从实践出发聊聊DAU分析

分享一个在互联网企业中超超超超超超级常见的问题分析方法。

前言：互联网企业经营过程中，流量是一切运营行为的基础，一旦流量出现较大波动，那么围绕DAU分析以及制定执行经营策略就会成为整个公司的重心所在。如果你在百度搜索“DAU分析”，会有大量的资料提供给我们，而且一看就会一做就废，要么拆解的维度庞杂且实现难度大，要么与自身业务情况不适用，或者所用的方法回答不了DAU波动原因这个问题。今天不讲那些大工程，就讲快捷好用的方法，从实践出发来说说DAU分析的思路。

DAU即每天访问网站的用户数量，它受到哪些方面的影响呢？比如跟刚刚过去的520，一定是电商非常喜欢的节日，微博出现一个爆点大新闻，又比如平台搞活动，这些都可能会对DAU产生影响，那如何能快速定位到问题所在呢？

接下来围绕3个主题展开：
1. DAU分析思路
2. DAU归因分析步骤
3. DAU提升策略讨论

一、DAU分析思路

在阐述DAU分析思路前，先来看常见的数据分析过程：
1> 老板发现DAU最近有所下降，于是找来业务负责人问原因、解决方案；
2> 业务找到了数据负责人，提出猜测哪个渠道DAU降了？哪些地区降了？用RFM模型分析一下？
3> 接下来，数据人员开始跑数...

【以某APP今年1月份DAU变化分析为例】

step1：分析DAU趋势及DAU波动率
1> 从1.1-1.31期间DAU整体有下滑趋势；
2> 对比近30天每日DAU的波动率，发现在1.8-1.21期间DAU处在较低水平；
3> 特别注意1.13当天DAU出现大幅下滑，需要分析原因。
* 波动率=（当日DAU-近30天DAU均值）/近30天DAU均值，此处DAU均值取每日过去30天均值或统计时间内均值取决于哪个逻辑更能表达清楚数据的变动趋势，可根据实际的业务及数据表现选择。

step2：是哪些用户不来访问了呢？对DAU做人群打开分层，分析各个分组的变化趋势和波动率
1> 先从用户的活跃度来分层，活跃度依据当天打开APP的用户上一次打开APP距今天数来划分，将每天DAU划分为8组，其中1*[1,7]为最活跃的一组，7*[180,+]为最不活跃的一组，新客为当天首次打开打开APP的用户组；
2> 分析各个活跃度用户组每天的DAU，以及每组用户在1.1-1.31期间DAU的波动率，绘制热力图，红色表示增长，数值越大颜色越饱和，绿色表示降低，数值越小颜色饱和度越高；
3> 通过观察下图中波动率热力图我们发现1.9-1.17期间非活跃用户DAU出现大幅降低，并且在1.13当天各个活跃度用户DAU均出现大幅降低。
* 用户组波动率=（该组当日DAU-该组近30天DAU均值）/该组近30天DAU均值

由此得出结论：非活跃用户减少，应该给非活跃用户即90天以上未访问APP的用户发短信、电话回访。

这种结论大概率会被业务方告知“那几天确实发短信量少了”或“这个建议的可执行空间较小”，也可能提出更多的疑问来找数据验证，随之而来的就是数据人员陷入长时间写SQL跑数据的过程中，在做了数据验证后还是找不到可以执行的策略，对此问题不了了之，最后数据人员认为需求不明确，业务人员认为数据不懂业务。

为什么会出现这种情况？不仅没有找到DAU提升的办法，还导致大家人困马乏！

因为你没有从公司/需求方的角度思考问题，没有理解DAU是人的行为产生的结果。
1> 个人理解的商业或者说生意，是从想法开始，通过各种方式投入市场测试，如果市场需要用户就会聚集起来，即DAU是认为操作的结果；
2> 对一个简单的问题，是非常容易找到答案的，但对于多因素影响的问题，就需要不断地分析论证直到找到结论，而DAU的归因分析正是一个复杂问题，它有一个建立推翻再建立的过程；
3> 数据分析或者非运营人员，非常容易陷入一个思维逻辑“从结果倒推原因”，就会导致无法形成可操作的方案，当然，并不是说不对，只是还不够。

如何才能把人的行为与DAU数据结果结合起来呢？
下图中我们把人的行为分为3类，企业内部的运营行为、APP产品行为，外部的节日、舆情等；
再尝试从各个行为人的角度来分析DAU的影响因子（即具体的工作内容），以及你可以做什么来影响DAU。

我们发现DAU的影响因素可能是促销活动、商品缺货、短信推送、系统bug、公共事件等，因此原因的准确定位以及应对策略的可操作性是非常重要的，除此之外，数据要可以反映每一个想法带来的结果。

二、DAU归因分析步骤

有了分析思路后，一个完整的DAU归因分析包括哪些内容？
1> 发现问题：DAU趋势数据，以及异常标识；
2> 分析问题：需要建立大量的用户标签，帮助快速定位分析；（当无法准确定位原因时，可以多维度判断，看看是否可以推导出相似结论。）
3> 解决方案：------。

接下来【以某APP今年1月份DAU变化分析为例】来看看数据监控看板的实现过程。

step1：下图数据为基于商品价格偏好、渠道来源、操作系统、活跃度的用户标签集，并统计每天各用户组DAU。

全是数，看着好晕，怎么办？
step2：改成DAU波动率来看看吧。

咦，是不是视觉上好看了一些？但只看波动率数字还是不太直观...

step3：试试可视化看板吧，把数字转换成图形。（除非你每天都大把时间看数据，以及你的需求方也是如此，否则没有人会喜欢盯着满屏数字看的哦！）
我们又发现不同的用户组间DAU数据量差异较大，且对整体DAU的影响力不同，对不同用户组设置差异化的波动预警阈值可能更加合理。

有了相对完整的分析框架，以及对应的数据结果后，是不是数据分析就变得简单多啦！

三、DAU提升策略讨论

在商业环境中流量≈收入，流量的获取无外乎线上/线上、公域/私域，而获客的基本逻辑就是满足客户需求，帮客户解决问题。

定位到具体的DAU波动原因后，这个问题原因的改善可能是容易解决的，比如产品功能bug的修复、短信推送量的减少、商品涨价；也可能是不容易解决的，比如爆款商品的停售、商品质量变差、竞争对手的降价竞争；同时定位清楚原因，并不代表一定要补齐这些短板，也可以从别的方向来做DAU提升。
（对于DAU的分析，非常容易陷入为了分析而分析，虽然我是职业数据分析师，但还是要讲：过度依赖数据，反而是思考的惰性。）

本篇暂时给不出非常明确的DAU提升策略（毕竟每类业务都需要具体问题具体讨论），但如果你有好的方法或者只是个想法，也欢迎留言或私信告诉我。

文末：
去年小编提着一袋子健身棒，想去摆摊挣点零花钱，8块钱1个，货采购回来了，收钱码也准备好了。好多朋友给建议，去公园门口，晨练的老人们肯定会感兴趣的，周末公园门口的小孩也会喜欢的。于是周六下午踩点3条街，一条街云集了近百家小商贩（无店面的流动摊位），一条街是古镇几乎无店铺锻炼的老人较多，一条商业街以有店面的商家为主，转悠了2-3个来回，愣是没敢把手里挣钱的家伙事儿往下放！（看着平时无人管理的地方，实际都有城管在巡检。）

我想表达的是：如果想法没有实践，大概会一文不值，理论与实践如隔霄壤。

如果你有好的方法或者想法，也欢迎留言或私信告诉我。