如何通过DAU分析活跃用户？（案例：python绘制箱体图）

article/2025/9/18 8:45:03

前言：本文内容以游戏产品为基础进行讲解，内容为以下4部分：
1. 如何理解DAU反映了哪些问题？
2. 有哪些因素会影响DAU变动？
3. 如何解读DAU的“箱体图”？
4. 如何使用python绘制“箱体图”？

DAU的定义不是绝对的，通常会使用登录用户数作为DAU计算的基础。

如果希望DAU更反映有效登录用户，则可以使用“登录时长超过1分钟的用户”；如果是角色扮演游戏，还可以使用“账号数”、“角色数”等指标；也可以使用唯一指标表示，比如日活设备数。

1. 如何理解DAU反映了哪些问题？

反映核心用户规模：一定程度下，DAU代表核心用户数量，如果该指标下降，可能核心用户数也在减少；
反映产品黏性：DAU=DNU（新增用户）+DOU（老用户），如果DAU下降，可能是DOU下降，所以反映产品黏性降低；
反映渠道质量：DAU=DNU（新增用户）+DOU（老用户），如果DAU下降，可能是DNU下降，DNU下降又可以拆解到不同的渠道情况，所以可以反映渠道的质量；
反映生命周期情况： $DAU_i=DNU_i+\sum_{i=1}^mDOU_{m-i}$ ，其中m为用户生命周期天数，如果用户生命周期天数变短，那么DOU下降，引起DAU下降，所以可以反映用户生命周期情况。
反映用户质量：从构成角度探讨，可以观察DNU/DAU，这个下面会详细探讨；从登陆频率探讨，可以观察DAU用户的活跃天数，如图所示：

2. 有哪些因素会影响DAU变动？

关键节点：比如节假日、开学放假等。对其的分析方法为，对可以预测的关键节点，计算其影响指数，以应对未来产生的影响。
周期波动：分析数据的拐点和趋势，得到周期变化的时间节点和趋势，为未来的营销计划和推广计划同步规划；主要关注的方面可分为：收益、用户规模的变化和走势。
产品质量：观察版本更新、活动设置对DAU、收入和生命周期的影响情况。可能的影响因素还包括：付费点设计、交互体验调整、核心玩法调整；从设备来说包括：更新是否成功、适配能力；
其他外在影响因素：掌握其他因素的影响系数，包括：游戏外挂、竞品影响、版本更新、活动、渠道位置、推广质量；

3. 如何解读DAU的“箱体图”？

DAU的箱线图绘制，需要将每个月的DAU数据作为一个箱体的数据，图像说明如下：

图像描述：

离群点
中位线在箱体的位置是偏上、中间、还是偏下
所有中位线距离整理中位线的位置

案例：各月DAU箱体图

4. 如何使用python绘制“箱体图”？

import seaborn as sns
sns.boxplot(x='Month',y='DAU',data=data,width=0.5 # 箱体的宽度,linewidth=2 # 箱子上线的粗细,whis=3 # 异常值的参考系，四分位距离的倍数
#            ,fliersize=2 # 异常值的大小,saturation=2 # 调整色彩饱和度
#            ,notch=True # 变成漏斗形状（很丑，别用） )
plt.plot([data['DAU'].median()]*6,'r--')
plt.show()# 从下图可知，该产品5月出现异常值点；
# 2月4月中位数低于整体中位数；1月和6月中位数靠下，说明有所下滑
# 整体较平稳，波动递增。可能是在指定月份有运营调整导致下降。