从三个等级去拆解日活，定位异常原因

1、新增活跃用户是区分日常活动用户的常见方式，主要是衡量新用户和整体日常活动的数据性能。由于活跃用户包含新用户，当日常生活波动时，哪些用户群体会出现问题而头疼。从2019年到2020年，实际日常生活总体呈稳步下降趋势，业务增长进入瓶颈期，我们理想的日常生活应该在起伏中平稳上升，所以我们必须逐层找出发生了什么（这里不考虑数据服务、数据报告、数据统计漏洞）。如图所示，我们对日常生活进行了三级拆解。第一级根据用户的生命周期进行了第一次拆解，即新用户、新客户保留、老客户保留和丢失回流用户；第二级需要考虑每个生命周期阶段的详细拆除；第三级应与用户的核心行为相关，核心价值相关指标可以真正反馈用户的活动和用户需求的满意度。如果我们想准确定位哪些用户群体影响日常生活的波动，我们需要确保这四个层次完全独立，不相互干预，这涉及到这四个用户群体的定义。新用户：当天新用户数量新客户保留：昨天新用户第二天也启动用户数量老客户保留：昨天活跃老用户第二天也启动用户数量损失回报：昨天不活跃今天活跃用户群体拆分和自动化，我们可以在日常波动中，定位新、新保留、老客户保留或丢失回报用户问题，然后迅速分解到负责新老客户运营的学生手中。日活拆解二级第一步定位谁的问题，第二步解决怎么做的问题。日常生活拆除的第二步是定位谁的问题，第二步是解决如何做的问题。（1）新用户和新客户保留适合运营侧的新推广和新运营策略，从渠道层面进行新的二次拆除，定位哪个推广渠道存在问题，以及每个渠道的第二天保留率性能。有一个容易被忽视和重要的问题，第二天保留，对产品的老客户有很大的影响。用户的保留率曲线遵循功率函数的规律，次日保留率越高，保留率越高。从提高新用户的留存率开始，新用户的留存率自然提高了后续活跃老用户的第二天留存率。(2)因为老客户是按天划分的用户，所以老客户有用户新鲜度的问题。我们可以把老客户分为活跃老客户、沉默老客户和流失老客户。活跃老客:过去7天打开app的用户沉默老客:过去7天没有打开app的用户(7天)<最后一次活跃时间<30天)老客户流失:过去30天没有打开app的用户活跃老客户第二天的保留与用户的持续活跃能力有关。沉默和流失的老客户回来后，后续的保留能力决定了每周和每月的后续变化。提高老客户频率是老客户运营的最重要目的。因此，建议根据用户新鲜度建立同期群体分析，观察次日、3日、7日、15日、30日各用户群体的保留性能。(3)如果流失回流用户以天为维度拆分，是日常生活构成中占比最高的用户群体，也是最需要精细操作的群体。根据用户回流周期，可分为活跃回流、沉默回流和流失回流。如上述用户流失的第二天保留率与老客户保留率相辅相成，影响每周、每月等活跃频率。内容操作方应密切*数据变化趋势，并跟上策略。观察每一个策略变化，用户的活跃保留数据是否变得更好，或者只注入强心剂暂时生效。此外，用户的返回方式也反映了用户返回的真实意图。我们需要区别对待是否真的需要独立打开，是通过个性化Push或自动Push返回，还是由其他三方合作引起的。日常生活拆除第三层和第三层回到产品提供给用户的核心用户行为。日常生活实际上是一个虚荣指标，与核心价值相关的指标真的可以反馈用户的活动。核心行为变得更好，日常生活的增长自然不必担心。重点提高核心行为用户比例，提高核心行为用户参与度，密切*核心功能高、中、低频用户和无核心行为用户的变化趋势。这里需要注意的是，我们可以根据用户的使用频率将某一核心功能分为高、中、低、无，从而更好地量化用户核心功能使用的变化，因为一个产品可能有不止一个核心功能，用户不能只使用一个核心功能，交叉后不能简单地量化影响数据波动的具体数值，因此需要根据用户使用核心行为的频率进行分割。综上所述，日常生活改善需要在增加新用户、新用户保留改善、老用户促进生活、失去用户召回四个方面同时努力促进增长。2、日常活动异常原因定位确认数据准确性后，延长时间范围观察日常活动的变化趋势，观察数据是否真的异常，排除日常周期性波动。脱离日常周期性波动趋势，有急剧下降或急剧上升或持续下降的趋势（可与异常报警策略相结合），这些节点需要密切*具体原因的调查。此时需要量化指标来量化某些因素对日活动波动的影响程度，可以通过影响系数来计算:影响系数=(今日量-昨日量)/(今日总量-昨日总量)结果越大，对日活动波动的影响越大，需要先*和优化。流失回流持续减少，5月17日大幅下降。继续往下看~沉默、活跃、流失的用户群体都在下降，但沉默用户的下降幅度最大，无声回流用户是自主打开app的用户数量减少了，还是Push？、外部唤起呢？不同的回流方式揭示了不同的问题，就像剥洋葱一样，一层一层地剥下来。第三，从长期日常活动的波动趋势来看，机会延长上述日常活动波动数据的时间范围，观察趋势的变化，看看产品是向好方向还是向坏方向发展~