产品日活DAU降低，我该如何着手分析？

写在最前：上一篇文章写的是用户增加的思考框架，可是其实咱们大多数人在工做中都是只负责其中一小块，可能写一些具体的细分问题会对你们更有帮助。

故第二篇文章，我选择了一个具体的问题着手写。产品核心数据异常是在工做中常常会遇到的问题，也是常见的互联网面试问题。在此我结合网上的一些分享以及本身的经验，总结一些思考分析框架，让你们在遇到此类问题的时候有一个明确的着力点。

案例简介

   一款信息流APP平时日活稳定在79w-80w之间，可是在6月13日起忽然掉到了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缘由。这样的问题对大多数人来讲仍是比较头疼的，由于对于80w量级的产品，一两万并非一个很是大的波动，但缘由仍是要排查。拿到这个问题，会以为不知道从哪点着手开始分析？不要紧，咱们把经常使用套路捋清楚了，而后回头再看这个案例。

核心点：

先作数据异常缘由的假设，后用数据验证假设

不建议你们第一步先本身对着数据去拆，影响日活数据的因素不少，不可能把全部维度逐一拆解对比，容易浪费时间却没有任何有价值的发现。

作数据异常缘由分析的核心就是结合以往经验及各类信息，找出最有可能的缘由假设，经过数据的拆分进行多维度分析来验证假设，定位问题所在。过程当中可能会在原假设基础上创建新的假设或者是调整原来假设，直到定位缘由。

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。咱们常常会遇到数据服务、数据上报、数据统计上的BUG，在数据报表上就会出现异常值。因此，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

计算影响系数：每一项数据都要和以往正常值作对比，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降低点

以上是几种常见的初步拆分维度，经过初步拆分，定位缘由大体范围。

第三步：异常范围定位后，进一步作假设

针对初步定位的影响范围，进行进一步的排查。分三个维度来作假设，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、运营人员一块儿，了解数据异常时间点附近作了什么产品、运营、技术侧调整。

综合考虑以往数据异常缘由、产品运营技术侧调整、初步定位的影响范围最可能由什么缘由形成，再结合自身业务经验肯定几个最可能的缘由假设，给这些假设排数据验证的优先级，逐一排查。

最后：细分假设，确立缘由

除了上述，能够细分分析的维度实在太多，逻辑上说核心点在于一个假设获得验证后，在这个假设为真的基础上，进行更细维度的数据拆分。咱们须要记住这种分析方式，当猜想是某种缘由形成数据异常时，只要找到该缘由所表明的细分对立面作对比，就能够证实或证伪咱们的猜想，直到最后找到真正缘由。

案例分析

以上就是核心数据异常的分析套路，是否是刚才拿到问题还不知道从哪开始分析，如今以为其实有不少点能够去着手？让咱们回到刚才的案例吧。

根据上述套路，首先咱们拆分新老用户活跃量，以下图（老用户左轴、新用户右轴）：

  发现老用户日活较平稳，可是新用户自6月13日降低严重，因而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降低是出在新用户身上，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+其余渠道 ，因而咱们把新用户日活按渠道进行拆分：

  经过渠道拆分，咱们发现渠道3自6月13日起新用户降低严重，因而咱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的负责人一块儿定位具体缘由，渠道线索量下降？渠道转化率下降？渠道平台的问题？找出缘由后，再针对缘由解决问题，制定渠道优化策略。

最后要说的

至此本篇文章已到尾声，详细叙述了核心数据异常的分析套路以及讲了一个易于你们理解的小案例，相信你们下次再遇到这类问题，至少有一个明确的着手点。还有一些想对你们说的是：

  为了方便你们理解，这个小案例的数据是我虚构的，问题定位过程也比较简单。可是在实际业务中，数据异常的影响缘由多是多方面的（本篇只讲到了一些内部因素，外部环境和竞对其实也会影响核心数据），有的时候也须要创建统计分析模型来作一些定量分析。可能要花几天的时间去不断排查问题，这个过程繁琐且枯燥，假设验证失败可能会有挫败感，或许忙活了好久可是最后并无找出缘由。其实这是很正常的事情，数据异常分析甚至对于一个资深数据分析师都是一个使人头疼的问题。因此咱们须要在平时工做中多留意数据变化，随着对业务的熟悉和数据敏感度的提高，针对数据异常分析咱们也会愈来愈熟练，更快找到问题所在。

  但愿本篇内容对你们有实际的帮助，后续想了解更多互联网数据分析相关内容，欢迎关注点赞转发，欢迎一块儿探讨更多话题。

wechat：luoluo963

邮箱：youlu2409@163.com