產品日活DAU降低，我該如何着手分析？

寫在最前：上一篇文章寫的是用戶增加的思考框架，可是其實咱們大多數人在工做中都是隻負責其中一小塊，可能寫一些具體的細分問題會對你們更有幫助。

故第二篇文章，我選擇了一個具體的問題着手寫。產品核心數據異常是在工做中常常會遇到的問題，也是常見的互聯網面試問題。在此我結合網上的一些分享以及本身的經驗，總結一些思考分析框架，讓你們在遇到此類問題的時候有一個明確的着力點。

案例簡介

   一款信息流APP平時日活穩定在79w-80w之間，可是在6月13日起忽然掉到了78.8w，到6月15日已經掉到78.5w，這時產品負責人着急了，讓你儘快排查一下數據下跌的緣由。這樣的問題對大多數人來講仍是比較頭疼的，由於對於80w量級的產品，一兩萬並非一個很是大的波動，但緣由仍是要排查。拿到這個問題，會以爲不知道從哪點着手開始分析？不要緊，咱們把經常使用套路捋清楚了，而後回頭再看這個案例。

核心點：

先作數據異常緣由的假設，後用數據驗證假設

不建議你們第一步先本身對着數據去拆，影響日活數據的因素不少，不可能把全部維度逐一拆解對比，容易浪費時間卻沒有任何有價值的發現。

作數據異常緣由分析的核心就是結合以往經驗及各類信息，找出最有可能的緣由假設，經過數據的拆分進行多維度分析來驗證假設，定位問題所在。過程當中可能會在原假設基礎上創建新的假設或者是調整原來假設，直到定位緣由。

第一步：確認數據真實性

  在開始着手分析前，建議先確認數據的真實性。咱們常常會遇到數據服務、數據上報、數據統計上的BUG，在數據報表上就會出現異常值。因此，找數據流相關的產品和研發確認下數據的真實性吧。

第二步：根據幾個常見維度初步拆分數據

計算影響係數：每一項數據都要和以往正常值作對比，算出影響係數。

影響係數=(今日量-昨日量)/(今日總量-昨日總量)

影響係數越大，說明此處就是主要的降低點

以上是幾種常見的初步拆分維度，經過初步拆分，定位緣由大體範圍。

第三步：異常範圍定位後，進一步作假設

針對初步定位的影響範圍，進行進一步的排查。分三個維度來作假設，建議針對數據異常問題專門建一個羣，拉上相應的產品、技術、運營人員一塊兒，瞭解數據異常時間點附近作了什麼產品、運營、技術側調整。

綜合考慮以往數據異常緣由、產品運營技術側調整、初步定位的影響範圍最可能由什麼緣由形成，再結合自身業務經驗肯定幾個最可能的緣由假設，給這些假設排數據驗證的優先級，逐一排查。

最後：細分假設，確立緣由

除了上述，能夠細分分析的維度實在太多，邏輯上說核心點在於一個假設獲得驗證後，在這個假設爲真的基礎上，進行更細維度的數據拆分。咱們須要記住這種分析方式，當猜想是某種緣由形成數據異常時，只要找到該緣由所表明的細分對立面作對比，就能夠證實或證僞咱們的猜想，直到最後找到真正緣由。

案例分析

以上就是核心數據異常的分析套路，是否是剛纔拿到問題還不知道從哪開始分析，如今以爲其實有不少點能夠去着手？讓咱們回到剛纔的案例吧。

根據上述套路，首先咱們拆分新老用戶活躍量，以下圖（老用戶左軸、新用戶右軸）：

  發現老用戶日活較平穩，可是新用戶自6月13日降低嚴重，因而計算新老用戶影響係數：

老用戶影響係數=(77.89-78)/(78.8-79.5)=0.16

新用戶影響係數=(0.98-1.5)/(78.8-79.5)=0.84

新用戶影響係數0.84，說明DAU降低是出在新用戶身上，明確範圍後進一部細分，新用戶由什麼構成？

新用戶=渠道1+渠道2+渠道3+其餘渠道 ，因而咱們把新用戶日活按渠道進行拆分：

  經過渠道拆分，咱們發現渠道3自6月13日起新用戶降低嚴重，因而咱們把問題定位在渠道3，應該是渠道3的渠道效果發生問題。聯繫渠道3的負責人一塊兒定位具體緣由，渠道線索量下降？渠道轉化率下降？渠道平臺的問題？找出緣由後，再針對緣由解決問題，制定渠道優化策略。

最後要說的

至此本篇文章已到尾聲，詳細敘述了核心數據異常的分析套路以及講了一個易於你們理解的小案例，相信你們下次再遇到這類問題，至少有一個明確的着手點。還有一些想對你們說的是：

  爲了方便你們理解，這個小案例的數據是我虛構的，問題定位過程也比較簡單。可是在實際業務中，數據異常的影響緣由多是多方面的（本篇只講到了一些內部因素，外部環境和競對其實也會影響核心數據），有的時候也須要創建統計分析模型來作一些定量分析。可能要花幾天的時間去不斷排查問題，這個過程繁瑣且枯燥，假設驗證失敗可能會有挫敗感，或許忙活了好久可是最後並無找出緣由。其實這是很正常的事情，數據異常分析甚至對於一個資深數據分析師都是一個使人頭疼的問題。因此咱們須要在平時工做中多留意數據變化，隨着對業務的熟悉和數據敏感度的提高，針對數據異常分析咱們也會愈來愈熟練，更快找到問題所在。

  但願本篇內容對你們有實際的幫助，後續想了解更多互聯網數據分析相關內容，歡迎關注點贊轉發，歡迎一塊兒探討更多話題。

wechat：luoluo963

郵箱：youlu2409@163.com