DAU是互联网人逃不开的一个词，它的重要性可想而知。当我们查看数据面板时，发现其曲线呈现不佳状态，该如何冷静分析，并寻找合适的解决方案？本文总结了相关内容，与你分享。
DAU是互联网人逃不开的一个词，几乎每家互联网公司都对DAU的波动视若洪水猛兽。
将DAU比做一个城市的人口，这个城市的繁荣程度取决于每天有多少人在城市里生活、工作和消费。而DAU也是同理，它反映了一个应用程序每天有多少活跃用户，它的增长与下降直接影响了该应用程序的生存与发展。
DAU指标的重要性不言而喻。
因此，当我们查看数据看板时，发现DAU的数据曲线呈现不佳的形态，指标陡降，内心可能会感到慌张。
在这种情况下，我们不能自乱阵脚，而是要冷静分析，寻求有效解决方案。
一、数据异常分析
DAU数据异常可分为以下三步来分析：
1. 明确数据是否异常
一些业务模式会有明显的周期效应。
业务模式不同，DAU数据呈现的规律各异。
有些业务呈现周维度规律，比如电商，周中是数据低谷、周末是高峰；而金融类则完全相反，周末是低谷、周中是高峰。
有的业务极度依赖节假日，比如对于OAT行业来说，五一、十一等节日的到来是显著利好时期。
有的业务还会受到天气等自然因素的影响，比如下雨天打车App的用户量会有明显的上升；然而共享单车的用户量会呈下降趋势。
我们要清楚这个变动是否是异常的，是否值得进一步探究，主要是从以下几个方面来分析：
环比上周同比去年一段时间的趋势是否是特殊节点从几个维度可知：此次变动是否是异常情况，若为异常，则需要进一步分析原因。
2. 了解数据变化的原因
一是明确数据的准确性。
如果是客户端埋点上报异常，且是历史就有的埋点，大概率是版本更新造成的。事实上，版本更新的问题不会使DAU数据跌零，但是会有明显的下降，因为不是所有的原因都更新了App。
如果是数据处理异常，比如数仓产出数据有问题，也许是口径迭代导致的，可能是切换了底表，上游服务端查的还是旧表，也可能是口径改了，很多场景没有兼容。
二是明确产品侧的变动。
分析时，我们需要确认最近app是否有功能上的迭代变化，新功能是否会对DAU产生影响。
举一个简单的例子：
为了提高用户的留存、提升App的DAU，最近产品侧上线了签到有奖功能，用户连续登陆App可以获得相应的优惠券；
然而产品忽略了一个事情：App的核心用户是高端商务用户，用户的消费能力高，对平台的优惠感知力度不够；
因此，新功能反而影响用户体验，降低DAU。
我们需要进一步明确DAU的变化与产品上线的实践吻合度有多高，是否后期需要调整。
三是明确运营侧的变动。
在分析的时候，我们需要确认最近app是否有运营上的变化，抑或者是特殊事件的影响。
举两个简单的例子：
某些app的营销活动一旦结束（例如电商促销活动如618、双十一），它们的DAU会显著下降；
或者由于一些政策性原因，国家取消了健康码/行程码，这导致相关app（例如支付宝）的DAU有了明显的下降。
基于以上的分析，分析人员可大致了解DAU指标异常的查询方向。接下来，则需要对DAU进行更深入的拆解。
3. 排查变动因子
我们需要通过拆解DAU指标，对DAU涉及的每个因子逐一进行排查。
从用户构成的角度分析，拆解与DAU指标相关的多个层级，可得到以下公式：
根据公式，我们按照以下步骤来排查：
首先，将DAU涉及的用户类型划分为日新增用户和回访老用户。
然后，将异常类型划分为四类：自然新增用户异常、运营新增用户异常、回访老用户数异常、老用户留存率异常。
通过仔细地检查和分析数据，我们可以确认是否存在异常值或者其它异常情况。
最后，如果发现某些因子存在异常情况，我们需要结合数据特征和业务背景等方面进一步深挖，明确影响因子变动的各个因素，分场景排查问题，找出问题的根源。
若是日新增用户存在异常，则需要进一步探究是自然新增异常还是运营新增异常。
自然新增用户：数据是否与投放相互侵占，是否有站内活动上的变化……运营新增用户：可按照渠道往下拆解（具体的广告投放的内容，请移步笔者其它内容）：若是单一渠道异常，则需要考虑是否是投放出了问题；是某个渠道投放的人群不匹配，还是某个渠道的归因有问题，还是媒体侧的算法有问题，还是……
若是多个渠道异常，则需要考虑投放的整体策略是否出了问题；主要从投放素材、投放落地页、投放人群、承接方式等方面考虑；
若是回访老用户存在异常，则需要进一步探究是回访老用户数异常还是留存率异常。
回访老用户数：
设备：涉及IOS、安卓（华为、小米、OPPO、VIVO）、小程序、H5等，分析是否存在技术问题，一个技术漏洞可能会导致某个设备的DAU急剧下降；
举一个简单的例子：
某App的老用户有明显的下降；
按照设备来拆分DAU后发现：苹果、华为、小米、VIVO的DAU都比较稳定，没啥大的波动；但是OPPO的DAU有明显的下降；
那么很大概率是OPPO这个设备出现了问题，需要重点排查。
APP版本：可能是由于某个版本发布后出现了问题，结合前面提到的设备，很可能是技术漏洞所致；投放：可能是召回用户的投放出了问题，主要从投放渠道、投放人群等多方面考虑；触达：发送的短信数量、push通知数、站内信数量是否发生了明显的变化，以及各自对应的触达率和点击率是否有所变化；举一个简单的例子：
某App经过排查数据，发现push的DAU有明显的下降，但是发送数量却没有明显的变化；
push的触达率变化不大，但点击率却明显下降了；
分析人员在一通分析后，排除了是技术问题的可能，最终将目光放在了文案上；
他们发现：push的点击率跟文案内容有很大的关系，文案中包含越多的优惠信息，用户点击的几率越大。
老用户留存率：
投放：考虑站外投放和站内承接这两方面的变化（具体的广告投放的内容，请移步笔者其它内容）；
站外投放主要从投放素材、投放时间、投放人群等方面分析变动及其原因；站内承接主要从内容、利益点和形式等方面进行分析；触达：推送的策略是否存在问题，考虑推送内容、落地页接收等；
举一个简单的例子：
某电商App给鞋类忠实用户发送短信，短信的内容是关于Nike鞋的优惠信息；
然而，由于运营配置时的失误，用户在点击短信链接后，跳转的是美妆的落地页；
这必然会影响用户体验，造成用户的流失；
站内活动：考虑App内举行的促销、折扣、活动等方面的改变，主要涉及折扣力度、活动规则、奖励方式等方面的调整；
二、问题解决
通过以上三步分析，我们基本能够确认DAU下降的根本原因，但是都是基于以往的经验，或者是对业务、用户的理解分析得出来的猜想，并不能说是最终结论，需要进行证实。在具体问题具体分析的原则上，我们提供了常规的解决方案来应对猜想。
首先，根据猜想提出解决方案。我们需要从影响因子本身出发，着重考虑因子的影响范围、影响程度、影响的可能性和方案的难度。
其次，我们需要对验证方案进行优先级排序，主要考虑方案的重要程度和紧急程度，按照排列顺序进行猜想验证。
需要注意的是：
技术层面出现的故障可以在短时间内得到修复；
然而产品和运营方面对DAU指标的影响速度较慢，需要经过相对较长的测试周期才能得出准确结论。
DAU异常下降是一个比较严重的问题，方案的选择需要考虑方案的有效性和效率。
然后，猜想验证最好是进行单因素验证，严格控制变量，采用精准的AB对比实验，这样我们就可以更清晰地辨认出影响因素，减少归因问题。
最后，我们进行方案验证、数据分析，不断迭代优化方案，直到数据恢复正常。
三、总结
这部分简单总结应对dau下降的方法：
发现问题：查看数据趋势，判断数据变动是否异常；收敛问题：了解数据变化的原因，排查变动因子；得出猜想：根据经验、历史数据等，提出验证方向；解决问题：采用优先级排序、单因素验证等来验证猜想，解决问题；