DAU下降了,怎么办?
某年某月某天早上,你打开数据看板一看,这数据曲线不太妙啊,DAU降低了很多啊,怎么办怎么办,开始方了。
不要方,数据下跌不可怕,可怕的是数据下跌了还不知道,甚至是知道下跌了都根本找不到原因。
本文想用一个数据下降的Case来讨论下分析思路。
文章主要分为两部分,一部分是针对DAU下降原因的一些探索,一部分是针对这种问题的拓展。
一、DAU下降了,怎么办?
在我们讨论这个问题之前,需要先明确一下DAU的定义:有的公司的DAU可能是启动UV,有的公司可能是登录UV,有的公司可能是发生了特定行为的UV。
在讨论一个数据指标之前,需要先理清楚定义或者具体的计算规则、统计口径,避免讨论了很久,最后发现大家对这个指标的定义是不一样的局面。
为了简单分析,这里用的定义是启动UV,分析思路是从外部原因和内部原因两个方面入手。
1. 外部原因
首先需要明确的是数据是否准确,这可能是一个巨大无比的坑。
如果数据是依赖于客户端埋点上报的,在发新版本,或者某些功能改版的时候,很可能会出现问题。
常见的问题比如埋点缺失、上报的数据存储丢失、接口更换等;这种现象一般比较明显,对应在数据上基本上是腰斩级别的异常。
如果数据是从BI的某些报表中取的,字段的增删、数据表的更换,都可能带来数据异常,但这些异常一般比较明显。
其次是明确数据是否是周期性波动。
一些业务模式会有明显的周期效应,比如有的业务模式是周一——周五是数据低谷,周末是高峰;有的业务模式是周一-周五是数据的高峰,周末是低谷。
在当前周期往前多对比几个月的数据,基本能判断出来是常规波动还是异常波动,有的可能需要对比一下去年同期的数据。
比如有的业务模式会受到季节的影响,在某些城市,一旦到雨季,共享单车这种出行类的App就会受影响,对应的打车类的App也会受影响。
另外就是最近是否有什么节日,有些节日对业务的影响是正向的,有些节日对业务的影响是负向的。
最后是运营和市场最近有没有做什么活动,数据看起来下降可能并不是真的下降,也可能只是回归正常,只是之前的数据是高于正常水平的,所以看起来像是下降了。
有的时候到此为止就可以定义到主要的原因了,有的时候上面这些可能都是正常的,那就需要继续分解了。
2. 内部原因
有时候我们讨论的是某个功能的DAU,甚至整个业务就是某个App中的一个功能模块,这个时候,首先需要看的就是上级的入口流量或者整个App的DAU是否有变化。
我们可以通过某个公式,或者某个流程,找到所有相关联的因子,然后再层层细分,直到找到原因。
一般来说,DAU=新增用户DAU+老用户DAU+回流用户DAU
有些时候,可能没有把回流用户单独拆分出来,不重要,那就只看前两项就好。
把这几个因子都往下拆分一个或者多个层级,就得到下面这样一个基础公式。
接下来我们需要对每个因子进行排查,确定异常因子之后,再往更下面的层级进行深挖。
假定是新用户DAU异常的话,接下来就需要再往更深一层看是数量异常,还是留存率异常。
数量异常的话,可以按照渠道再往下一层拆解,看是单一渠道异常,还是多渠道异常:单渠道异常的话,是不是某个渠道的投放出问题了;多渠道异常的话,是不是削减投放预算了。
留存率异常的话,也是按照渠道再往下一层拆解,看是单一渠道异常,还是多渠道异常:单渠道异常的话,是某个渠道存在刷量的嫌疑,还是渠道投放的人群不匹配;多渠道异常的话,是不是更换了投放策略、投放素材、投放的落地页等。
假定是老用户DAU异常的话,接下来也是再往更深一层看是数量异常,还是留存率异常。
假定数量异常的话,往下再拆一层,看是安卓还是iOS异常,还是整体都异常,然后可以再按照版本进行拆分,看是不是最近哪个版本里改动什么东西了。
假定留存异常的话,也是一样的,按照终端(安卓、iOS)、版本、手机类型再进行进一步的拆分,对比最近的版本,看有没有什么改动可能会影响到。
假定是回流用户DAU异常的话,接下来也是再往更深一层看是数量异常,还是留存率异常。
假定数量异常的话,接着看一下发送的召回的短信、Push的数量有没有发生变化、到达的触达率、点击率有没有变化。
假定留存异常的话,看一下推送的策略、推送的内容是否有变化,以及进来的落地页承接有没有变化。
经过这样逐层的拆解,一般情况下是能找到一些异常点,然后需要做的就是针对这些异常点,进行不断的拆分、细分;最终找到一些我们认为可能有影响的点,得出一些猜想,然后再进行调整、测试、迭代。
二、问题回顾,拓展
我们来回顾下上面那个问题中,我们是怎么做的,以及遇到这种通用问题的时候,我们可以怎么办。
上面那个DAU下降了的问题,我们经历了这几步:
DAU下降——具体是谁下降——为什么会下降——要怎么办。
那对应在一般的问题上就是:
发现问题——收敛问题——得出猜想——验证猜想。
在发现问题的层面上,没什么好说的,日常看看数据,看异常的趋势变化,看同比环比变化。
收敛问题是把问题的范围不断缩小直到找到问题,一般是先外部再内部,整体再局部,然后不断的进行细分拆解。
外部原因就是先找找会影响当前问题的外部系统要素,有的时候可能系统本身没什么问题,只是外部环境发生了变化。
针对内部某个异常的数据排查一般可以先找到一个公式,把关联的因子都包含进去,然后再看是哪个因子异常,结合着不同的维度进行更细的拆分。
比如上面提到的DAU=新增用户DAU+老用户DAU+回流用户DAU,或者是素材投放的激活数量=曝光量*点击率*下载完成率*安装完成率*启动率*激活率。
常用的细分维度有以下这些:
- 渠道;
- 新老用户;
- 用户关键行为次数;
- 性别、年龄、地域;
- 版本;
- 终端等。
猜想一般都是在某些数据或者功能表现不好的情况下展开的,比如以下这些猜想:
- 是不是推广的渠道、方式、素材有问题,用户来了之后发现和预期不符;
- 是不是功能入口太弱,看不到;
- 是不是宣传的东西没有让用户感觉到对自己的价值;
- 是不是功能太复杂,路径太长,用户还没感觉到价值就流失了;
- 是不是功能虽然有价值,但与用户预期不相符;
- 是不是解决方案本身就有问题,不能满足需求;
- 是不是需求根本不存在。
这些都是基于以往的经验,或者是对业务、对用户的理解得出来的猜想。
猜想终归只是猜想,需要进行证实或者证伪,接下来就是基于这些猜想,给出对应的解决方案。
由于只是猜想,所以最好能用最小的成本进行验证,也就是我们说的MVP。
如何进行MVP验证?
可以按照影响的范围、影响的结果大小、影响的可能性、实现成本来按照性价比进行猜想验证,最好进行单因素验证,因素太多的话不好归因。
最后就是基于这些猜想、数据变化来进行不断的优化迭代。
简单总结下全文:
- 发现问题:看趋势、看同比、环比;
- 收敛问题:外部+内部,整体公式+不同维度细分;
- 得出猜想:基于经验,对业务、用户的理解;
- 验证猜想:MVP、性价比、单因素验证。
以上,就是本文的主要内容,欢迎斧正、指点、拍砖。
#作者#
王家郴 ,公众号:产品经理从0到1,喜欢网球和骑行的产品汪,目前奔走在产品的道路上,漫漫产品路,与君共勉。
本文
版权声明
本文来自互联网用户投稿,文章观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符,请点击 举报 进行投诉反馈!