【实战案例】APP流量预估方法

several days ago，接收到Boss发来的需求：“根据我们DAU历史趋势，预估一下未来一年的DAU以及MAU”
虽然听上去有点点扯，DAU与运营行为是强相关的，But不能回怼boss“这是伪需求！！！”还是要认真打工。
经过2天调研，终于找到一个解题路径，供大家参考哈

解题分5步：
1. 分析过去1年的DAU数据，有无趋势性、周期性、随机性？（一般情况下是3类都有的）
2. 计算各个因素对DAU数据的影响幅度
3. 根据各个规律的影响计算DAU预估值
4. MAU短期波动较小，与DAU预估方法不同，选取特征指标，计算MAU归回模型
5. 绘制拟合曲线，以及根据历史数据计算误差区间
* 这里用到的主要软件是R语言(Rstudio) 和 Excel。

1. 分析DAU数据

# 导入相关的时间序列、数据处理包---要先install.packages(" ")各个包哈~
library(timeDate)
library(timeSeries)
library(fUnitRoots)
library(data.table)
library(reshape2)

dau<-fread('Data_APP_DAU&MAU.txt',header = TRUE)# 导入DAU&MAU数据
dau<-subset(dau,select = c('date','APP DAU'))# 筛选时间、DAU字段
names(dau)<-c('date','dau_app')
dau<-dau[order(dau$date,decreasing = FALSE),]# 按日期升序排序---时间序列必须按照时间排序

xtimeseries<-ts(dau$dau_app,frequency = 7,start=1)# 生成时间序列对象，以及7天（1周）为一个波动周期(这里波动周期根据业务情况来定哈)）
plot.ts(xtimeseries)# 画时间序列图，观察整体数据趋势

aa<-decompose(xtimeseries)# 找到各个趋势
plot(aa)# 结论：数据包含趋势 & 周期性 & 随机性

Rstudio代码截图

plot.ts(xtimeseries)：时间序列图，观察整体数据趋势

上图观察到：DAU数据中既包含整体趋势性（trend 下滑）、也包含规律性（seasonal）、随机性（random）。
接下来做各个影响因素的评估。

2. 计算各个因素对DAU数据的影响幅度

一般情况下，流量是多重因素影响的，也就是上述趋势性、规律性、随机性都有。
思路是：预估值=DAU基数+各个影响因素波动率
根据变动趋势定基数，根据节假日定在基数上的波动率

1>DAU基数，根据去年和今年的DAU基数变化率计算
    例如：2021年6月日均DAU 10w，2022年6月日均DAU 8w，变化率=(8w-10w)/10w=-20%
               2021年7月日均DAU 9w，预估2022年7月日均DAU基数=9w*(1-20%)=7.2w

2>节假日变化率，因为我从事的是线下零售业，DAU会与休息日强相关，这里主要分两类节假日星期类、节日类
    比如：周五周六>周一周二>周三周四周日，520、2.14情人节、中秋元旦国庆也会有增长

3. 根据各个规律的影响计算DAU预估值

这里计算比较粗略，把星期波动率 与 节假日波动率直接累加，忽略了例如：某一天既是周五又是节假日的影响。

4. MAU短期波动较小，与DAU预估方法不同，选取特征指标，计算MAU归回模型

计算MAU，这里我选取的指标是：DAU、近30天DAU最大值、近30天DAU最小值、近30天DAU均值、每日新访客数，计算出来比较显著的特征如图所示：

data_logist<-fread('Data_APP_DAU&MAU.txt',header = TRUE)# 导入数据
lm.reg <- lm(data_logist$`APP MAU`~data_logist$`APP DAU`++data_logist$max+data_logist$min+data_logist$avg)# 计算回归模型
summary(lm.reg)# 模型的各项指标

回归曲线（y=a*x1+b*x2+c*x3+...+b）

根据回归公式计算出每日MAU（近30天活跃用户数）

5. 绘制拟合曲线，以及根据历史数据计算误差区间

计算预估值与真实值误差率基本在10%内

计算方法尚有不足，有疑问或者有兴趣一起学习的朋友，可以留言/私信哈。