APP的DAU数据波动，是什么问题？本文结合具体案例，与大家谈谈数据异常该如何分析以及解决，希望对你有所帮助。
上文（DAU狂跌近15%！如何快速挽救？）说到金主爸爸小a重金聘请了小b来解决App M的DAU异常的问题。
为啥小a能快速锁定小b，在极短的时间内挖来小b？
这事儿还得追溯到去年，小b总是能高效地查找App N的DAU数据波动问题，让平台躲过了不少坑。机缘巧合之下，被小a知道了，于是才有了高薪聘请这一出。
然而，本文要讲的并不是小b在App N时的高光时刻，而是他面对DAU时的无可奈何。
DAU数据异常分为以下三步来分析：
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：
首先，我们需要确定异常变化的标准。
然后，分析计算数据波动情况，并与标准进行比较，以确定数据是否异常。
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。
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，让我们来计算案例的影响系数，了解究竟是哪个因子的变动对DAU的影响大。
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。
通过以上分析，我们可以初步确定DAU异常是由什么导致的。
然而，也会存在一些特殊情况，可能会对我们对DAU异常原因的判定造成偏差。
我们需要对影响每日新增用户的因素进行了进一步分析，计算每一个因子的DAU变化率。
通过计算变化率，再结合我们积累的历史经验和对业务的实际了解，我们可能会得出与前面不一样的结论。
根据我们对第二部分的分析，总结可能发生的异常。针对异常，我们需要进一步对投放渠道进行深入的研究和分析。
然后，我们与相关业务人员进行详细的沟通，再去定位问题，确定异常验证的方向。
针对以上的原因定位，我们提出对应的解决方案。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。
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，并开始正式验证。
有时候，尽管我们明确了问题定位，并知道了解决问题的方向，但是结合实际情况，问题却不能马上解决。
平台的运营策略的变化，需要充分考虑补贴范围、平台定位、财务规划等等，跟平台的整体战略规划强相关，往往牵一发而动全身，需要慎重对待。
App N是一款工具类App，它的规模较小，日活跃用户数量通常稳定维持在55-60万左右。作为上市不到10个月的新应用，它主要针对小众垂类用户，其中包含个别价格敏感型用户。
具体DAU情况如下图所示：
从上述趋势图来看，4月15日数据小量下跌，数据出现了轻微波动，但是下降趋势并没有持续发生。
虽然DAU的趋势情况并没有进一步恶化，仍需要进一步分析原因，查看情况是否正常。
这是因为小体量的App往往缺乏品牌影响力和用户数量，这意味着即使出现轻微的问题，也可能会导致用户流失，给产品造成损失。
因此，需要更细致地跟踪和监测各项关键指标，及时发现问题并进行解决。
小b在了解App N的DAU变化后，并没有以为数据波动小就掉以轻心，而是仔细分析，小心求证。
下面，我们来介绍小b是如何解决案例中的问题的。
第一，明确数据是否异常。
由于App N是新产品，刚上架不久，因此无法制定年同比的标准；
因此，小b将重点制定周环比的数据标准。
基于前期DAU增长缓慢，根据经验及历史数据，小b将5%制定为标准，即App的周环比数据上下变化浮动超过5%被视为异常情况。
在明确异常标准之后，小b分析计算数据波动情况，并与标准进行比较。
通过数据计算可知：4月15日数据出现了小量下跌，同比下降5.7%，超出标准；但从16日开始，下降幅度缩小，并没有持续扩大，且在标准范围之内。
第二，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：
在大致了解查询方向之后，小b对DAU指标进行更细致的拆解。
第三，排查变动因子。
小b仔细地计算了影响系数，新老用户的DAU波动变化如下图所示：
需要注意的是，App N的DAU数据以周为维度呈现一定的周期效应，并且在4月15日下降。
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。
通过上述计算，小b发现新用户的影响系数更高，新用户对于DAU的影响比老用户更为显著。
小b将新用户分为以下几个维度：
针对新用户的流量来源，将App的老用户进行拆解。小b将App N的新用户拆解为5个来源，分别计算各来源对DAU总变化量的影响。
数据如下图所示：
通过以上数据可知，小b发现自然新增用户对DAU指标的负面影响最大，基本能确定是自然新增用户出现了问题。
第四，修正影响因素。
从上述的数据分析可知：15日的DAU异常是由自然新增用户的问题导致的。
然而，根据数据观察，小b发现：自然新增用户占比超过80%，因此即使是微小的变化也会对新增用户数产生较大的影响。
小b在计算变化率后，发现不同来源所归因的数据变化基本相同。具体数据如下所示：
通过上述数据的分析，又结合了历史经验，小b推翻了前面的结论。
小b得出了新结论：DAU异常并非仅仅由自然用户的原因导致，而是由新增用户整体出现问题所引起的。
最后，解决DAU异常问题。
小b通过数据分析，和对公司业务的总体把控，总结的异常如下所示：
小b又与相关业务人员进行详细的沟通，最终把DAU异动的原因定位在以下3个方面：
针对以上的原因定位，小b制定了相应的解决方案：
在评估各方面的因素之后，小b打算着重解决系统bug和新客承接方式这2个问题。
以上2个问题并不是造成DAU异常的原因，最终小b将问题定位在新客补贴方式的调整上。
他采用严格的AB TEST，结果发现补贴方式与新客DAU强相关；数据异常的原因是补贴力度下降，导致一部分新客无法到达补贴门槛而放弃使用App；
小b尽管已经明确了DAU异动的原因，也验证了新客补贴的有效性，但是最终也没有去调整新客补贴的金额。
虽然每个用户获得的补贴金额可能不大，但是对于平台来说，可能是一笔巨大的费用。所以即使短时间内会造成一部分用户流失，策略也不能轻易变化。
本文介绍的案例基于实际业务，在适当的情况下进行了模糊化处理，以保护相关业务的数据安全和隐私。
通过借鉴这个案例，我们可以探讨DAU指标异常的拆解思路。可以运用多种方案，如数据对比和科学分析等，来识别DAU异动的原因，并对相关的运营策略进行调整。
此外，与常见的分析法（突发DAU指标异常，如何快速识别问题症结？）相比，本案例增加DAU影响因素的修正分析，重点考虑了一些特殊情况的发生，从而更加准确地找出了问题的源头。
这个案例有助于我们更好地理解和应用DAU监控体系，提升我们的数据分析和决策能力。
本文由 @烧肉女士 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
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。