数据指标出现异常波动时，你该如何进行异常分析呢？( 二 )

这些部门是不是会因为产品迭代或者运营策略得到改变影响日活？

确认日活下跌对整体产品业务线的KPI影响程度?

了解日活下跌对产品业务线有哪些影响？

以前日活下跌后，都采取过哪些措施？

清楚了数据指标（APP日活）的具体情况，有了轻重缓急的判断，下一步就可以进行指标的拆解，再缩小怀疑范围，建立分析假设。
而建立假设，有助于去伪存真的进行验证，进一步逼近真实原因。
第三步：将数据指标进行拆解
如：日活=新增用户+老用户留存+流失用户回流，二级指标拆解如下

可拆解新增用户来源渠道：如应用市场，百度搜索等
可拆解老用户留存渠道：华为、vivo应用商店等
可拆解新老用户登录平台：安卓、iOS等
可拆解新老用户用户的地区：天津、北京等
可拆解新老用户使用版本：新老版本
可拆解新老用户活跃时间：节假日、周期性等
可拆解流失用户：自然回流，回访干预回流等

可分别计算每个维度下不同的活跃用户数。
通过这种方法，定位到导致哪个区域或者渠道的日活下降的用户群体是谁，以及定位原因有了大致范围。
比如定位是新用户问题，我们需要再把新用户日活按渠道进行拆分：新用户=渠道1+渠道2+渠道3+其他渠道；通过渠道拆分，我们会发现是具体哪个渠道效果发生的问题。
那么，继续下一步我们要根据实际业务进一步做假设，具体情况具体分析。
第四步：异常范围定位后，要根据业务进一步做假设，实际具体情况具体分析
具体分析可以采用“内部-外部”事件因素考虑。
? 内部-外部事件
在一定时间内同时发生可能很多种，主要关注数据指标的起点、拐点、终点。

数据指标起点：数据指标刚下跌时，发生了什么事件；往往起点事件是问题发生的直接原因。
数据指标拐点：在指标持续下跌过程中，是否某个事件的出现，让问题变得更严重，或者开始转暖。拐点意味着，这是可以通过运营手段改善指标的。
数据指标终点：当某个事件结束后，指标恢复正常。或当开始某个事件后，指标下跌结束。终点事件的两种形态，代表着两种改善指标的方法：等问题自己过去，或者主动出击解决问题

?内部事件因素

分为获取用户（渠道转化率降低、渠道平台的问题等）
满足用户需求（新功能变更等引起某类用户不满）
促活运营手段（签到等提活手段没达成目标、产品自然使用周期低导致上次获得的大量用户短期内不需要再使用等）
内部功能和运营策略调整（产品、运营、技术在数据异常时间点附近做了什么策略调整）

?外部事件因素
采用PEST分析（宏观经济环境分析）——政治（政策影响）、经济（短期内主要是竞争环境，如对竞争对手的活动）、社会（舆论压力、用户生活方式变化、消费心理变化、价值观变化等偏好变化）、技术（创新解决方案的出现、分销渠道变化等）。
【数据指标出现异常波动时，你该如何进行异常分析呢？】我们遵循短期变化找内因，长期异动找外因。
在条件允许范围内，再结合自身业务经验确定几个最可能的原因假设，给这些假设排数据验证的优先级，逐一排查，深入分析，比如本次指标下跌是因为新功能不符合预期不给力、渠道投放力度不够、竞品太厉害、版本更新大bug、流失严重等。
第五步：预测未来是否还会下跌？应该采取什么方式避免下跌？
与业务沟通反馈分析结论，探讨后续方案的执行；再针对原因解决问题，制定优化策略。
最后，我们要预测影响到什么时间；并运营、产品沟通反馈分析结论，探讨后续方案的执行。