大部分互联网产品的核心指标都是 DAU（Daily Active User ，日活跃用户数），那究竟什么是 DAU 指标，怎么使用它呢？

本文可以看作上一篇《指标体系的原理、方法论和应用》的应用，以 DAU 为切入点，介绍如何拆解 DAU，如何构建 DAU 的指标体系，如何应用 DAU 指标。

本文尝试从宏观视角，用逻辑来推导 DAU 的拆解原理、方法论，构建 DAU 的指标体系的知识体系。

首先，介绍了 DAU 的定义、DAU 的复合指标、DAU 的要素等 DAU 的基础知识；

接着，介绍了从时间、行为、用户、业务等维度介绍 DAU 拆解的原理；

然后，介绍了 DAU 在数据分析、用户增长、数据运营、数据营销上的应用；

最后，对 DAU 进行总结，指出 DAU 的本质、局限、指标体系和优化方向。

本文的目录如下：

1. DAU 基础
1.1. DAU的定义
1.2. DAU的复合指标
1.3. DAU的要素

2. DAU 拆解原理
2.1.按时间拆解DAU
2.2.按行为拆解DAU
2.3.按用户拆解DAU
2.4.按业务拆解DAU

3. DAU 拆解应用
3.1.DAU的数据分析
3.2.DAU的用户增长
3.3.DAU的数据运营
3.4.DAU的数据营销

4. DAU 总结
4.1.DAU的本质
4.2.DAU的局限
4.3.DAU的指标体系
4.4.DAU的优化

接下来，让我们一起走进 DAU 的世界，去尝试探讨 DAU 的拆解原理及应用。

DAU的拆解原理、方法论和应用

1. DAU 基础

DAU 基础的目录

1.1. DAU的定义

DAU（Daily Active User）日活跃用户，简称日活，通常是指一天之内使用某产品的独立用户数。

DAU 的口径取决于你的产品特征和商业价值考量，所以资讯类DAU、工具类DAU、电商类DAU的定义是可以不同的。

DAU的定义

与 DAU 关系很紧的指标还有 WAU（Weekly Active User，周活）、MAU（Monthly Active User，月活）指标。

WAU、MAU

1.2. DAU的复合指标

日活跃率、周活跃率、月活跃率，这些都是与 DAU 相关的复合指标。

DAU的复合指标

日活渗透率、功能渗透率、用户粘性等指标也可以通过DAU来定义。

日活渗透率、功能渗透率、用户粘性

1.3. DAU的要素

按时间、行为、用户维度把 DAU（Daily Active User）拆解，即得 DAU 的要素是时间、行为和用户。

DAU的要素

2. DAU 拆解原理

DAU 拆解原理的目录

从二维空间视角看，拆解就两个方向：水平方向（横向）、垂直方向（纵向）。

从二维空间视角看，拆解就两个方向：水平方向（横向）、垂直方向（纵向）

总的拆解思路是：横向扩展拆解，纵向细分拆解，建立层次指标体系。

总的拆解思路是：横向扩展拆解，纵向细分拆解，建立层次指标体系

那么，怎么拆解 DAU 呢？

比如，DAU 水平方向可以拆解成时间、行为、用户；DAU 垂直方向向下细分拆解如下：

DAU垂直方向向下细分拆解

2.1.按时间拆解DAU

时间维度上看：

向上是周、月，我们可以看大尺度机会；

向下是上午、中午、下午等等，找落地机会，当然还可以细分。

按时间拆解DAU

2.2.按行为拆解DAU

行为维度可以是：使用频次、使用时间、使用功能模块的数量。

按行为拆解DAU

2.3.按用户拆解DAU

用户维度可以是：地域、新老、喜好等。

按用户拆解DAU

拆解背后是商业价值的诉求，所以 DAU 拆解的落地，一定要根据用户商业价值拆解。比如老用户的比列是多少才相对更有意义。

根据用户商业价值拆解DAU

另一个视角看DAU。

另一个视角看DAU

2.4.按业务拆解DAU

数据时代，用户在某种场景（业务）下活动产生大量数据。

所以，数据驱动的商业的三要素：用户、业务、数据。

数据时代，用户在某种场景（业务）下活动产生大量数据

纯数据维度的拆解是没有意义的，所以指标拆解就二个维度：用户维度、业务维度。

指标拆解就二个维度：用户维度、业务维度

3. DAU 拆解应用

DAU 拆解应用的目录

3.1.DAU指标的数据分析

问：抖音（快手）的 DAU 突然下降了，是什么原因？

答：宏观环境，或者平台结构发生变化了。

前提是你的数据统计是正确的，比如数据埋点没有问题。

DAU指标的数据分析

异常分析常常要结合漏斗模型、用户画像、数据看板等定位具体问题。关于用户画像可以参考我之前的文章：

接着可以利用A/B实验验证具体的原因。关于A/B实验可以参考我之前的文章：

类似，你也可以分析快手、B站、微博、拼多多、京东、知乎等的DAU下降，或者其它指标的异常。

异常分析是个有趣而且有价值的话题，它是因果分析中的一部分，后续我会有专门文章进行系统介绍，到时咱们再一起探讨。

3.2.DAU指标的用户增长

用户增长是个系统性问题，这里不展开了，感兴趣可以参考我之前的文章：

这里以流入流出模型为切入点，介绍用户增长。流入流出模型如下：

流入流出模型

根据流入流出模型，提高 DAU 指标的方法如下：

根据流入流出模型，提高 DAU 指标的方法

问：如何提高 DAU？

答：减少“流出”。

如何提高 DAU？

3.3.DAU指标的数据运营

DAU 是一种活跃指标，可以拆解成新用户DAU、老用户DAU、沉默唤醒DAU等三个细分用户群。通常是基于实际数据进行拆解，这里尝试给出仅供参考。

DAU指标的数据运营

3.4.DAU指标的数据营销

DAU 代表了具备营销价值的用户群，但还是太糙，需要进一步细分。比如高价值用户（通常是收入的头 20% 用户）DAU比例是多少，年轻用户DAU比列是多少。

DAU指标的数据营销

4. DAU 总结

DAU 总结的目录

4.1.DAU的本质

DAU的本质是：用户需求的总体规模。

DAU的本质是：用户需求的总体规模

4.2.DAU的局限

DAU 可能是个伪指标，通常需要把 DAU 进行细分。

DAU的局限

4.3.DAU的指标体系

单个数值的DAU评估是不全面，而且很难发现有价值的信息。通常要结合业务，搭建自己的 DAU 指标体系。

DAU的指标体系

4.4.DAU的优化

DAU的优化方向：

一个是从 DAU 到 MAU，分析活跃指标的稳定性。

另一个是从 DAU 到使用时长，分析用户的粘性。

DAU的优化

参考文献：

DAU的拆解原理、方法论和应用的参考文献

总结：

DAU 是互联网产品的一个核心指标，特别是内容类（知乎、今日头条、抖音、快手）、社交类（微博、微信）APP。每个产品的阶段、业务不同，商业价值诉求不同，它们的 DAU 指标拆解应用也是不同的，重要的是拆解思路，以及知识的迁移能力。

结束语：

由于个人的经历、能力和水平是有限的，我的可能是片面的，也可能是错的，这里抛砖引玉。

理论本身是务虚的，需要实践、实践、再实践。

你的反馈，正的负的都是有价值的，有助于我加速迭代升级——更深入、更全面。

你可能会有更好的理论、实践案列，欢迎在评论区留言，咱们一起讨论。