APP的DAU下降得很厉害，奈何一直找不到原因。当DAU数据异常，该如何分析原因，解决问题？本文对此进行了总结分析，希望对你有所启发。

小a最近很苦恼，App M的DAU下降得很厉害，一直找不到原因。

于是，本着“专业的事要交给专业的人”的原则，他花重金挖来专家小b，希望能解决此事。

小b果然是有两把刷子，来了之后没多久就发现了问题的症结，并开始着手解决问题，让金主爸爸小a不禁大呼“这钱花的值”。

那么问题到底是怎么解决的？小b到底是如何力挽狂澜的？

各位看官老爷，请接着往下看……

一、数据异常分析

当DAU指标异常时，我们并不推荐分析人员仅仅根据经验和业务情况对DAU指标下降的原因进行猜测。

这种方法可能会存在误差，而且无法验证猜测的有效性，甚至猜测的结果可能会与真实情况背道而驰。

相比之下，在DAU异常时，我们更建议分析人员通过对DAU的拆解，考虑各种因素对DAU的影响，并推断出最有可能影响指标的因素。这些被影响的因素可能包括应用程序稳定性、内容质量或者市场营销策略等等。

在此基础上，我们可以采用科学的验证方法，以确定最有可能的原因，比如单因素验证测试等。这种方法更为科学和可靠，可以更好地确保我们能够准确和及时地发现并解决任何应用问题。

解决DAU异常的问题，核心在于拆解DAU指标构成，先做指标异常原因的猜想，再用数据验证猜想。

DAU异常主要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

我们要先确定异常变化的标准。

比如：

周环比或年同比上升或下降的幅度超过5%，则判断为异常变化；

或者DAU连续一周累积上升或下降幅度超过10%则判断为异常。

至于，标准如何确定？

不同的App，具有不同的判断标准和数据容忍度。

为了确立标准，可以观察近6个月的DAU波动数据，并以波动较大的时间点对应的数据变化作为参考标准。

确定完标准后，再将实际值与标准值做对比。若实际值大于标准值，则为数据异常情况，需要进一步分析原因。

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，让我们来计算影响系数，了解究竟是哪个因子的变动对DAU的影响大。

经过深入的分析和计算，我们发现可以发现新老用户分别对DAU的影响程度。

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。

二、数据异常解决

在排查来源之后，分析人员需要与相关负责人一起定位问题。根据我们的经验，以及对业务的了解，确定问题验证的几个方向。

在确定方向后，我们运用以下4步来验证并解决：

首先，我们提出了对应的解决方案，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。

其次，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。

再次，我们验证方案，严格控制变量，采用严格的AB对比实验，清晰地辨认出影响因素，减少其它因子干扰。

最后，数据分析，并且不断迭代优化方案，直至数据恢复正常。

三、案例分析

1. 案例简介

App M是一款工具类app，平时的日活稳定在140-160万，但是突然在4月15日这天出现了骤降，仅为134.8万，并且数据持续走低。

这几天的DAU指标已处于几周以来的低位，问题已经比较严重了，需要尽快排查并解决。

2. 问题定位与解决

在问题刚出现的时候，小a就猜测是App版本更新的问题；然而，技术排查了2天，都一无所获，反而浪费了时间。

小b接手之后，就比较有章法，他有一套比较成熟的方法论来指导。

下面，我们来介绍小b是如何解决上述案例问题的。

首先是明确数据是否异常。

小b观察了App M近6个月的DAU波动数据。根据小b的经验和历史数据判断，App M的周环比数据的变化幅度超过5%，则可视为异常情况。

然后，小b通过数据分析可知：App M有较为明显的周期性效应，一般工作日是DAU数据的低谷期，而周末则是高峰期。

然而，4月15日和16日虽然是周末，但数据却呈下降态势，并持续走低，与常规不符。

此外，周环比数据降幅超8%，高于所规定的5%，且排除特殊节点的可能性。

因此，从上述分析可判断，此次DAU变动为数据异常情况。

其次，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；
• 产品侧：上线签到功能；迭代站内交互方式；下线老用户承接页面；
• 运营侧：重新调整投放预算分配；开通新的投放渠道；调整push推送策略；

在大致了解DAU的查询方向后，接下来，小b对DAU进行了更细致的拆解。

然后，排查变动因子。

小b仔细地计算了影响系数，了解究竟是哪个因子的变动对DAU的影响大。

新老用户的DAU波动变化如下图所示：

需要注意的是，DAU数据以周为维度呈现周期效应，并且在4月15日突然下降。

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=(99.9-117.0)/(138.8-158.1)=88.6%
• 新用户影响系数=(38.9-41.1)/(138.8-158.1)=11.4%

小b得出结论：老用户的影响系数远高于老用户，由此而言，老用户对于DAU的影响比老用户更为显著。

经过分析可以看出来老用户影响程度大。

因此，小b进一步拆解老用户的构成，将老用户的变动因子分为以下几个维度：

在充分考虑老用户的变动因子后，针对老用户的流量来源，小b将App的老用户进行拆解。

小b将App M的老用户拆解为5个来源，分别计算各来源数据对DAU总变化量的影响，充分定位原因。数据如下图所示：

• 来源1影响系数=(60.1-71.4)/(138.8-158.1)=58.5%
• 来源2影响系数=(16.9-22.4)/(138.8-158.1)=28.5%
• 来源3影响系数=(8.6-9.6)/(138.8-158.1)=5.2%
• 来源4影响系数=(13.1-13.7)/(138.8-158.1)=3.1%
• 来源5影响系数=(1.3-0)/(138.8-158.1)=-6.7%

通过以上数据可知，来源1对DAU指标的负面影响最大，来源2次之；基本能确定是来源1和来源2出现了问题；

所以最后小b着重排查了来源1和来源2。

最后，定位问题并解决。

在排查来源之后，小b与来源1和来源2的相关负责人一起定位问题。根据经验，以及对业务的了解，最终把问题定位在以下几个方面：

• 渠道投放：新渠道投放不稳定
• push：数据归因问题
• 站内活动：补贴力度下降

针对以上问题，小b提出了对应的解决方案，并对方案进行了优先级排序。

在评估各方面后，小b打算着重解决新渠道投放不稳定和push归因这2个问题。

之后，小b采用了较为严格的AB实验去验证问题，最终发现问题出现在push归因上，解决了问题。

四、总结

这部分我们简单总结如何应对DAU骤降的问题，方案主要如下所示：

文中案例基于实际业务，进行了一定程度的模糊化处理。读者可以借鉴这个案例来探讨DAU指标异常的拆解思路。

我们可以通过对比前后数据、考虑不同因素的影响、使用科学验证方法等手段，来识别DAU指标异常的原因。