发布时间:2023-03-07 23:50:01源自:https://www.it-th.com作者 :it谈话网阅读(279)
“同一个世界,同一个老板”,作为数据分析师,相信此情此景你也一定经历过:正在埋头工作,突然收到老板的一条微信,昨日的DAU为啥降了?然后你“一顿操作猛如虎”,但令人焦灼的是,面对一大堆数据“仔细一看还是原地杵”……
那么我们该如何建立科学的数据分析体系,并从业务的角度给到老板最满意的答案呢?接下来笔者将结合自身做DAU监控以及用户增长的经验,给到屏幕面前的你实用的干货知识!
在构建DAU流量监控体系前,建议通过业务人员调研、公司组织架构等途径,摸清楚真正驱动企业用户增长的“核心模式”是什么,以便为后续建立DAU监控体系提供基础否则,无头苍蝇般地从各个维度拆解数据,会让整个分析工作变得非常低效。
尽管不同业务形态、以及不同发展阶段的公司,其用户增长模式各有差异,但都可以从拉新策略和促活策略进行分解。
常见的拉新策略有:
1、流量采购。
比如通过厂商预装、应用商店渠道、信息流广告、搜索广告、网盟广告等途径付费采购流量。
2、基于微信生态的社交裂变。比如归功于微信流量的支持,趣头条会通过“领取金币任务”吸引老用户参与“邀请新用户”的活动微信读书依靠“组队抽取无限卡”的裂变活动,仅仅半年就暴涨百万用户。
常见的促活策略有:
1、外部渠道促活。
比如:
通过push唤起App
头条系的APP矩阵可以互相促活
在广点通第三方媒体投放基于“RTA+个性化商品素材”技术的实时动态出价广告,可以对不活跃的老用户进行促活
朋友圈内打开一篇来自知乎的文章后,点击“App内打开”的底部浮层按钮可以唤起知乎App
通过负一屏的weiget小组件可以唤起App等
双十一短信促活。
2、社交裂变。
4、电商的养成类游戏。
5、用户运营活动。比如签到任务、积分体系等,促活效果取决于虚拟币变现的能力。
值得注意的是,在梳理用户增长的核心驱动力时,需要重点识别影响DAU增长的核心要素。
举个例子,尽管虽然很多公司会有签到任务、积分体系、老拉新任务等用户激励体系,但由于兑换商品吸引力不足等原因导致用户参与度非常低,所以不足以成为促进用户回流的核心手段。
而对于很多App,Push拉活、RTA广告促活已经是提升老用户活跃度的标配手段,促活用户的DAU占比可达10%以上,那么在DAU监控体系中必须将push和rta广告等促活方式作为监控的重点。
常用的方法是:看日环比绝对值、周同比绝对值、日环比、周同比、以及最近30天的变化趋势。
可以基于经验判断异常变化的Δ,比如日环比、周同比上升或下降超过5%可以判定为异常或者日环比绝对值、周同比绝对值上升或下降超过 xx 万判定为异常。
这个异常Δ怎么设定呢?可以观察至少3个月的DAU波动数据,将波动较大的时间点所对应的数据变化幅值作为异常 Δ。
为实现自动化,建议将下图的监控报表进行数据产品化:即每日以邮件抄送各部门领导层并在DAU处于异常时,给数据分析组发送报警邮件,以便于分析师第一时间排查诊断,做到在领导还没有张口发问怎么回事之前,就已经知晓背后的原因。
在DAU被判定为异常增高或者异常下降时,就需要基于前面提到的“用户增长模式”,对DAU进行拆解以定位业务原因了。
这里值得一提的是,因为数据分析师的职责就在于通过科学的方法量化业务的表现,所以如果能给到业务方这样的论述,比如:这次DAU日环比下降 50% 的原因是由xxx贡献,30%是由于xxx贡献,20%是由于xxx贡献, 更能够凸显自己在数据分析方面的专业性。
为了对异动原因进行科学的量化和归因,可以按照完全穷尽、互相独立地去拆解日活:
拆解的第一层级为:
DAU =  当日新增用户 + 首次外部唤起App的老用户 +  首次自然启动App的老用户 
DAU中老用户的拆解,借用了渠道广告归因中“首次归因”的思想,即将全部功劳归因到用户行为路径上的首次行为属性。例如,某个用户当日先通过手机桌面图标 自然启动App,然后又通过push启动了App,但由于“自然启动App”是用户当日行为序列中的首次行为,该用户的这 1个DAU功劳将100%全部归给“自然启动”,push功劳为0。
说明下第一层拆解指标的具体计算方式:
(2)、外部唤起老用户可以通过埋点统计字段(启动入口)进行区分,当启动入口为非桌面图标启动时记做外部唤起
(3)、自然启动的老用户,可以通过DAU-当日新增用户-自然启动老用户计算。
(4)、拆解的第二层级为:
1)新增用户。
可按照渠道、机型等维度来进一步拆分,以细化异动是哪个拉新渠道的问题
2)外部唤起App的老用户。
可按照首次唤起App的入口(比如Push、RTA广告、微信等)拆分。
即 首次外部唤起App的老用户数= 首次push唤起App的老用户数 + 首次RTA广告唤起App的老用户数 +  ….
3)自然启动App的老用户,可按照用户访问App的目的进行拆分。具体是,通过对用户站内核心行为的先后发生顺序进行分析,将DAU的贡献归因于首个核心行为模块。比如,某产品的渗透率较高的核心模块有:A、B、C,那么自然启动App的老用户 = 站内首次进入A模块的老用户 +站内首次B模块的老用户 + 站内首次C模块的老用户 + 其他行为模块的老用户。「其他行为模块的用户」,是指未发生以上前面任何核心行为的用户。
这里需要说明的是,如果App核心功能和使用场景比较单一,可以不对自然启动的老用户进行拆解。
指标Xi的波动贡献度=指标Xi的变化幅度/DAU的变化幅度。贡献度越大,说明该指标对波动的解释效果越好。通过波动贡献度,我们将异常原因定位到是新增用户、还是外部唤起老用户、还是自然回流老用户部分有问题。
比如下面虚构的例子,DAU日环比下降70W,尽管RTA广告、微信启动等也有下降,但下降贡献很小,而老用户回流的下降贡献可达93%,所以问题范围就缩小为老用户回流为何减少。
一般地,如果发现「新增用户」「外部唤起老用户」的异常波动贡献度较大,可以进一步按维度拆解指标并计算波动贡献度,例如按渠道拆分「新增用户」,发现 A 渠道的波动贡献度最高,那么A渠道就是造成DAU波动的主要原因。
如果发现「老用户回流」异常波动贡献度较高,需要排查是否是由于内外部环境变化导致(内部变化:新发版出现bug、运营活动、产品功能外部变化:节假日、市场变化、竞品策略、热点舆论事件等)。
对于外部因素引起的老用户回流异常,可以结合竞品数据、百度搜索指数、去年同期数据进一步确认。
对于内部因素引起的老用户回流异常:
1)如果要排查是否是发版bug导致,可以拆分操作系统和版本进行排查
2)一般地,产品功能、运营活动的影响,可以按照首次归因的思想,计算打开App后首次进入活动页面(或者访问产品功能)的用户Δ增量,只有该 Δ 占 DAU波动Δ 的比例非常高,才能说明该活动对于DAU有显著的影响。
通过上述的波动贡献度计算和逐层下钻,我们可以找出DAU波动的主要因素,和业务方核实确认后,就可以邮件或微信同步上级领导。可参考以下格式进行汇报:
xx月xx日的DAU为xxxx,周同比下降xx。
主要原因是:xxxx。
建议是:1、xxxx2、xxx3、xxx。
结合自己浅薄的工作经历来看,尽管日活的监控诊断工作可能非常繁琐枯燥,但它可以很好地锻炼我们的数据敏感性。比如,当你完成多轮的拆解归因后,就能知道大概率有哪些因素可能会引起DAU的剧烈涨跌,而哪些因素影响较小,以及哪些拆解指标是需要重点关注的,同时DAU波动的排查工作也会变得越来越娴熟。
以上就是DAU波动诊断的全部内容了,希望大家都能够有所启发。由于本文的案例均来源于实际工作,其中的部分结论可能并不适合所有业务场景另外,限于自己的知识和视角,本文难免存在一些考虑不周的情况,一些分析方法和思路也许并非最优,若有不足之处,欢迎大家在评论区探讨。
-END-
欢迎分享转载→ 【方法】DAU异常下降该如何分析