導讀：在互聯網產品運營中，日活數據是天天都要看的，怎么和用戶行為相結合幫助業務增長？日活上漲了或下降了，怎么快速定位日活異常波動的原因？這些都是每天需要觀察思考和全方位分析的，尤其是在日活下降的時候，往往需要花很長的時間去定位。

本文作者詳細介紹了一種快速定位日活波動的做法，供大家一同參考和學習。希望能幫助大家快速定位日活波動原因，抓住當前業務的主要問題針對性去迭代提高。

一、日活的構成

新增和活躍用戶是大家常見的一種區分日活用戶的方式，主要是衡量新增用戶和整體日活的數據表現。因為活躍用戶里面包含新增用戶，所以在日活出現波動時還會為哪部分用戶群體出現問題而頭疼。

從2019年到2020年實際日活整體呈平穩下降的趨勢，業務增長進入瓶頸期，而我們理想日活應該是在跌宕中平滑上漲，所以這里面一定是發生了什么需要我們逐層找出來(這里不考慮數據服務、數據上報、數據統計上的Bug)。

如圖，我們將日活做了三級拆解，第一級按照用戶的生命周期進行了首次拆解，分別為新增用戶、新客留存、老客留存和流失回流用戶；第二級需要考慮對每一個生命周期階段細拆的話我們應該首先關注什么；第三級要和用戶的核心行為相關聯，核心價值相關的指標才能真正反饋用戶活躍度和用戶需求的滿足度。

日活拆解第一級

第一級如果我們要精準定位到到底是哪部分的用戶群體影響了日活的波動，我們需要保證這四個層級完全獨立互不干預，這就涉及了這四部分用戶群的定義。

1. 新增用戶：當日新增的用戶數
2. 新客留存：昨天新增的用戶次日還啟動的用戶數
3. 老客留存：昨天活躍的老用戶次日還啟動的用戶數
4. 流失回流：昨天不活躍今天活躍的用戶

用戶群體拆分好并自動化實現后，我們就能在每天的日活波動中，定位到是新增、新增留存、老客留存還是流失回流用戶的問題，進而快速分解到負責新增或者老客運營的同學手中。

日活拆解第二級

第一步定位到了是誰的問題，第二步要解決怎么做的問題。

（1）新增用戶和新客留存

貼合運營側新增推廣、新增運營的策略，從渠道層面對新增做二次拆解，定位到哪個推廣渠道出現了問題，以及各個渠道的次日留存率表現。

這里面有一個容易忽略且重要的問題，新增次日留存做好了，對產品的老客的影響很大。

用戶的留存率曲線遵循冪函數的規律，次日留存率越高以后的留存越高。最容易切入且投入產出比最大的是從提升新增用戶的留存率開始，新增用戶留存率提高了后續活躍老用戶的次日留存率自然提高。

（2）老客留存

因為是以天為級別劃分的用戶，所以這里面的老客就有用戶新鮮度的問題，我們可以將老客分為活躍老客、沉默老客、流失老客。

1. 活躍老客：過去7天內打開過app的用戶
2. 沉默老客：過去7天內未打開app的用戶(7天 < 最近一次活躍時間 < 30天)
3. 流失老客：過去30天內未打開過app的用戶

活躍老客的次日留存如何關系到用戶的持續活躍能力，沉默和流失的老客回來后，后續的留存能力如何，這些都決定了后續的周人天和月人天的變化。對老客提頻是對老客運營的最重要的目的，所以建議按照用戶新鮮度建立同期群分析，觀察各類用戶群體后續的次日、3日、7日、15日、30日留存表現。

（3）流失回流用戶

流失回流用戶以天為維度進行拆分的話，在日活構成中是占比最高的一部分用戶群體，也是最需要精細化運營的一部分群體，按照用戶回流周期可以再分為活躍回流、沉默回流和流失回流。

如上流失回流用戶的每部分的次日留存率和老客留存相輔相成，影響周人天、月人天等活躍頻次，內容運營側要密切關注數據變化趨勢，策略緊跟其上。觀察每一次的策略變動用戶的活躍留存數據是否變好，還是只是注入了一針強心劑臨時起效。

另外用戶的回流方式也反映了用戶回來的真實意圖，是真有需求自主打開了，還是通過個性化Push亦或自動化Push手段回流回來，或者還有其它三方合作外部喚起的，都需要我們區別對待。

日活拆解第三級

第三層回到了產品提供給用戶的最核心的用戶行為上，日活其實是一個虛榮指標，核心價值相關的指標才是真正能夠反饋用戶活躍度的，核心行為變好了，日活的增長自然不用愁。重點提高使用核心行為的用戶占比，提高核心行為用戶參與度，密切關注核心功能高、中、低頻用戶以及無核心行為用戶的變化趨勢。

這里注意一點，我們可以將某一個核心功能按照用戶的使用頻次分為高、中、低、無，這樣我們能更好的量化用戶核心功能使用的變化，因為一個產品可能不止一個核心功能，用戶使用也不可能只用一個核心功能，會出現交叉，交叉后就不能單純的從數據上將影響波動的具體數值量化出來，所以需要按照用戶使用核心行為的頻次做出拆分。

綜上，日活提升需要在增加新用戶、新用戶留存提升、老用戶促活和流失用戶召回四個方面同時發力才能促增長。

二、日活波動異常原因定位

確認數據準確性后，拉長時間范圍觀察日活波動變化趨勢，觀察數據是否真的存在異常情況，排除日常周期性波動。脫離日常周期性波動趨勢出現陡降或陡升或有持續下降的趨勢（這里可以結合異常告警策略同步實施），這些節點都需要密切關注排查具體原因。

此時需要一個量化指標來量化某種因素對日活波動的影響程度，可通過影響系數這個指標進行計算：

影響系數 =（今日量-昨日量）/（今日總量-昨日總量）

結果越大代表該因素對日活波動的影響越大，需要首先關注并優化。

流失回流量持續減少，且在5月17日有一個大幅的降幅，繼續往下看~

沉默、活躍、流失用戶群體都在下降，但是沉默用戶的下降幅度最大，沉默回流用戶中是自主打開App的用戶量減少了，還是Push、外部喚起呢？不同的回流方式揭示了不同的問題，就像剝洋蔥一樣，層層剝下去就好了…

三、從長期日活波動趨勢中看機會

將上述各層日活波動的數據拉長時間范圍去觀察趨勢變化，看產品是往好的方向還是壞的方向發展了~

限于篇幅的限制，這里就不過多贅述了，后續可能會把點打細，各位敬請期待吧~

作者：北極星，神策數據分析師，知乎專欄：數據分析方法與實踐，致力于通過數據分析實現產品優化和精細化運營。

本文由?@北極星 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