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。

一、数据异常分析

DAU数据异常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

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。

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。

4. 修正影响因素

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。

二、数据异常解决

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。

三、案例分析

1. 案例简介

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。

2. 问题定位与解决

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：

• 技术侧：更新App版本；修复版本bug
• 产品侧：修改站内补贴玩法；
• 运营侧：开通新的投放渠道；增加整体投放预算；

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。

• 老用户影响系数=(35.6-35.9)/(56.4-59.8)=8.8%
• 新用户影响系数=(20.8-23.9)/(56.4-59.8)=91.2%

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：

• 自然影响系数=(16.68-19.36)/(56.4-59.8)=78.8%
• 渠道1影响系数=(1.65-1.83)/(56.4-59.8)=5.3%
• 渠道2影响系数=(1.59-1.81)/(56.4-59.8)=6.5%
• 渠道3影响系数=(0.75-0.90)/(56.4-59.8)=4.4%
• 渠道4影响系数=(0.12-0)/(56.4-59.8)=-3.5%

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：

• 自15号以来，公司增加了对外部投放的预算，但并没有带来新用户的增长；
• 异常是由新增用户整体策略的问题引起的；

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：

• 新客承接方式变化
• 新客补贴玩法调整
• 系统bug

针对以上的原因定位，小b制定了相应的解决方案：

• 随机抽取一部分用户，将其承接方式切换至旧方案；将新旧方案进行对比；
• 随机抽取一部分用户，将其补贴方式切换至旧方案；将新旧方案进行对比；
• 修复系统bug；

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。

1. 技术人员修复系统bug，但小b发现bug修复前后，新客的DAU并未有明显的变化；
2. 小b又严格控制变量，采用严格的AB TEST，减少其它因子的干扰，来验证承接方式的影响力。但实验组和对照组并未有明显的差距；

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。

四、总结

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。