【数据分析】产品日活DAU下降，怎么分析

目录

案例简介

第一步：确认数据真实性

第二步：明确定义，并拆解指标，进一步定位原异常部分

第三步：根据几个常见维度初步拆分数据

第四步：进一步做假设并细分深入，得出结论

案例分析

例题

GMV下降了20%怎么分析？（GMV=访客数（uv）*订单转化率(cr)*单均价）

总结

---

例题部分转载自公众号《阿狸与小兔》。

案例简介

一款信息流APP平时日活稳定在79w-80w之间，但是在6月13日起突然掉到了78.8w，到6月15日已经掉到78.5w，这时产品负责人着急了，让你尽快排查一下数据下跌的原因。这样的问题对大多数人来说还是比较头疼的，因为对于80w量级的产品，一两万并不是一个非常大的波动，但原因还是要排查。

![产品日活DAU下降，我该如何着手分析？](https://imgconvert.csdnimg.cn/aHR0cDovL2ltYWdlLndvc2hpcG0uY29tL3dwLWZpbGVzLzIwMTkvMDYvcFgwUDNWOHI5SFpQVGx0b00zbjIucG5n?x-oss-
process=image/format,png)

核心点：先做数据异常原因的假设，后用数据验证假设。

不建议大家第一步先自己对着数据去拆，影响日活数据的因素很多，不可能把所有维度逐一拆解对比，容易浪费时间却没有任何有价值的发现。做数据异常原因分析的核心就是结合以往经验及各种信息，找出最有可能的原因假设，通过数据的拆分进行多维度分析来验证假设，定位问题所在。过程中可能会在原假设基础上建立新的假设或者是调整原来假设，直到定位原因。

第一步：确认数据真实性

在开始着手分析前，建议先确认数据的真实性。我们经常会遇到数据服务、数据上报、数据统计上的BUG，在数据报表上就会出现异常值。所以，找数据流相关的产品和研发确认下数据的真实性吧。

第二步：明确定义，并拆解指标，进一步定位原异常部分

逻辑树模型的思维，由大到小，一步一步深入。(指出拆解方法的局限性：假设缺陷、分布缺陷、估算保守/激进）

第三步：根据几个常见维度初步拆分数据

可以利用人货场模型来思考，如下图

![](https://img-blog.csdnimg.cn/2020070817171775.png?x-oss-
process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1lZSXZlcnNvbg==,size_16,color_FFFFFF,t_70)

计算影响系数：每一项数据都要和以往正常值做对比，算出影响系数。

影响系数 =(今日量-昨日量)/(今日总量-昨日总量)

影响系数越大，说明此处就是主要的下降点

以上是几种常见的初步拆分维度