論：DAU異常并非僅僅由自然用戶的原因導致，而是由新增用戶整體出現問題所引起的。

最后，解決DAU異常問題。

小b通過數據分析，和對公司業務的總體把控，總結的異常如下所示：

• 自15號以來，公司增加了對外部投放的預算，但并沒有帶來新用戶的增長；
• 異常是由新增用戶整體策略的問題引起的；

小b又與相關業務人員進行詳細的溝通，最終把DAU異動的原因定位在以下3個方面：

• 新客承接方式變化
• 新客補貼玩法調整
• 系統bug

針對以上的原因定位，小b制定了相應的解決方案：

• 隨機抽取一部分用戶，將其承接方式切換至舊方案；將新舊方案進行對比；
• 隨機抽取一部分用戶，將其補貼方式切換至舊方案；將新舊方案進行對比；
• 修復系統bug；

在評估各方面的因素之后，小b打算著重解決系統bug和新客承接方式這2個問題。

1. 技術人員修復系統bug，但小b發現bug修復前后，新客的DAU并未有明顯的變化；
2. 小b又嚴格控制變量，采用嚴格的AB TEST，減少其它因子的干擾，來驗證承接方式的影響力。但實驗組和對照組并未有明顯的差距；

以上2個問題并不是造成DAU異常的原因，最終小b將問題定位在新客補貼方式的調整上。

他采用嚴格的AB TEST，結果發現補貼方式與新客DAU強相關；數據異常的原因是補貼力度下降，導致一部分新客無法到達補貼門檻而放棄使用App；

小b盡管已經明確了DAU異動的原因，也驗證了新客補貼的有效性，但是最終也沒有去調整新客補貼的金額。

雖然每個用戶獲得的補貼金額可能不大，但是對于平臺來說，可能是一筆巨大的費用。所以即使短時間內會造成一部分用戶流失，策略也不能輕易變化。

四、總結

本文介紹的案例基于實際業務，在適當的情況下進行了模糊化處理，以保護相關業務的數據安全和隱私。

通過借鑒這個案例，我們可以探討DAU指標異常的拆解思路?？梢赃\用多種方案，如數據對比和科學分析等，來識別DAU異動的原因，并對相關的運營策略進行調整。

此外，與常見的分析法（突發DAU指標異常，如何快速識別問題癥結？）相比，本案例增加DAU影響因素的修正分析，重點考慮了一些特殊情況的發生，從而更加準確地找出了問題的源頭。

這個案例有助于我們更好地理解和應用DAU監控體系，提升我們的數據分析和決策能力。