美文网首页
数据异常分析——日活

数据异常分析——日活

作者: 环校长跑 | 来源:发表于2019-06-24 14:28 被阅读0次

一、概念介绍

DAU(Daily Active User)日活跃用户数量,简称日活。常用于反映网站、互联网应用或网络游戏的运营情况。DAU通常统计一日(统计日)之内,登录或使用了某个产品的用户数(去除重复登录的用户),这与流量统计工具里的访客(UV)概念相似。——概念引自百度百科

二、发现问题

跑跑最近在一家公司实习,突然想到之前学习的日活。于是乎,便开始了当日的摸鱼之旅hhh

跑跑查看了2019.01.01-2019.06.15的日活

XX 2019.01.01-2019.06.15日活

一看,就发现了问题,移动应用渠道的日活在2019.05.19(日活6,810,227)开始持续走高,在2019.05.27(日活13,710,014)达到顶峰,并在次日(日活5,504,723)陡然下降。

三、分析问题

(1)日期、渠道维度下钻

跑跑拉取移动应用渠道2019.05.01-2019.05.31日活

移动应用渠道2019.05.01-2019.05.31日活

跑跑计算移动应用渠道2019.05.02-2019.05.31日活的环比增长率

2019.5.02-2019.5.31移动应用渠道日活环比增长率

可以看出,2019.05.19-2019.05.27环比增长率较其他时候是要高的,但是2019.05.28的日活也出现了本月最大幅度的下降。

看到这里跑跑猜测,可能是与哪个平台在2019.05.19-2019.05.27期间有合作,促进日活之类的。。。

(2)移动应用渠道下钻

跑跑拉取了2019.5.01-2019.5.31日移动应用各渠道前5%,10%,20%的日活。

2019.5.01-2019.5.31日移动应用渠道前5% 2019.5.01-2019.5.31日移动应用渠道前10% 2019.5.01-2019.5.31日移动应用渠道前20%

可以看出来移动应用渠道——XXXX主版本(蓝线)的变化趋势与移动应用渠道的变化趋势大致是相同的。

跑跑计算了2019.5.19-2019.5.28期间,XXXX主版本日活增长数和移动应用渠道日活增长数,并计算XXXX主版本增长数所占比例,可以得出2019.5.20-2019.5.28移动应用渠道日活的变动主要受XXXX主版本日活数变动的影响。

移动应用渠道--XXXX主版本日活变动数

跑跑分析到这里,基本可以确定2019.05.19-2019.05.28期间日活异常的原因:XXXX主版本日活异常。

但是不是跑跑猜测的:公司在和XXXX搞合作,XXXX拉新用户使得日活在此期间显著增加?

(3)影响因素之新增用户数

跑跑拉取了XXXX主版本2019.05.01-2019.05.31的新增用户数(DNU),可以初步看出2019.05.19日开始DNU有明显波动。

和XXXX主版本2019.05.01-2019.05.31的日活对比看,可以得出XXXX主版本的DNU的变动导致其日活的变动,进而导致整个移动应用渠道日活的异常。

2019.05.01-2019.05.31XXXX主版本DNU


四、后续

既然已经明确2019.05.19-2019.05.28移动应用渠道日活的异常是由于XXXX主版本DNU的急速增长,跑跑也向业务部门求证的确是有合作,那么在2019.05.28移动应用渠道的日活急速下降又是怎么回事呢?是否可以说明与此平台拉新的用户留存率较低,质量较差?后续更。。。。。。

相关文章

  • 数据异常分析——日活

    一、概念介绍 DAU(Daily Active User)日活跃用户数量,简称日活。常用于反映网站、互联网应用或网...

  • App业务数据统计

    App业务数据统计包括:展示、点击、新增、日活、异常等 目前用的比较多的是ELK——开源实时日志分析ELK平台由E...

  • 数据异常分析过程

    背景: 数据异常分析是数据分析工作中最常见且重要的分析主题,通过一次次的异常分析来明确造成数据波动的原因,建立日常...

  • 2019-08-19

    一、数据质量分析 脏数据: 缺失值 异常值 不一致的值 重要数据含有特殊符号的数据 1.异常值分析 (1)简单统计...

  • 数据处理-利用 python进行异常值分析

    异常值分析是检验数据是否有录入错误数据和不合常理的数据。不加剔除的把异常值代入数据分析过程中,会对结果产生不良影响...

  • Python数据挖掘015-电力窃漏电自动识别

    本项目的目标是通过电量异常数据,负荷异常数据,终端报警数据,主站报警,线损异常数据等信息,建立数据分析模型,来实时...

  • Python数据分析 | 数据描述性分析

    目录: 数据准备 类别型数据分析 数值型数据分析查看数据分布查看异常值描述性统计分析数据分布模型 相关性分析 1....

  • 数据异常如何分析?

    前言 前面两篇我们讲了对比分析法和多维度拆解法,下面呢我们通过一个方法论和一个案例来具体讲一下如何运用对比分析法和...

  • 2018-01-04 steam浅显分析

    Steam平台分析 以下是2018年1月2日-1月3日观察日活数据: 可以看到steam在一个平常日中日活数量达到...

  • 第三章:数据探索

    3.1餐饮销售额数据异常值检测 2数据特征分析 分布分析:分布分析能揭示数据的分布特征和分布类型;定量数据的分布分...

网友评论

      本文标题:数据异常分析——日活

      本文链接:https://www.haomeiwen.com/subject/cgqnqctx.html