APP 的 DAU 下降得很厉害，奈何一直找不到原因。当 DAU 数据异常，该如何分析原因，解决问题？本文对此进行了总结分析，希望对你有所启发。

小 a 最近很苦恼，App M 的 DAU 下降得很厉害，一直找不到原因。

于是，本着 " 专业的事要交给专业的人 " 的原则，他花重金挖来专家小 b，希望能解决此事。

小 b 果然是有两把刷子，来了之后没多久就发现了问题的症结，并开始着手解决问题，让金主爸爸小 a 不禁大呼 " 这钱花的值 "。

那么问题到底是怎么解决的？小 b 到底是如何力挽狂澜的？

各位看官老爷，请接着往下看……

一、数据异常分析

当 DAU 指标异常时，我们并不推荐分析人员仅仅根据经验和业务情况对 DAU 指标下降的原因进行猜测。

这种方法可能会存在误差，而且无法验证猜测的有效性，甚至猜测的结果可能会与真实情况背道而驰。

相比之下，在 DAU 异常时，我们更建议分析人员通过对 DAU 的拆解，考虑各种因素对 DAU 的影响，并推断出最有可能影响指标的因素。这些被影响的因素可能包括应用程序稳定性、内容质量或者市场营销策略等等。

在此基础上，我们可以采用科学的验证方法，以确定最有可能的原因，比如单因素验证测试等。这种方法更为科学和可靠，可以更好地确保我们能够准确和及时地发现并解决任何应用问题。

解决 DAU 异常的问题，核心在于拆解 DAU 指标构成，先做指标异常原因的猜想，再用数据验证猜想。

DAU 异常主要分为以下三步来分析：

1. 明确数据是否异常

分析人员要清楚 DAU 指标的变动是否是异常的，是否是周期性波动造成的，主要从以下几个方面来探究：

环比上周

同比去年

一段时间的趋势

是否是特殊节点

我们要先确定异常变化的标准。

比如：

周环比或年同比上升或下降的幅度超过 5%，则判断为异常变化；

或者 DAU 连续一周累积上升或下降幅度超过 10% 则判断为异常。

至于，标准如何确定？

不同的 App，具有不同的判断标准和数据容忍度。

为了确立标准，可以观察近 6 个月的 DAU 波动数据，并以波动较大的时间点对应的数据变化作为参考标准。

确定完标准后，再将实际值与标准值做对比。若实际值大于标准值，则为数据异常情况，需要进一步分析原因。

2. 了解数据变化的原因

分析人员需要分别与技术、产品和运营就上述维度展开沟通。常见的异常来源如下图所示：

通过与相关人员沟通，分析人员可以更好地理解 DAU 指标异常的查询方向。这样的沟通有助于避免行动上的盲目，从而更加有效地找出问题根源。

在大致了解查询方向之后，接下来，我们对 DAU 指标进行更细致的拆解。

3. 排查变动因子

首先，从用户构成的角度分析，拆解与 DAU 指标相关的层级，可获得以下公式：

在清楚 DAU 的构成后，我们引入影响系数来判断新老用户对 DAU 变化的影响程度，公式如下所示：

影响系数越大，说明因子对 DAU 的影响力越大，越接近真实。

接下来，让我们来计算影响系数，了解究竟是哪个因子的变动对 DAU 的影响大。

经过深入的分析和计算，我们发现可以发现新老用户分别对 DAU 的影响程度。

若是老用户的影响大，则拆解老用户的构成，了解其变动因子。

若是新用户的影响大，也是同理，需要拆解新用户的构成，了解其变动因子。

在充分考虑用户的变动因子后，针对影响大的这一类用户的流量来源，将用户进行拆解。

然后分别计算各来源数据对 DAU 总变化量的影响，充分定位 DAU 指标波动异常的原因。

通过计算各来源的影响系数，我们可以知道各个来源对 DAU 指标的负面影响程度，哪个来源需要重点排查。

二、数据异常解决

在排查来源之后，分析人员需要与相关负责人一起定位问题。根据我们的经验，以及对业务的了解，确定问题验证的几个方向。

在确定方向后，我们运用以下 4 步来验证并解决：

首先，我们提出了对应的解决方案，每个问题的解决方案不同，侧重点也不同，需要具体问题具体分析。

其次，在充分考虑问题的影响范围、影响程度、方案的难度等各方面因素之后，对验证方案进行了优先级排序。

再次，我们验证方案，严格控制变量，采用严格的 AB 对比实验，清晰地辨认出影响因素，减少其它因子干扰。

最后，数据分析，并且不断迭代优化方案，直至数据恢复正常。

三、案例分析

1. 案例简介

App M 是一款工具类 app，平时的日活稳定在 140-160 万，但是突然在 4 月 15 日这天出现了骤降，仅为 134.8 万，并且数据持续走低。

这几天的 DAU 指标已处于几周以来的低位，问题已经比较严重了，需要尽快排查并解决。

2. 问题定位与解决

在问题刚出现的时候，小 a 就猜测是 App 版本更新的问题；然而，技术排查了 2 天，都一无所获，反而浪费了时间。

小 b 接手之后，就比较有章法，他有一套比较成熟的方法论来指导。

下面，我们来介绍小 b 是如何解决上述案例问题的。

首先是明确数据是否异常。

小 b 观察了 App M 近 6 个月的 DAU 波动数据。根据小 b 的经验和历史数据判断，App M 的周环比数据的变化幅度超过 5%，则可视为异常情况。

然后，小 b 通过数据分析可知：App M 有较为明显的周期性效应，一般工作日是 DAU 数据的低谷期，而周末则是高峰期。

然而，4 月 15 日和 16 日虽然是周末，但数据却呈下降态势，并持续走低，与常规不符。

此外，周环比数据降幅超 8%，高于所规定的 5%，且排除特殊节点的可能性。

因此，从上述分析可判断，此次 DAU 变动为数据异常情况。

其次，了解数据变化的原因。

小 b 与相关人员展开了沟通，了解近期业务上的波动。

通过有效的沟通，小 b 得知在 DAU 指标异常变化之前的三天（即 4 月 12 日至 4 月 14 日），业务方面发生了如下变化：

技术侧：更新 App 版本；

产品侧：上线签到功能；迭代站内交互方式；下线老用户承接页面；

运营侧：重新调整投放预算分配；开通新的投放渠道；调整 push 推送策略；

在大致了解 DAU 的查询方向后，接下来，小 b 对 DAU 进行了更细致的拆解。

然后，排查变动因子。

小 b 仔细地计算了影响系数，了解究竟是哪个因子的变动对 DAU 的影响大。

新老用户的 DAU 波动变化如下图所示：

需要注意的是，DAU 数据以周为维度呈现周期效应，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 日的数据来计算影响系数。

老用户影响系数 = ( 99.9-117.0 ) / ( 138.8-158.1 ) =88.6%

新用户影响系数 = ( 38.9-41.1 ) / ( 138.8-158.1 ) =11.4%

小 b 得出结论：老用户的影响系数远高于老用户，由此而言，老用户对于 DAU 的影响比老用户更为显著。

经过分析可以看出来老用户影响程度大。

因此，小 b 进一步拆解老用户的构成，将老用户的变动因子分为以下几个维度：

在充分考虑老用户的变动因子后，针对老用户的流量来源，小 b 将 App 的老用户进行拆解。

小 b 将 App M 的老用户拆解为 5 个来源，分别计算各来源数据对 DAU 总变化量的影响，充分定位原因。数据如下图所示：

来源 1 影响系数 = ( 60.1-71.4 ) / ( 138.8-158.1 ) =58.5%

来源 2 影响系数 = ( 16.9-22.4 ) / ( 138.8-158.1 ) =28.5%

来源 3 影响系数 = ( 8.6-9.6 ) / ( 138.8-158.1 ) =5.2%

来源 4 影响系数 = ( 13.1-13.7 ) / ( 138.8-158.1 ) =3.1%

来源 5 影响系数 = ( 1.3-0 ) / ( 138.8-158.1 ) =-6.7%

通过以上数据可知，来源 1 对 DAU 指标的负面影响最大，来源 2 次之；基本能确定是来源 1 和来源 2 出现了问题；

所以最后小 b 着重排查了来源 1 和来源 2。

最后，定位问题并解决。

在排查来源之后，小 b 与来源 1 和来源 2 的相关负责人一起定位问题。根据经验，以及对业务的了解，最终把问题定位在以下几个方面：

渠道投放：新渠道投放不稳定

push：数据归因问题

站内活动：补贴力度下降

针对以上问题，小 b 提出了对应的解决方案，并对方案进行了优先级排序。

在评估各方面后，小 b 打算着重解决新渠道投放不稳定和 push 归因这 2 个问题。

之后，小 b 采用了较为严格的 AB 实验去验证问题，最终发现问题出现在 push 归因上，解决了问题。

四、总结

这部分我们简单总结如何应对 DAU 骤降的问题，方案主要如下所示：

文中案例基于实际业务，进行了一定程度的模糊化处理。读者可以借鉴这个案例来探讨 DAU 指标异常的拆解思路。

我们可以通过对比前后数据、考虑不同因素的影响、使用科学验证方法等手段，来识别 DAU 指标异常的原因。

本文由 @ 摇滚的红烧肉 原创发布于人人都是产品经理，未经授权，禁止转载

题图来自 Unsplash，基于 CC0 协议

查看原文