日活DAU突然跌了30%，产品经理该咋办？

小提示：您能找到这篇{日活DAU突然跌了30%，产品经理该咋办？}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的日活DAU突然跌了30%，产品经理该咋办？内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

编辑导语：在工作中，产品数据异常时有发中国网络营销诞生年是生，而新增、日活DAU、订单、收入等这些核心数据，更是我们关注的重点。作为产品经理，遇到数据异常时，该如何做数据分析，找出原因呢？本文作者总结了三步常规做法，希望能给你带来帮助。

这次聊聊产品经理遇到数据异常，该如何做数据分析，找出原因。

有一次，周一刚上班，领导就问，这周末咱们的 App 日活为啥跌了 30%？

当时我还没啥经验，有些手忙脚乱，看看数据，找技术和运营讨论，幸好找到原因。

工作中，产品数据异常时有发生，面试也经常会问到，尤其核心数据（如新增、日活DAU、订单、收入等）的变化，更是我们关注的重点。

数据一旦出现异常，产品经理需要去分析数据，排查原因，尽快解决，避免有更大的影响和损失。

遇到这种情况，如果没有经验，不懂处理方法，有时折腾很久，也未必能找到原因。

后来我负责数据统计平台，经常要帮产品经理和运营分析解答各种数据变化的问题。这让我积累了数据分析方面的经验。

分析这类数据异常的情况，常规做法总结起来有三步。

一、排查常见问题，确认数据准确性

第一步，是排查常见问题，确保数据是准确的，往下分析才有意义。

这些问题多是由版本更新、统计方式变动、服务故障等引起的。

因此，可先看产品的前后端是否有更新变动。假如有更新，得跟开发、测试同事，核实这些更新，是否会对数据有影响。

其次，搞清楚数据是否准确，有没有可能数据统计出问题。

现在多数产品会用数据统计平台，若用自家系统，得跟开发确认最近数据采集、上报或统计逻辑有没有变动？会不会服务更新或异常，导致数据统计出现问题？

若用第三方统计平台，要跟对方确认平台有没有什么改动或异常？若是人工统计报表，要找统计的同事核实统计方法、源头数据有无问题？

由统计方式变动或服务故障导致的，通常多款产品都会受影响，数据变化一致，且在变动或故障时间点开始下跌。比如全部产品数据在8点都下跌，或全部为0。

早期的产品，这一步容易出问题；而成熟的产品，有稳定的统计平台，出问题概率较小。

二、对比历史数据，判断是异常还是波动

有些产品的数据，会有周期性波动，属于正常现象。比如，职场办公类的产品，周末日活下降；上海亚洲新闻软文推广品牌面向学生的产品，一开学，日活会下降，一放假，日活又上涨。

因此，要确定数据的变化，是异常，还是正常波动？

那怎么做呢？

第二步，用折线图将过去一段时间的数据展现出来，看数据的如何推广智能手表 厂 联变化趋势，对比不同周期的变化幅度。

异常数据，在趋势折线图上往往变化幅度较大。对比的周期，视产品的情况而定，可以是「周」或「月」，甚至是「年」。

开头那个例子，当时我们发现周末的日活下降了，经过第一步的排查，没发现问题。

于是，把前面几周的数据拿出来对比，看看每一周的数据变化，是否存在波动规律。

结果发现，确实一到周末数据就下降，但变化幅度顶多 10%，突然跌了 30%，明显是异常。

可为啥会出现这种异常呢？接着往下分析。

三、拆解数据构成，多维度分析原因

上一步单看一个数据指标，难以分析具体的情况并发现问题。

所以，第三步，要看异常的数据指标，由哪些数据构成，将其逐层拆解，对比跟往常数据不一样的地方。

所谓维度，是指看数据的角度。常见的维度有：渠道、版本、地区、用户类型、性别、年龄等。

上述例子，我们确认了日活数据异常，而用户有多个渠道来源，日活跃用户也有老用户和新用户。

我们先把几个渠道数据拿来对比，发现广点通渠道的数据，在周末大幅度下跌。

这说明，问题很可能出在广点通这个渠道上。

于是，从渠道的维度，对比了日活用户的老用户和新用户数据，果然广点通的新增用户下跌严重。

当时，看到这些数据就猜想，是不是这个渠道投放出问题了？

马上跟运营确认，原来广点通的费用在周末消耗完了，因此，没有更多的新增用户，导致日活减少。

到这里，数据异常的原因基本确定，但没结束，还得继续观察，看问题解决后，数据是否会恢复正常。这样才能验证分析的结论。

当然，有人可能会说，你一开始问运营不就行啦？

实际上，数据分析和沟通确认都要做。

因为，造成数据异常的原因有很多，且未必是单一的，比如受竞品、市场因素的影响。

此外，有些产品涉及部门人员众多，没思路地问，效率不高；即使问出疑似的原因，也要通过数据分析去验证。

最后总结下，遇到产品数据异常，不用慌，不用乱。产品经理必备技能之数据分析查异常 3 步走，练起来：

1. 排查常见问题，确认数据准确性
2. 对比历史数据，判断是异常还是波动
3. 拆解数据构成，多维度分析原因

作者：四月，公众号：四月喃哗，10年产品经理

本文由 @四月 于，，

题图来自 Unsplash，基于 CC0 协议