編輯導(dǎo)讀：DAU是指日活躍用戶數(shù)量，常用于反映網(wǎng)站、互聯(lián)網(wǎng)應(yīng)用或網(wǎng)絡(luò)游戲的運(yùn)營情況。作為數(shù)據(jù)分析師，最怕老板突然關(guān)心“昨天的DAU怎么下降了”，這時(shí)候應(yīng)該怎么從業(yè)務(wù)的角度給老板滿意的答復(fù)呢？本文作者將分享自身做DAU監(jiān)控以及用戶增長的經(jīng)驗(yàn)，希望對你有幫助。

“同一個(gè)世界，同一個(gè)老板”，作為數(shù)據(jù)分析師，相信此情此景你也一定經(jīng)歷過：正在埋頭工作，突然收到老板的一條微信，昨日的DAU為啥降了？然后你“一頓操作猛如虎”，但令人焦灼的是，面對一大堆數(shù)據(jù)“仔細(xì)一看還是原地杵”……

那么我們該如何建立科學(xué)的數(shù)據(jù)分析體系，并從業(yè)務(wù)的角度給到老板最滿意的答案呢？接下來筆者將結(jié)合自身做DAU監(jiān)控以及用戶增長的經(jīng)驗(yàn)，給到屏幕面前的你實(shí)用的干貨知識！

一、梳理你所在公司的用戶增長模式

在構(gòu)建DAU流量監(jiān)控體系前，建議通過業(yè)務(wù)人員調(diào)研、公司組織架構(gòu)等途徑，摸清楚真正驅(qū)動(dòng)企業(yè)用戶增長的“核心模式”是什么，以便為后續(xù)建立DAU監(jiān)控體系提供基礎(chǔ)；否則，無頭蒼蠅般地從各個(gè)維度拆解數(shù)據(jù)，會(huì)讓整個(gè)分析工作變得非常低效。

盡管不同業(yè)務(wù)形態(tài)、以及不同發(fā)展階段的公司，其用戶增長模式各有差異，但都可以從拉新策略和促活策略進(jìn)行分解。

常見的拉新策略有：

1. 流量采購。比如通過廠商預(yù)裝、應(yīng)用商店渠道、信息流廣告、搜索廣告、網(wǎng)盟廣告等途徑付費(fèi)采購流量。
2. 基于微信生態(tài)的社交裂變。比如歸功于微信流量的支持，趣頭條會(huì)通過“領(lǐng)取金幣任務(wù)”吸引老用戶參與“邀請新用戶”的活動(dòng)；微信讀書依靠“組隊(duì)抽取無限卡”的裂變活動(dòng)，僅僅半年就暴漲百萬用戶。

常見的促活策略有：

1. 外部渠道促活。比如：通過push喚起App；頭條系的APP矩陣可以互相促活；在廣點(diǎn)通第三方媒體投放基于“RTA+個(gè)性化商品素材”技術(shù)的實(shí)時(shí)動(dòng)態(tài)出價(jià)廣告，可以對不活躍的老用戶進(jìn)行促活；朋友圈內(nèi)打開一篇來自知乎的文章后，點(diǎn)擊“App內(nèi)打開”的底部浮層按鈕可以喚起知乎App；通過負(fù)一屏的weiget小組件可以喚起App等；雙十一短信促活。
2. 社交裂變。例如，拼多多的拼團(tuán)砍價(jià)；趣頭條喚醒沉睡老用戶可以賺錢金幣。
3. 紅包補(bǔ)貼。往往補(bǔ)貼力度越高，促活的效果越好。
4. 電商的養(yǎng)成類游戲。比如支付寶的螞蟻森林、拼多多的多多果園、美團(tuán)的小美果園等。
5. 用戶運(yùn)營活動(dòng)。比如簽到任務(wù)、積分體系等，促活效果取決于虛擬幣變現(xiàn)的能力。

值得注意的是，在梳理用戶增長的核心驅(qū)動(dòng)力時(shí)，需要重點(diǎn)識別影響DAU增長的核心要素。

舉個(gè)例子，盡管雖然很多公司會(huì)有簽到任務(wù)、積分體系、老拉新任務(wù)等用戶激勵(lì)體系，但由于兌換商品吸引力不足等原因?qū)е掠脩魠⑴c度非常低，所以不足以成為促進(jìn)用戶回流的核心手段；

而對于很多App，Push拉活、RTA廣告促活已經(jīng)是提升老用戶活躍度的標(biāo)配手段，促活用戶的DAU占比可達(dá)10%以上，那么在DAU監(jiān)控體系中必須將push和rta廣告等促活方式作為監(jiān)控的重點(diǎn)。

二、搭建數(shù)據(jù)監(jiān)控預(yù)警體系

1. 判定DAU是否異常

常用的方法是：看日環(huán)比絕對值、周同比絕對值、日環(huán)比、周同比、以及最近30天的變化趨勢。

可以基于經(jīng)驗(yàn)判斷異常變化的Δ，比如日環(huán)比、周同比上升或下降超過5%可以判定為異常；或者日環(huán)比絕對值、周同比絕對值上升或下降超過 xx 萬判定為異常。

這個(gè)異常Δ怎么設(shè)定呢？可以觀察至少3個(gè)月的DAU波動(dòng)數(shù)據(jù)，將波動(dòng)較大的時(shí)間點(diǎn)所對應(yīng)的數(shù)據(jù)變化幅值作為異常 Δ。

為實(shí)現(xiàn)自動(dòng)化，建議將下圖的監(jiān)控報(bào)表進(jìn)行數(shù)據(jù)產(chǎn)品化：即每日以郵件抄送各部門領(lǐng)導(dǎo)層；并在DAU處于異常時(shí)，給數(shù)據(jù)分析組發(fā)送報(bào)警郵件，以便于分析師第一時(shí)間排查診斷，做到在領(lǐng)導(dǎo)還沒有張口發(fā)問怎么回事之前，就已經(jīng)知曉背后的原因。

2. 構(gòu)建DAU拆解的指標(biāo)體系

在DAU被判定為異常增高或者異常下降時(shí)，就需要基于前面提到的“用戶增長模式”，對DAU進(jìn)行拆解以定位業(yè)務(wù)原因了。

這里值得一提的是，因?yàn)閿?shù)據(jù)分析師的職責(zé)就在于通過科學(xué)的方法量化業(yè)務(wù)的表現(xiàn)，所以如果能給到業(yè)務(wù)方這樣的論述，比如：這次DAU日環(huán)比下降 50% 的原因是由xxx貢獻(xiàn)，30%是由于xxx貢獻(xiàn)，20%是由于xxx貢獻(xiàn)， 更能夠凸顯自己在數(shù)據(jù)分析方面的專業(yè)性。

為了對異動(dòng)原因進(jìn)行科學(xué)的量化和歸因，可以按照完全窮盡、互相獨(dú)立地去拆解日活：

拆解的第一層級為：

DAU =? 當(dāng)日新增用戶 + 首次外部喚起App的老用戶 +? 首次自然啟動(dòng)App的老用戶?

DAU中老用戶的拆解，借用了渠道廣告歸因中“首次歸因”的思想，即將全部功勞歸因到用戶行為路徑上的首次行為屬性。例如，某個(gè)用戶當(dāng)日先通過手機(jī)桌面圖標(biāo) 自然啟動(dòng)App，然后又通過push啟動(dòng)了App，但由于“自然啟動(dòng)App”是用戶當(dāng)日行為序列中的首次行為，該用戶的這 1個(gè)DAU功勞將100%全部歸給“自然啟動(dòng)”，push功勞為0。

說明下第一層拆解指標(biāo)的具體計(jì)算方式：

1. 新增用戶可以利用當(dāng)天激活的設(shè)備數(shù)來計(jì)算；
2. 外部喚起老用戶可以通過埋點(diǎn)統(tǒng)計(jì)字段（啟動(dòng)入口）進(jìn)行區(qū)分，當(dāng)啟動(dòng)入口為非桌面圖標(biāo)啟動(dòng)時(shí)記做外部喚起；
3. 自然啟動(dòng)的老用戶，可以通過DAU-當(dāng)日新增用戶-自然啟動(dòng)老用戶計(jì)算。

拆解的第二層級為：

• 新增用戶。可按照渠道、機(jī)型等維度來進(jìn)一步拆分，以細(xì)化異動(dòng)是哪個(gè)拉新渠道的問題；
• 外部喚起App的老用戶。可按照首次喚起App的入口（比如Push、RTA廣告、微信等）拆分。即 首次外部喚起App的老用戶數(shù)= 首次push喚起App的老用戶數(shù) + 首次RTA廣告喚起App的老用戶數(shù) +? ….
• 自然啟動(dòng)App的老用戶，可按照用戶訪問App的目的進(jìn)行拆分。具體是，通過對用戶站內(nèi)核心行為的先后發(fā)生順序進(jìn)行分析，將DAU的貢獻(xiàn)歸因于首個(gè)核心行為模塊。比如，某產(chǎn)品的滲透率較高的核心模塊有：A、B、C，那么自然啟動(dòng)App的老用戶 = 站內(nèi)首次進(jìn)入A模塊的老用戶 +站內(nèi)首次B模塊的老用戶 +?站內(nèi)首次C模塊的老用戶 +?其他行為模塊的老用戶?！钙渌袨槟K的用戶」，是指未發(fā)生以上前面任何核心行為的用戶。舉例，某資訊平臺(tái)App，可以根據(jù)用戶的「主動(dòng)搜索的關(guān)鍵詞（比如百萬紅包活動(dòng)、某爆款新品名稱、某大V名字）」、「領(lǐng)取金幣」、「某大V粉絲通過個(gè)人頁面的關(guān)注列表進(jìn)入大V的個(gè)人頁面」、「通過消息頁面查看xxx發(fā)送的消息」這些主動(dòng)行為，來分析用戶來到App的原因是什么。

這里需要說明的是，如果App核心功能和使用場景比較單一，可以不對自然啟動(dòng)的老用戶進(jìn)行拆解。

3. 計(jì)算波動(dòng)貢獻(xiàn)度

指標(biāo)Xi的波動(dòng)貢獻(xiàn)度=指標(biāo)Xi的變化幅度/DAU的變化幅度。貢獻(xiàn)度越大，說明該指標(biāo)對波動(dòng)的解釋效果越好。通過波動(dòng)貢獻(xiàn)度，我們將異常原因定位到是新增用戶、還是外部喚起老用戶、還是自然回流老用戶部分有問題。

比如下面虛構(gòu)的例子，DAU日環(huán)比上升70W，盡管RTA廣告、微信啟動(dòng)等也有上升，但是波動(dòng)貢獻(xiàn)很小，而老用戶回流的波動(dòng)貢獻(xiàn)可達(dá)93%，所以問題范圍就縮小為老用戶回流為何上升。

一般地，如果發(fā)現(xiàn)「新增用戶」「外部喚起老用戶」的異常波動(dòng)貢獻(xiàn)度較大，可以進(jìn)一步按維度拆解指標(biāo)并計(jì)算波動(dòng)貢獻(xiàn)度，例如按渠道拆分「新增用戶」，發(fā)現(xiàn) A 渠道的波動(dòng)貢獻(xiàn)度最高，那么A渠道就是造成DAU波動(dòng)的主要原因。

如果發(fā)現(xiàn)「老用戶回流」異常波動(dòng)貢獻(xiàn)度較高，需要排查是否是由于內(nèi)外部環(huán)境變化導(dǎo)致（內(nèi)部變化：新發(fā)版出現(xiàn)bug、運(yùn)營活動(dòng)、產(chǎn)品功能；外部變化：節(jié)假日、市場變化、競品策略、熱點(diǎn)輿論事件等）。

對于外部因素引起的老用戶回流異常，可以結(jié)合競品數(shù)據(jù)、百度搜索指數(shù)、去年同期數(shù)據(jù)進(jìn)一步確認(rèn)；

對于內(nèi)部因素引起的老用戶回流異常：

• 如果要排查是否是發(fā)版bug導(dǎo)致，可以拆分操作系統(tǒng)和版本進(jìn)行排查
• 一般地，產(chǎn)品功能、運(yùn)營活動(dòng)的影響，可以按照首次歸因的思想，計(jì)算打開App后首次進(jìn)入活動(dòng)頁面（或者訪問產(chǎn)品功能）的用戶Δ增量，只有該 Δ 占 DAU波動(dòng)Δ 的比例非常高，才能說明該活動(dòng)對于DAU有顯著的影響。

三、向上匯報(bào)異常原因

通過上述的波動(dòng)貢獻(xiàn)度計(jì)算和逐層下鉆，我們可以找出DAU波動(dòng)的主要因素，和業(yè)務(wù)方核實(shí)確認(rèn)后，就可以郵件或微信同步上級領(lǐng)導(dǎo)?？蓞⒖家韵赂袷竭M(jìn)行匯報(bào)：

各位領(lǐng)導(dǎo)和同事，

xx月xx日的DAU為xxxx，周同比下降xx。

主要原因是：xxxx

建議是：1、xxxx；2、xxx；3、xxx；

四、結(jié)束語

結(jié)合自己淺薄的工作經(jīng)歷來看，盡管日活的監(jiān)控診斷工作可能非常繁瑣枯燥，但它可以很好地鍛煉我們的數(shù)據(jù)敏感性。比如，當(dāng)你完成多輪的拆解歸因后，就能知道大概率有哪些因素可能會(huì)引起DAU的劇烈漲跌，而哪些因素影響較小，以及哪些拆解指標(biāo)是需要重點(diǎn)關(guān)注的，同時(shí)DAU波動(dòng)的排查工作也會(huì)變得越來越嫻熟。

以上就是DAU波動(dòng)診斷的全部內(nèi)容了，希望大家都能夠有所啟發(fā)。由于本文的案例均來源于實(shí)際工作，其中的部分結(jié)論可能并不適合所有業(yè)務(wù)場景；另外，限于自己的知識和視角，本文難免存在一些考慮不周的情況，一些分析方法和思路也許并非最優(yōu)，若有不足之處，歡迎大家在評論區(qū)探討。

本文由 @郝笑笑 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于 CC0 協(xié)議