突发DAU指标异常,如何快速识别问题症结?

0 评论 1956 浏览 25 收藏 13 分钟

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:

  1. 发现问题:查看数据趋势,判断数据变动是否异常;
  2. 收敛问题:了解数据变化的原因,排查变动因子;
  3. 得出猜想:根据经验、历史数据等,提出验证方向;
  4. 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;

本文由 @烧肉女士 原创发布于人人都是产品经理,未经授权,禁止转载

题图来自Unsplash,基于CC0协议

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 目前还没评论,等你发挥!