3种DAU拆解方式

(全文字数2000字，阅读时间约6分钟。)

本文从DAU（日活）指标出发，分析3种不同拆解方式，关注不同业务场景下数据分析师的思考逻辑。希望读后，你能找到合适的方法，帮助业务制定出切实有效的决策。

本文结构如下：

在工作和面试中，这是业务和面试官经常问数据分析师的问题，而数分的理解决定于日常工作习惯，也决定于同业务之间的协同模式。

我认为，被动的数据分析师，就像，业务提供原材料，你告诉我怎么用，才能做成我需要的东西——业务要求，数分输出。

主动的数据分析师，向数据科学靠拢，比如，业务提供原材料，你直接产出成品——业务协同，形成模式。

有时候，原材料也是自己去找的（行研，问卷调查，竞品研究）。那么如何才能修炼成优秀的数据分析师？

《零售的哲学》作者铃木敏文，也是日本7-11的创始人兼CEO，建议：要了解经营，需研究两个基础学科：统计学和心理学。

尽管针对的是零售行业，但是推广到其他行业，大体适用。数分也应掌握统计学和心理学，才能对业务的模式架构、用户行为的深层次原因，形成更系统的认知。

统计学强调理性的逻辑，心理学强调感性的逻辑；统计学是数学的逻辑，心理学是用户的逻辑。

工作中业务与数分往往存在着认知差异，或许能从各自关注点着手：业务更看重用户逻辑，数分更看重数学逻辑。

数据分析，不论主动或被动，都应该是，业务逻辑打底，数学统计协同，制定出业务能够落地的行之有效的规则策略。

回到主题——DAU拆解，本质都是新增+留存，但在不同的应用场景下，决定了拆解方式有所不同，面向的业务对象也有差别。数据分析师尤其需要注意这一点。

“所有非比率类的指标，都可以用这个万能公式进行拆解。”

指标定义：

法一让决策层快速聚焦日活体量，定位日活变化原因；子指标占总指标的比重，显示出当前用户结构；子指标的长期变化趋势，能从一定程度上反映不同策略的效果。

它适合面向公司管理层，描述当前DAU宏观变化。从好的指标准则出发（可比较，不复杂，是比率），去设计DAU监控提醒，可展示3个子指标日环比，在数字不多的前提下提报尽可能多的信息。

可能是因为它太常用，致使在实际业务中不太实用，3个子指标表露的信息到此为止。在如今互联网进入存量、关注留存的时代，对留存的拆解缺乏深度。

“在法一基础上，对留存进行了进一步拆解，衍生出可供不同部门使用的指标。”

指标定义：

法二关注留存细分，衍生出如：新用户次留率（昨日新用户留存/昨日新用户）、老用户次留率（昨日老用户留存/昨日老用户）、活跃用户次留率（(昨日新用户留存+昨日老用户留存)/昨日DAU）、回流占比（回流/DAU）等业务领导层更为关注的二级指标。

新用户次留率，反映新用户的承接效果、渠道质量；老用户次留率，表征产品功能优化、平台粘性；回流占比，显示召回策略撬动用户的程度。

业务领导可以据此设定部门阶段性OKR。利用PDCA原则，在执行层控制业务玩法，验证不同战术对子指标的影响程度，探究相关关系；也可以根据当前日活水平，科学地预测日活未来走向。

“数学味儿最浓的拆解方式，基于最小二乘拟合得到关键参数，用于DAU预测。”

指标定义：

新用户的活跃衰变，一般情况下满足留存率与天数成幂函数的关系，即随时间的延长，用户N留率逐渐降低，趋近于0。

法三有两个重要前提：日新增保持相对平稳（公式中用均值表示）；留存模型在一段时间内稳定可用。所以它适用于产品处在相对平稳周期内的拆解分析。

法三的应用场景，一般是，基于现有产品稳定期DAU表现，预测同类其他产品DAU水平，以达到进一步预测如营收（DAU*ARPU）等更为宏观指标的目的。

举个栗子，目前已知视频类产品A：每日营收、新增用户、留存情况（已知次留与7留，即可求解留存模型），需要去估计类似产品B营收情况，用以目标预测或商务谈判。

思考的步骤，通常为：

其中，主观类buff/debuff数字，要综合多种业务因素给出。

可见，法三拆解简单粗暴，在业务日常运营策略上参考价值不大，更多用在新产品的日活预测中。新产品上线后，再根据实际数据调整参数，获取最新版预测结果。

拆解指标，要从业务能够制定战术、发挥影响力的角度出发。数据分析，也是站在用户的立场。

数据分析不是高高早上的、罔顾现实套用统计学理论的冰冷学科，数据分析是落到实际的、与业务不断battle、使模型臻于完善的统计学与心理学结合的科学。

希望作为数据分析师的你，能有自己的判断，养成主动思考的习惯。用判断去创造声量，用习惯去铺平通往数据科学的康庄大道！