DAU是互聯網人逃不開的一個詞，它的重要性可想而知。當我們查看數據面板時，發現其曲線呈現不佳狀態，該如何冷靜分析，并尋找合適的解決方案？本文總結了相關內容，與你分享。

DAU是互聯網人逃不開的一個詞，幾乎每家互聯網公司都對DAU的波動視若洪水猛獸。

將DAU比做一個城市的人口，這個城市的繁榮程度取決于每天有多少人在城市里生活、工作和消費。而DAU也是同理，它反映了一個應用程序每天有多少活躍用戶，它的增長與下降直接影響了該應用程序的生存與發展。

DAU指標的重要性不言而喻。

因此，當我們查看數據看板時，發現DAU的數據曲線呈現不佳的形態，指標陡降，內心可能會感到慌張。

在這種情況下，我們不能自亂陣腳，而是要冷靜分析，尋求有效解決方案。

一、數據異常分析

DAU數據異?？煞譃橐韵氯絹矸治觯?/p>

1. 明確數據是否異常

一些業務模式會有明顯的周期效應。

業務模式不同，DAU數據呈現的規律各異。

有些業務呈現周維度規律，比如電商，周中是數據低谷、周末是高峰；而金融類則完全相反，周末是低谷、周中是高峰。

有的業務極度依賴節假日，比如對于OAT行業來說，五一、十一等節日的到來是顯著利好時期。

有的業務還會受到天氣等自然因素的影響，比如下雨天打車App的用戶量會有明顯的上升；然而共享單車的用戶量會呈下降趨勢。

我們要清楚這個變動是否是異常的，是否值得進一步探究，主要是從以下幾個方面來分析：

• 環比上周
• 同比去年
• 一段時間的趨勢
• 是否是特殊節點

從幾個維度可知：此次變動是否是異常情況，若為異常，則需要進一步分析原因。

2. 了解數據變化的原因

一是明確數據的準確性。

如果是客戶端埋點上報異常，且是歷史就有的埋點，大概率是版本更新造成的。事實上，版本更新的問題不會使DAU數據跌零，但是會有明顯的下降，因為不是所有的原因都更新了App。

如果是數據處理異常，比如數倉產出數據有問題，也許是口徑迭代導致的，可能是切換了底表，上游服務端查的還是舊表，也可能是口徑改了，很多場景沒有兼容。

二是明確產品側的變動。

分析時，我們需要確認最近app是否有功能上的迭代變化，新功能是否會對DAU產生影響。

舉一個簡單的例子：

為了提高用戶的留存、提升App的DAU，最近產品側上線了簽到有獎功能，用戶連續登陸App可以獲得相應的優惠券；

然而產品忽略了一個事情：App的核心用戶是高端商務用戶，用戶的消費能力高，對平臺的優惠感知力度不夠；

因此，新功能反而影響用戶體驗，降低DAU。

我們需要進一步明確DAU的變化與產品上線的實踐吻合度有多高，是否后期需要調整。

三是明確運營側的變動。

在分析的時候，我們需要確認最近app是否有運營上的變化，抑或者是特殊事件的影響。

舉兩個簡單的例子：

某些app的營銷活動一旦結束（例如電商促銷活動如618、雙十一），它們的DAU會顯著下降；

或者由于一些政策性原因，國家取消了健康碼/行程碼，這導致相關app（例如支付寶）的DAU有了明顯的下降。

基于以上的分析，分析人員可大致了解DAU指標異常的查詢方向。接下來，則需要對DAU進行更深入的拆解。

3. 排查變動因子

我們需要通過拆解DAU指標，對DAU涉及的每個因子逐一進行排查。

從用戶構成的角度分析，拆解與DAU指標相關的多個層級，可得到以下公式：

根據公式，我們按照以下步驟來排查：

首先，將DAU涉及的用戶類型劃分為日新增用戶和回訪老用戶。

然后，將異常類型劃分為四類：自然新增用戶異常、運營新增用戶異常、回訪老用戶數異常、老用戶留存率異常。

通過仔細地檢查和分析數據，我們可以確認是否存在異常值或者其它異常情況。

最后，如果發現某些因子存在異常情況，我們需要結合數據特征和業務背景等方面進一步深挖，明確影響因子變動的各個因素，分場景排查問題，找出問題的根源。

若是日新增用戶存在異常，則需要進一步探究是自然新增異常還是運營新增異常。

• 自然新增用戶：數據是否與投放相互侵占，是否有站內活動上的變化……
• 運營新增用戶：可按照渠道往下拆解
  （具體的廣告投放的內容，請移步筆者其它內容）：

若是單一渠道異常，則需要考慮是否是投放出了問題；是某個渠道投放的人群不匹配，還是某個渠道的歸因有問題，還是媒體側的算法有問題，還是……

若是多個渠道異常，則需要考慮投放的整體策略是否出了問題；主要從投放素材、投放落地頁、投放人群、承接方式等方面考慮；

若是回訪老用戶存在異常，則需要進一步探究是回訪老用戶數異常還是留存率異常。

回訪老用戶數：

設備：涉及IOS、安卓（華為、小米、OPPO、VIVO）、小程序、H5等，分析是否存在技術問題，一個技術漏洞可能會導致某個設備的DAU急劇下降；

舉一個簡單的例子：

某App的老用戶有明顯的下降；

按照設備來拆分DAU后發現：蘋果、華為、小米、VIVO的DAU都比較穩定，沒啥大的波動；但是OPPO的DAU有明顯的下降；

那么很大概率是OPPO這個設備出現了問題，需要重點排查。

• APP版本：可能是由于某個版本發布后出現了問題，結合前面提到的設備，很可能是技術漏洞所致；
• 投放：可能是召回用戶的投放出了問題，主要從投放渠道、投放人群等多方面考慮；
• 觸達：發送的短信數量、push通知數、站內信數量是否發生了明顯的變化，以及各自對應的觸達率和點擊率是否有所變化；

舉一個簡單的例子：

某App經過排查數據，發現push的DAU有明顯的下降，但是發送數量卻沒有明顯的變化；

push的觸達率變化不大，但點擊率卻明顯下降了；

分析人員在一通分析后，排除了是技術問題的可能，最終將目光放在了文案上；

他們發現：push的點擊率跟文案內容有很大的關系，文案中包含越多的優惠信息，用戶點擊的幾率越大。

老用戶留存率：

投放：考慮站外投放和站內承接這兩方面的變化（具體的廣告投放的內容，請移步筆者其它內容）；

• 站外投放主要從投放素材、投放時間、投放人群等方面分析變動及其原因；
• 站內承接主要從內容、利益點和形式等方面進行分析；

觸達：推送的策略是否存在問題，考慮推送內容、落地頁接收等；

舉一個簡單的例子：

某電商App給鞋類忠實用戶發送短信，短信的內容是關于Nike鞋的優惠信息；

然而，由于運營配置時的失誤，用戶在點擊短信鏈接后，跳轉的是美妝的落地頁；

這必然會影響用戶體驗，造成用戶的流失；

站內活動：考慮App內舉行的促銷、折扣、活動等方面的改變，主要涉及折扣力度、活動規則、獎勵方式等方面的調整；

二、問題解決

通過以上三步分析，我們基本能夠確認DAU下降的根本原因，但是都是基于以往的經驗，或者是對業務、用戶的理解分析得出來的猜想，并不能說是最終結論，需要進行證實。在具體問題具體分析的原則上，我們提供了常規的解決方案來應對猜想。

首先，根據猜想提出解決方案。我們需要從影響因子本身出發，著重考慮因子的影響范圍、影響程度、影響的可能性和方案的難度。

其次，我們需要對驗證方案進行優先級排序，主要考慮方案的重要程度和緊急程度，按照排列順序進行猜想驗證。

需要注意的是：

技術層面出現的故障可以在短時間內得到修復；

然而產品和運營方面對DAU指標的影響速度較慢，需要經過相對較長的測試周期才能得出準確結論。

DAU異常下降是一個比較嚴重的問題，方案的選擇需要考慮方案的有效性和效率。

然后，猜想驗證最好是進行單因素驗證，嚴格控制變量，采用精準的AB對比實驗，這樣我們就可以更清晰地辨認出影響因素，減少歸因問題。

最后，我們進行方案驗證、數據分析，不斷迭代優化方案，直到數據恢復正常。

三、總結

這部分簡單總結應對dau下降的方法：

1. 發現問題：查看數據趨勢，判斷數據變動是否異常；
2. 收斂問題：了解數據變化的原因，排查變動因子；
3. 得出猜想：根據經驗、歷史數據等，提出驗證方向；
4. 解決問題：采用優先級排序、單因素驗證等來驗證猜想，解決問題；