製品のデイリーアクティブユーザー数（DAU）が減少した場合、製品オペレーションではそれをどのように分析すればよいでしょうか？

この記事では、特定の問題を選択してそれについて書きました。製品コアデータの異常は、仕事で頻繁に遭遇する問題であり、インターネット面接でもよく聞かれる質問でもあります。ここでは、インターネット上で共有されている情報と私自身の経験を組み合わせて、このような問題に遭遇したときに誰もが明確な焦点を持てるように、いくつかの思考と分析のフレームワークをまとめます。

事例紹介

ある情報フローアプリの1日のアクティブユーザー数は通常79万～80万人の間で安定していますが、6月13日に突然78万8千人に減少し、6月15日には78万5千人にまで減少しました。プロダクトマネージャーは不安になり、データ減少の原因をできるだけ早く調べるように依頼しました。このような問題は、80万元の製品の場合、1万や2万はそれほど大きな変動ではないため、依然としてほとんどの人にとって頭痛の種ですが、原因を調査する必要があります。

この質問を受けたとき、どこから分析を始めればいいのかわからないと感じますか?それは問題ではありません。共通のルーチンを整理してから、このケースを振り返ってみましょう。

重要なポイント: まず、データの異常の原因について仮説を立て、次にデータを使用してその仮説を検証します。

最初のステップとして自分でデータを分析することはお勧めできません。日々の活動データに影響を与える要因は多く、すべての側面を一つずつ分析して比較することは不可能です。貴重な発見がないまま時間を無駄にしてしまう可能性が高くなります。データ異常の原因を分析する上での核心は、過去の経験とさまざまな情報を組み合わせて最も可能性の高い原因仮説を見つけ、データ分割の多次元分析を通じて仮説を検証し、問題を特定することです。このプロセスでは、原因が特定されるまで、新しい仮説が確立されるか、元の仮説が調整されることがあります。

ステップ1: データの信頼性を確認する

分析を開始する前に、データの信頼性を確認することをお勧めします。データ サービス、データ レポート、データ統計でバグが発生することが多く、その結果、データ レポートに異常な値が表示されます。そのため、データの信頼性を確認するために、データフローに関連する製品や研究開発を探してください。

ステップ2: いくつかの共通ディメンションに基づく予備的なデータ分割

影響係数を計算します。影響係数を計算するには、各データを以前の正常値と比較する必要があります。

影響係数= (今日のボリューム - 昨日のボリューム) / (今日の合計ボリューム - 昨日の合計ボリューム)

衝撃係数が大きいほど、これが主な落下点であることを示します。

上記は、いくつかの一般的な予備分割次元です。予備分割により、原因のおおよその範囲を特定できます。

ステップ3: 異常な範囲を特定した後、さらに仮定を立てる

当初特定された影響範囲に基づいて、さらなる調査が行われます。仮説作成の 3 つの側面に基づいて、データ異常の問題に関する特別なグループを設置し、関連する製品、技術、運用担当者を集め、データ異常が発生した時期にどのような製品、運用、技術の調整が行われたかを把握することをお勧めします。

過去のデータ異常の原因、製品運用技術の調整、予備的なポジショニングの影響などを総合的に考慮し、自身のビジネス経験を組み合わせていくつかの最も可能性の高い仮説を特定し、これらの仮説をデータ検証の優先順位付けを行い、1つずつ確認します。

最後に：仮説を分解し、理由を確立する

上記以外にも、分析のために細分化できる次元は多すぎます。論理的に言えば、仮説が検証された後、その仮説が正しいかどうかに基づいてデータをより細かい次元に分割できるという点がポイントです。この分析方法を覚えておく必要があります。ある理由によりデータが異常であると推測した場合、比較の理由によって表されるセグメントの反対を見つければ、本当の理由が見つかるまで推測を証明または反証することができます。

ケーススタディ

以上がコアデータ異常の分析ルーチンです。初めて問題が出た時はどこから分析を始めればいいのか分からなかったと思いますが、今となっては実は始めるべきポイントがたくさんあると感じませんか？さっきの事件に戻りましょう。上記のルーチンに従って、まず、次の図に示すように、新規ユーザーと既存ユーザーのアクティブ ボリュームを分割します (左軸に既存ユーザー、右軸に新規ユーザー)。

既存ユーザーの日々の活動は比較的安定しているが、6月13日以降、新規ユーザー数が急激に減少していることが判明したため、新規ユーザーと既存ユーザーの影響係数を計算しました。

旧ユーザー影響係数= (77.89-78)/(78.8-79.5) = 0.16

新規ユーザー影響係数 = (0.98-1.5)/(78.8-79.5)=0.84

新規ユーザーの影響係数は 0.84 で、DAU の減少は新規ユーザーによって引き起こされていることを意味します。範囲を明確にした後、新規ユーザーをさらに細分化できます。新規ユーザーはどのような構成になっているのでしょうか。

新規ユーザー = チャネル 1 + チャネル 2 + チャネル 3 + その他のチャネルなので、新規ユーザーの毎日のアクティビティをチャネルごとに分割します。

チャネルセグメンテーションを通じて、6月13日以降、チャネル3の新規ユーザー数が急激に減少していることがわかったため、チャネル3に問題があることがわかり、チャネル3のチャネル効果に問題があるはずだとわかりました。具体的な理由を確認するには、チャネル 3 の担当者に問い合わせてください。チャネル リードの量は減少していますか?チャネルコンバージョン率が低下しましたか?チャンネル プラットフォームに問題がありますか?原因を突き止めた後、それに応じて問題を解決し、チャネル最適化戦略を策定します。

最後に

これでこの記事は終わりです。コアデータの異常の分析ルーチンを詳しく説明し、誰にでも理解しやすい小さなケースを示しました。次回このような問題に遭遇したときには、少なくとも明確な出発点が得られると思います。

皆さんに伝えたいことがもう 1 つあります。皆さんが理解しやすいように、この小さなケースのデータは架空のものであり、問​​題を特定するプロセスも比較的単純です。しかし、実際のビジネスでは、データ異常の原因は多面的である可能性があります（この記事では一部の内部要因についてのみ説明しており、外部環境や競合他社は実際にはコアデータに影響を与えます）。場合によっては、統計分析モデルを確立して定量分析を行う必要もあります。

問題のトラブルシューティングには数日かかる場合があります。このプロセスは面倒で退屈です。検証が失敗すると、イライラしたり、長時間作業しても原因が見つからない場合があります。

実際、これはごく普通のことです。データ異常の分析は、上級データアナリストにとっても頭痛の種です。したがって、私たちは日々の業務においてデータの変化にもっと注意を払う必要があります。ビジネスに精通し、データの機密性が高まるにつれて、データの異常を分析する能力が高まり、問題をより早く発見できるようになります。

この記事が皆様の実用に役立つことを願っています。今後インターネットデータ分析についてさらに詳しく知りたい場合は、フォロー、いいね、転送してください。一緒にさらに多くのトピックについて話し合うことを歓迎します。

関連記事:

1. 製品の運用とプロモーション：トラフィックを獲得するにはどうすればよいでしょうか?

2. 製品運営では、どのようにして新規ユーザーの数を増やし、維持できるでしょうか?

3. 製品の操作: プライベート ドメイン トラフィックを正確にキャプチャするための 2 つの主要な開始方法!

4. 製品の操作 | ストレンジャーソーシャル製品はユーザーをどのように誘導するのか?

5. 製品オペレーション部門はどのようにして競合他社の調査と分析を適切に実施できるでしょうか?

6. 商品の運用とプロモーション | トラフィック増加の根底にある5つの考え方！

7. 製品運用：成長モデルにおけるデータシステムの応用！

8. 製品オペレーション部門はどのようにして競合他社の調査と分析を適切に実施できるでしょうか?

著者: 趙小洛

出典: 趙小洛洛、WeChat: luoluo963