编辑导读:DAU是指日活跃用户数，常用来反映网站、互联网应用或网络游戏的运营情况。作为数据分析师，最怕老板突然关心“DAU昨天怎么跌的？”这时候我应该如何从业务角度给老板一个满意的答复？笔者将分享自己在DAU监测和用户增长方面的经验，希望对你有所帮助。
“一个世界，一个老板”，作为数据分析师，相信你一定经历过这种情况:你正在努力工作，突然收到老板的微信。为什么DAU昨天下降了？然后你“操作猛如虎”，但令人担忧的是，当面对大量数据时，“仔细看，还是会原地踏步”…
那么如何才能建立科学的数据分析体系，从业务角度给老板一个最满意的答案呢？接下来，我将结合自己在DAU监测和用户增长方面的经验，给各位屏幕前的实用干货知识！
首先梳理一下你公司的用户增长模式。
在构建DAU流量监控系统之前，建议通过对业务人员和公司组织架构的调查，了解“核心模式”真正带动企业用户增长的是什么，为后续建立DAU监控系统提供基础；否则，无头苍蝇会从各个维度拆解数据，使得整个分析工作效率非常低。
不同业务形态、不同发展阶段的公司，虽然用户增长模式不同，但都可以从拉新品、推广活动的策略上进行分解。
常见的拉新策略有:
购买流程。比如通过厂商预装、应用商店渠道、信息流广告、搜索广告、线上联盟广告等付费购买流量。基于微信生态的社交裂变。比如得益于微信流量的支持，趣头条会通过“集金币”吸引老用户参与“邀请新用户”的活动；微信阅读依靠“组队抽无限卡”的裂变活动，短短半年时间就飙升至百万用户。促进活动的常见策略有:
外部渠道促进活力。比如:唤起App通过推送；头条的APP矩阵可以互相促进；在广点通第三方媒体投放基于“RTA+个性化商品素材”技术的实时动态竞价广告，可以促进不活跃老用户的活跃度；在朋友圈打开一篇来自知乎的文章后，点击“在App中打开”底部浮动图层按钮，唤醒知乎App；App可以通过负屏的weiget widget唤醒；双十一短信促生活。社交裂变。比如拼多多的团议价；有趣的头条唤醒沉睡的老用户用金币赚钱。红包补贴。往往补贴越高，推广效果越好。电子商务开发游戏。比如支付宝的蚂蚁森林，拼多多的多多果园，美团的小美果园等。用户的操作活动。比如签到任务，积分制等。，推广效果取决于虚拟货币的变现能力。值得注意的是，在梳理用户增长的核心驱动因素时，需要重点识别影响DAU增长的核心要素。
比如很多公司虽然有签到任务、积分制、新旧任务等用户激励制度，但由于缺乏可兑换商品的吸引力，用户参与度很低，不足以作为推动用户回归的核心手段；
对于很多app来说，推送和rta广告已经成为提升老用户活跃度的标准手段，活跃用户的DAU可以占到10%以上。因此，在DAU监测系统中，必须将推送和RTA广告等主动推广方式作为监测的重点。
第二，构建数据监测预警系统。
1.确定DAU是否不正常。
常用的方法是:看日链绝对值，周环比绝对值，日链，周环比，最近30天的变化趋势。
异常变化的δ可以根据经验判断。比如日环比、周环比的涨幅或跌幅超过5%就可以判定为异常；或者日环比绝对值和周同比环比增减绝对值超过xx万，判定为异常。
这个不正常的delta怎么设置？可以观测至少3个月的DAU波动数据，将波动较大的时间点对应的数据变化幅度作为异常δ。
为了实现自动化，建议将下图的监测报告数据化:即每天通过邮件给各部门领导发一份；并且在DAU出现异常时，给数据分析团队发送报警邮件，让分析师第一时间检查诊断，在领导开口询问是怎么回事之前，知道背后的原因。
2.构建DAU拆卸指标体系。
当判断DAU异常增加或减少时，需要根据前述“用户增长模式”拆解DAU，定位业务原因。
这里值得一提的是，由于数据分析师的职责是通过科学的方法对经营业绩进行量化，如果你能给业务方这样的说法，比如这次DAU环比下降50%的原因是因为xxx的贡献，30%是因为xxx的贡献，20%是因为xxx的贡献，就能突出你在数据分析方面的专业性。
为了科学地量化和归因于交易的原因，我们可以完整地、独立地拆解日常活动:
第一级拆卸是:
DAU =当天新用户+第一次对外唤起App的老用户+第一次自然启动App的老用户。
DAU老用户拆解借用了渠道广告归因中“第一归因”的思想，即将所有信用归于用户行为路径上的第一行为属性。比如某用户当天通过手机桌面图标自然启动App，然后通过推送启动App。但是，由于“自然启动App”是当天用户行为序列中的第一个行为，因此该用户的所有DAU信用将归于“自然启动”，推送信用为0。
说明下一级拆解指标的具体计算方法:
新用户可以用当天激活的设备数量来计算；老用户的外部唤醒可以通过埋点统计字段来区分，当启动条目为非桌面图标启动时，记录为外部唤醒；对于自然启动的老用户，可以通过DAU-新用户当天自然启动老用户的计算。第二级拆卸是:
添加用户。可以进一步按照渠道、模式等维度进行拆分，从而细化交易是哪个新渠道的问题；对外唤起App老用户。可以根据最先唤起App的入口来拆分。即首次外部唤醒App的老用户数=首次推送唤醒App的老用户数+首次RTA广告唤醒App的老用户数+……启动App的老用户自然可以根据用户访问App的目的进行拆分。具体地说，通过分析用户站中的核心行为序列，DAU的贡献归因于第一核心行为模块。举个例子，一个产品渗透率高的核心模块是:A、B、C，那么启动App的老用户自然=站内首次进入A模块的老用户+站内首次进入B模块的老用户+站内首次进入C模块的老用户+其他行为模块的老用户。“其他行为模块的用户”是指没有执行过任何上述核心行为的用户。这里需要注意的是，如果App的核心功能和使用场景都比较简单，自然启动的老用户就没必要拆解了。
3.计算波动的贡献。
Xi指数的波动贡献= Xi指数的变动幅度/DAU的变动幅度。贡献越大，该指数对波动的解释效果越好。通过波动贡献，我们将异常原因定位为是新用户，还是老用户的外部唤醒，还是老用户的自然回归。
例如，在下面这个虚构的例子中，DAU比上个月下降了70W。RTA广告和微信创业虽然也有下滑，但是下滑贡献较小，而老用户回归的下滑贡献可以达到93%。于是问题的范围就缩小到为什么老用户的回头率降低了。
一般如果发现“新用户”和“外部唤起老用户”的异常波动贡献较大，可以进一步对指标进行维度分解，计算波动贡献。例如，如果将“新用户”按渠道拆分，发现渠道A的波动贡献最高，那么渠道A就是DAU波动的主要原因。
如果发现“老用户回归”的异常波动贡献较高，就要检查是否是内外部环境变化导致的。
对于外部因素导致的老用户非正常回归，可以结合竞品数据、搜索指数、去年同期数据进一步确认；
对于内部因素导致的老用户非正常回归:
如果想检查发布bug是否是原因，可以拆分操作系统和版本来检查。一般可以按照先归因的思路计算产品功能和运营活动的影响。只有当三角洲在DAU涨落三角洲中占很高比例时，这种活动才能对DAU产生重大影响。
三。向上级报告异常原因。
通过以上波动贡献的计算，并逐层向下钻取，可以找出DAU波动的主要因素，与业务端核实确认后，通过邮件或微信同步上级领导。您可以参考以下格式进行报告:
各位领导、各位同事:
xx日DAU为xxXX，同比下降XX。
主要原因是:xxxx
建议:1。xxxx；2、xxx3、xxx
四。结束语
结合自己浅薄的工作经验，虽然日常的监测诊断工作可能比较繁琐枯燥，但是可以很好的锻炼我们的数据敏感度。比如你完成了几轮拆解归因后，就可以知道哪些因素可能大概率造成DAU的大起大落，哪些因素影响较小，哪些拆解指标需要重点关注。那么你的DAU波动研究将变得更加高效和熟练。
这就是关于DAU波动诊断的全部内容。希望能对大家有所启发，也欢迎大家在评论区讨论相关内容或者加我V私聊。
本文由@郝晓晓原创发布。每个人都是产品经理。未经许可，禁止复制。
来自Unsplash的图像，基于CC0协议。
