拿到這個問題，會覺得不知道從哪點著手開始分析？沒關係，我們把常用套路捋清楚了，然後回頭再看這個案例。
核心點：先做資料異常原因的假設，後用資料驗證假設。
不建議大家第一步先自己對著資料去拆，影響日活資料的因素很多，不可能把所有維度逐一拆解對比，容易浪費時間卻沒有任何有價值的發現。做資料異常原因分析的核心就是結合以往經驗及各種資訊，找出最有可能的原因假設，通過資料的拆分進行多維度分析來驗證假設，定位問題所在。過程中可能會在原假設基礎上建立新的假設或者是調整原來假設，直到定位原因。
在開始著手分析前，建議先確認資料的真實性。我們經常會遇到資料服務、資料上報、資料統計上的bug，在資料包表上就會出現異常值。所以，找資料流相關的產品和研發確認下資料的真實性吧。
計算影響係數：每一項資料都要和以往正常值做對比，算出影響係數。
影響係數=(今日量-昨日量)/(今日總量-昨日總量)
影響係數越大，說明此處就是主要的下降點
以上是幾種常見的初步拆分維度，通過初步拆分，定位原因大致範圍。
針對初步定位的影響範圍，進行進一步的排查。分三個維度來做假設，建議針對資料異常問題專門建乙個群，拉上相應的產品、技術、運營人員一起，了解資料異常時間點附近做了什麼產品、運營、技術側調整。
綜合考慮以往資料異常原因、產品運營技術側調整、初步定位的影響範圍最可能由什麼原因造成，再結合自身業務經驗確定幾個最可能的原因假設，給這些假設排資料驗證的優先順序，逐一排查。
除了上述，可以細分分析的維度實在太多，邏輯上說核心點在於乙個假設得到驗證後，在這個假設為真的基礎上，進行更細維度的資料拆分。我們需要記住這種分析方式，當猜測是某種原因造成資料異常時，只要找到該原因所代表的細分對立面做對比，就可以證明或證偽我們的猜測，直到最後找到真正原因。
以上就是核心資料異常的分析套路，是不是剛才拿到問題還不知道從哪開始分析，現在覺得其實有很多點可以去著手？讓我們回到剛才的案例吧。根據上述套路，首先我們拆分新老使用者活躍量，如下圖（老使用者左軸、新使用者右軸）：
發現老使用者日活較平穩，但是新使用者自6月13日下降嚴重，於是計算新老使用者影響係數：
老使用者影響係數=(77.89-78)/(78.8-79.5)=0.16
新使用者影響係數=(0.98-1.5)/(78.8-79.5)=0.84
新使用者影響係數0.84，說明dau下降是出在新使用者身上，明確範圍後進一部細分，新使用者由什麼構成？
新使用者=渠道1+渠道2+渠道3+其他渠道，於是我們把新使用者日活按渠道進行拆分：
通過渠道拆分，我們發現渠道3自6月13日起新使用者下降嚴重，於是我們把問題定位在渠道3，應該是渠道3的渠道效果發生問題。聯絡渠道3的負責人一起定位具體原因，渠道線索量降低？渠道轉化率降低？渠道平台的問題？找出原因後，再針對原因解決問題，制定渠道優化策略。
在實際業務中，資料異常的影響原因可能是多方面的（本篇只講到了一些內部因素，外部環境和競對其實也會影響核心資料），有的時候也需要建立統計分析模型來做一些定量分析。可能要花幾天的時間去不斷排查問題，這個過程繁瑣且枯燥，假設驗證失敗可能會有挫敗感，或許忙活了很久但是最後並沒有找出原因。其實這是很正常的事情，資料異常分析甚至對於乙個資深資料分析師都是乙個令人頭疼的問題。所以我們需要在平時工作中多留意資料變化，隨著對業務的熟悉和資料敏感度的提公升，針對資料異常分析我們也會越來越熟練，更快找到問題所在。
DAU下降了怎麼分析？
dau下降了怎麼分析？對比歷史資料，看一看是否是正常波動，還是異常波動 看一看是不是伺服器宕機了 哪個網頁不好使了 是不是統計錯誤 eg 有新的入口沒有統計？1.拆解不同的渠道 2.不同的版本 平台 系統 3.新 老使用者 4.拆分區域 5.拆分時間 1.考慮活動的影響 推廣取消了？對手開始推廣了？...
dau計算公式 如何預估乙個產品的日活（DAU）？
20190328更新說明 文末有直接計算的工具 1 按照現在的推廣和留存，我們在未來最多能到達多少日活？2 為了三個月後達到預定的日活，我們需要每天都少推廣？3 乙個產品在某個國家，得達到多少留存之後，推廣和收益才能打正 roi為正 其實這些問題本質上，都是在回答乙個問題，即如何預估乙個產品的日活？...
AI 產品如何做產品定位分析？
ai 產品在做產品定位的時候，比常規產品要考慮多乙個維度，就是演算法和資料規模的問題。這也是 ai pm 比常規 pm 要求更高 工作更難的原因，因為產品中的很多環節都要多考慮乙個 ai 的維度，這個維度可能會將原有的問題複雜化，或者是需要提煉出更高的抽象層級。關於產品定位，也是我在剛開始接手寫匠產...