日活的构成

日活用户的构成可以通过新增用户和活跃用户两个方面进行衡量。新增用户是指当日新增的用户数，活跃用户是指当日启动过app的用户数。在分析日活波动时，需要关注哪个用户群体出现问题。

从2019年到2020年，实际日活整体呈平稳下降的趋势，这不符合我们的理想。我们希望日活能够在跌宕中平滑上涨，因此必须找出其中的问题（排除数据服务、数据上报、数据统计上的Bug）。

我们将日活做了三级拆解。第一级根据用户的生命周期进行拆解，包括新增用户、新客留存、老客留存和流失回流用户。第二级需要考虑每个生命周期阶段的细分，以便更好地了解问题所在。第三级与用户的核心行为相关，只有与核心价值相关的指标才能真正反映用户活跃度和用户需求的满足度。

日活拆解第一级

要精确确定影响日活波动的用户群体，我们需要确保这四个层级完全独立互不干预，这涉及到定义这四部分用户群的准确性。

1. 新增用户：当日新增的用户数

2. 新客留存：昨天新增的用户次日仍然启动的用户数

3. 老客留存：昨天活跃的老用户次日仍然启动的用户数

4. 流失回流：昨天不活跃今天活跃的用户

在用户群体拆分好并实现自动化之后，我们就能够通过每天的日活波动来定位是新增、新增留存、老客留存还是流失回流用户的问题，并迅速将问题分解给负责新增或老客运营的同事。

日活拆解第二级

第一步是确定是谁的问题，第二步是解决如何解决的问题。

（1）新增用户和新客留存

针对新增用户，我们可以从渠道层面进行二次拆解，以确定是哪个推广渠道出现问题，并观察各个渠道的次日留存率表现。

需要注意的是，新增次日留存的提高对于产品的老客影响很大。用户的留存率曲线遵循幂函数的规律，次日留存率越高，后续留存率也越高。因此，我们可以从提升新增用户的留存率开始，以提高后续活跃老用户的次日留存率。

（2）老客留存

由于以天为单位划分用户，老客用户存在新鲜度的问题。我们可以将老客分为活跃老客、沉默老客和流失老客。

1. 活跃老客：过去7天内启动过app的用户

2. 沉默老客：过去7天内未启动app的用户（最近一次活跃时间在7天前到30天前之间）

3. 流失老客：过去30天内未启动app的用户

活跃老客的次日留存与用户的持续活跃能力有关，而沉默和流失的老客回流后，后续留存能力也会发生变化。因此，建议根据用户新鲜度建立同期群分析，观察不同用户群体的次日、3日、7日、15日、30日留存表现。

（3）流失回流用户

将流失回流用户按照回流周期进行拆分，可以分为活跃回流、沉默回流和流失回流。在日活构成中，流失回流用户占比最高，也是需要精细化运营的用户群体。

流失回流用户的每个部分的次日留存率与老客留存相辅相成，影响周人天和月人天等活跃频次。内容运营方面需要密切关注数据变化趋势，并及时调整策略。需要观察每一次策略变动对用户活跃留存数据的影响，以确定是真正改善了用户活跃度还是只是暂时起效。

此外，用户的回流方式也反映了用户回来的真实意图，需要我们有针对性地进行区分，是真正有需求自主打开，还是通过个性化推送或自动化推送方式回流，或者是通过其他合作伙伴的外部唤起。我们需要根据不同的回流方式进行不同的处理。

日活拆解第三级

第三级回到了产品提供给用户的核心价值和用户行为上。日活只是一个虚荣指标，真正能够反映用户活跃度的是与核心价值相关的指标。只有核心行为变好了，日活的增长才会自然而然地发生。因此，重点提高使用核心行为的用户比例，提高核心行为用户的参与度，并密切关注核心功能的高、中、低频用户以及没有核心行为的用户的变化趋势。

需要注意的是，一个产品可能不止一个核心功能，用户也不可能只使用一个核心功能。在用户使用行为交叉的情况下，不能简单地从数据上量化影响波动的具体数值，因此需要根据用户使用核心行为的频次进行拆分。

综上所述，要提升日活，需要在增加新用户、提高新用户留存率、促活老用户和召回流失用户四个方面同时努力。

日活波动异常原因定位

在确认数据的准确性后，需要拉长时间范围观察日活波动的变化趋势，判断数据是否真的存在异常情况，排除日常周期性波动的影响。如果脱离了日常周期性波动趋势出现陡降、陡升或持续下降的趋势（可以结合异常告警策略进行监控），需要密切关注并排查具体原因。

此时，可以使用影响系数来量化某种因素对日活波动的影响程度。影响系数的计算公式为：（今日量-昨日量）/（今日总量-昨日总量）。影响系数越大，表示该因素对日活波动的影响越大，需要首先关注并进行优化。

从数据中可以观察到，流失回流量持续减少，在5月17日出现了一个大幅降幅，需要进一步观察。同时，沉默、活跃和流失用户群体都在下降，但沉默用户的下降幅度最大。需要进一步分析是沉默回流用户中自主打开App的用户量减少了，还是推送、外部唤起方面出现了问题。不同的回流方式揭示了不同的问题，就像剥洋葱一样，需要逐层剥开来查找问题。

从长期日活波动趋势中看机会

通过将各级日活波动数据拉长时间范围观察趋势的变化，可以判断产品的发展方向是好还是坏。

由于篇幅的限制，这里不再详述，后续可能会进行更细致的分析。敬请期待。