增长黑客：DAU下降分析-指标异常分析框架

数有道 2023-07-28 07:06:16

DAU变化分析-指标变化分析框架

1. 季节因素

当产品或运营或你自己发现DAU下降后，第一时间是看这个变化到底是不是值得我们去进一步研究，也就是说这个变化是不是一个异常的变化。一般我们会看：

环比上周同一天
同比去年
一段时间的趋势
是不是节假日

基本上我们看完上面几个维度之后，就能定位这个数据的变化是不是异常的。如果是异常下降，我们接下来会从下面的几个方面来看。

2. 外因

跟产品同学沟通最近是不是上了新的功能，这个新的功能是不是能够对于DAU造成一定的影响。如是能够影响，那么从时间的维度来看，到底这个DAU的异常变化与产品上线的实践吻合度有多高，以及对于这个产品改动做一个更加深入的分析。
跟运营同学沟通，是不是最近上了新的活动，如果是，也是需要跟他们沟通活动的具体细节，看对于DAU的影响。一般运营活动都是通过：机器人/短信/邮件/PUSH等方式进行触达，这其中就会涉及到一个归因的问题。怎么能够说明是他们带来的呢？要么直接通过埋点的方式，用户点击之后进入APP就能获取到来源。如果没有埋点，一般就是逻辑归因了，具体就看大家能接受哪种。一般我们会看运营触达同比上周的时间点，如果刚好是13点DAU涨了，那时候运营也触达了，这就很有可能是他们带来的。当然，具体是不是他们带来的，我们需要更细的数据支持，至少，这里我们就有了方向。
跟技术沟通，是不是有新发版本，这个很有可能影响用户的登录，尤其这种对于DAU坏的影响可能更大。

当我们跟产品/运营/技术聊完之后，你就会有了大致的方向该往哪里走了。如果不聊，你可能会浪费很多的时间，最后可能还是查不出来。

3. 结构

接下来我们就能从DAU结构的角度，去看一些具体的维度。一般我们分以下几个维度来看：

设备，IOS/安卓(华为/小米…)/PC/小程序/H5。很多人可能第一反应是这有什么好看的，肯定不会有差异。但是，这个很有可能就是技术bug造成一个设备的DAU狂降。
APP版本，DAU的下降有可能就是某个版本发版之后就下降了，这个我们结合着上面设备一起，有可能是技术的bug。
时间点，同比上周的时候会看，这种有可能就是运营做了一些活动，造成了DAU的上升。看的时候，建议取第一次登录的时间点的分布。
用户群，新老用户，当然这个新老不同的公司定义不一样，你们肯定有自己定义新老的用户群体。会不会是哪个用户群体的变化。

4. 画像

最后，我们也可以看看用户画像的变化。从属性，比如一些常见的人口学特征，行为方面，是不是某些行为的用户群体发生了变化。最后，是一些偏好类型维度，比如不同用户对于不同的类型文章的偏好等等。

02 DAU异常分析总结

分析的顺便最好按照上面说顺便：季节因素-外因-结构-画像
一般DAU异常的变动，基本就是产品/运营/技术造成的。并且杀伤力最大的就是技术，一个技术bug可能带来的伤害很大，而且有可能是无法挽回的。运营，对于DAU的影响可能最常见。
我们在分析后面结构和画像时。结构可能更能发生变化，一般画像的变化不会让你一下发现，可能你隔了很久发现咱们的画像有变化了。但是像一些很异常的变化，你从结构的角度更能发现问题。

1. 案例

1）某天总体的DAU下降了

我们每天都会看核心指标的变化情况，某天我们发现DAU下降了很多，当时我们都以为是由于最近严抓用户体验，对于PUSH的治理问题，所以没有太在意这个问题。

后来，我仔细研究了一下这个问题，发现是某一个机型的下降引起的，这时候就引起了大家的注意，刚好那时候上线了版本，又更新了触达系统的平台，我就推进研发去查版本问题，查触达系统的问题。整个研究联合研发，移动开发，中台触达，数仓和分析师。最后定位了问题，就是触达系统更新导致的。修复完了之后，整个DAU就恢复了。

在这期间，我还发现某个群体的DAU是在上升的，发现是由于运营同学使用了新的触达素材，导致这部分的DAU是上升的。

这以后，我就建立了一套完整的检测DAU报表系统。以后发现问题后，能第一时间排除一些因素。

2）DAU没有多大的变化但是某个群体发现了变化

在建完DAU检测系统后，某天我发现整个DAU变化不大，但是某个端口发生了很异常的变化，我们后来继续拆解整个端口DAU的来源发现，是由于新版本不同端发版时，导致一个分享功能失效了，然后，通过这个分享带来的DAU就下降很厉害。最后，修复这个问题之后，该端口的DAU就恢复了。

03 指标异常下降分析

基于DAU变化的分析，以及工作中长时间对于异常的研究，我总结了异常分析框架，异常分析四步走：趋势-外部因素-内部结构-画像

趋势：环比上周-同比去年-时间趋势-排除假期，定位是否是异常。
外部因素：跟产品/运营/技术沟通相关的变动，注意归因问题。
内部结构：这个指标的组成，比如DAU能看不同设备，其他一些指标也能有自己的维度。
最后是画像。
需要注意的是
1. 在拆解指标的时候，根据业务经验你会有第一反映拆解的维度。
2. 拆解时候，有时候同一维度下面的不同分类的占比不一样，一定要注意每个分类的贡献率，比如DAU分不同的机型时候，一般IOS和小米的用户数就差异比较大，这时候你在定位的时候，看到总的DAU下降了10万，但是ios下降了3万，小米下价了2万，这时候IOS的贡献率就是3/10，而小米的就是2/10了。因为，有时候有可能小米的贡献率更大，那有可能就是小米导致了DAU的下降，而不是IOS了

个人经验觉得，顺序最好是四步走1234的顺序。