如何分析日活跃用户异常波动

http://app.myzaker.com/news/article.php?pk=5d0704718e9f0964cc605456
（以下内容摘抄自上连接）
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。

核心点：先做数据异常原因的假设，后用数据验证假设。

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，首先应该确认数据的真实性。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：根据几个常见维度初步拆分数据

同比分析、对比分析 ？？？

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，通过初步拆分，定位原因大致范围。

第三步：异常范围定位后，进一步做假设

针对初步定位的影响范围，进行进一步的排查。分三个维度来做假设，建议针对数据异常问题专门建一个群，拉上相应的产品、技术、运营人员一起，了解数据异常时间点附近做了什么产品、运营、技术侧调整。

综合考虑以往数据异常原因、产品运营技术侧调整、初步定位的影响范围最可能由什么原因造成，再结合自身业务经验确定几个最可能的原因假设，给这些假设排数据验证的优先级，逐一排查。

最后：细分假设，确立原因

除了上述，可以细分分析的维度实在太多，逻辑上说核心点在于一个假设得到验证后，在这个假设为真的基础上，进行更细维度的数据拆分。我们需要记住这种分析方式，当猜测是某种原因造成数据异常时，只要找到该原因所代表的细分对立面做对比，就可以证明或证伪我们的猜测，直到最后找到真正原因。

案例分析

发现老用户日活较平稳，但是新用户自 6 月 13 日下降严重，于是计算新老用户影响系数：
老用户影响系数= ( 77.89-78 ) / ( 78.8-79.5 ) =0.16
新用户影响系数 = ( 0.98-1.5 ) / ( 78.8-79.5 ) =0.84
新用户影响系数 0.84，说明 DAU 下降是出在新用户身上，明确范围后进一部细分，新用户由什么构成？
新用户 = 渠道 1+ 渠道 2+ 渠道 3+ 其他渠道 ，于是我们把新用户日活按渠道进行拆分：

通过渠道拆分，我们发现渠道 3 自 6 月 13 日起新用户下降严重，于是我们把问题定位在渠道 3，应该是渠道 3 的渠道效果发生问题。联系渠道 3 的负责人一起定位具体原因，渠道线索量降低？渠道转化率降低？渠道平台的问题？找出原因后，再针对原因解决问题，制定渠道优化策略。