企业官网建设流程全解析

1. 从两个核心指标说起：DNU与DAU的本质

做产品运营、数据分析或者用户增长的朋友，对DNU和DAU这两个指标肯定不陌生。它们就像产品的“体温计”和“血压计”，每天都要看，但你真的看懂了吗？很多人每天盯着后台那个数字，看到DNU涨了就开心，看到DAU跌了就焦虑，但往往知其然不知其所以然。今天，我们不聊那些复杂的公式和模型，就从最基础的“理解”和“分析”入手，结合一个非常直观的可视化工具——面积图，来聊聊怎么把这两个指标“玩”明白。

首先，我们得把概念掰扯清楚。DNU，即日新增用户，指的是在某个自然日内，首次启动或访问你应用的用户数。注意，是“首次”。这意味着，一个用户无论未来多么活跃，他在整个生命周期里，只会为DNU贡献一次。DNU衡量的是你产品拉新的能力，是流量的“入口”。而DAU，即日活跃用户，指的是在某个自然日内，启动或访问过你应用的用户数。这里不区分新旧，只要今天来了，就算一个。DAU衡量的是你产品整体的用户活跃基本盘，是生态的“池子”。

理解它们的关系，是分析的第一步。你可以把产品想象成一个水池。DNU就是每天从外部引入的新水源（新用户）。DAU则是每天水池里总的水量（活跃用户）。这个水量（DAU）由两部分组成：一部分是今天新引入的水（DNU），另一部分是昨天、前天乃至更早引入的，但今天依然“流动”着的老水（老用户的今日活跃）。所以，一个最基本的公式就出来了：今日DAU = 今日DNU + 昨日及之前的留存用户今日活跃数。

光知道这个公式没用，关键是怎么用它来发现问题。如果DAU很高，但DNU很低，说明你的产品留存做得非常好，老用户非常忠诚，但拉新可能遇到了瓶颈。反之，如果DNU很高，但DAU增长缓慢甚至停滞，那就要敲响警钟了：很可能出现了“漏水”的情况，即新增用户留存极差，进来多少跑多少，水池永远装不满。这时候，单纯砸钱拉新就是打水漂。

那么，怎么才能直观、动态地看到这种关系呢？这就是我们今天要重点讨论的“DNU/DAU面积图”。它不是一个复杂的模型，而是一种将上述水池比喻可视化的绝佳方式。通过这张图，你不仅能一眼看出每日的DNU和DAU，更能清晰地看到“新用户”和“老用户”在每日活跃大盘中的贡献占比变化，从而快速定位问题是出在拉新端，还是留存端。

2. 构建你的分析仪表盘：DNU/DAU面积图详解

理解了概念，我们来看看这个核心的分析工具——DNU/DAU面积图，到底长什么样，以及如何解读它。这种图在专业的数据分析平台（如GrowingIO、神策数据等）里是标配，但原理很简单，我们自己用Python也能轻松绘制，并且自己动手画一遍，理解会更深刻。

2.1 面积图的视觉逻辑与信息密度

一张标准的DNU/DAU面积图，X轴通常是时间（日、周、月），Y轴是用户数。图上会有两层面积：

1. 底层面积（通常颜色较深）：代表每日的DNU（新增用户）。
2. 上层面积（通常颜色较浅，叠加在底层之上）：代表每日的DAU（活跃用户）。

这里有一个关键：DAU的面积是从0到DAU值的完整区域，而DNU的面积是从0到DNU值的区域。因为DNU是DAU的一部分，所以DNU的面积会被完全包含在DAU的面积之内。两者之间的差值，即DAU - DNU的区域，用颜色区分出来，代表的正是“老用户的今日活跃数”。

这种叠加面积图的妙处在于：

• 一眼看清趋势：DAU面积顶部的轮廓线，就是DAU随时间变化的曲线。DNU面积顶部的轮廓线，就是DNU的曲线。
• 直观判断结构：如果某一天，DNU的色块面积很大，几乎填满了DAU的色块，说明那天DAU主要由新用户贡献，老用户不活跃，留存可能出了问题。如果DNU色块很薄，DAU色块却很厚，说明活跃度主要靠老用户支撑，产品进入稳定期，但需警惕新用户增长乏力。
• 定位波动根源：当DAU突然飙升或暴跌时，你可以立刻通过两层面积的变化，判断是拉新（DNU层）带来的，还是老用户活跃度（差值区域）变化带来的。

举个例子，大促期间，DNU面积可能会突然变厚，带动整个DAU面积向上膨胀。而如果某个版本发布后，DAU面积顶部轮廓线下降了，但DNU层没变薄，甚至变厚了，那问题很可能出在版本更新伤害了老用户的体验，导致他们不活跃了。

2.2 手把手用Python生成面积图：从数据到洞察

光说不练假把式。我们假设你有一份简单的每日数据表格（CSV格式），包含date，dnu,dau三个字段。下面我用Python的matplotlib和pandas库，带你一步步画出这张分析金图。

首先，是环境准备和数据准备。如果你还没安装这些库，在命令行里执行pip install pandas matplotlib即可。我们模拟一份30天的数据，以便观察趋势。

import pandas as pd import matplotlib.pyplot as plt import matplotlib.dates as mdates from datetime import datetime, timedelta import numpy as np # 1. 生成模拟数据 np.random.seed(42) # 确保可复现 date_range = pd.date_range(start='2023-10-01', periods=30, freq='D') # 模拟DNU：有一定波动，但整体平稳 dnu = np.random.randint(800, 1200, size=30) + np.sin(np.arange(30)/5) * 100 dnu = dnu.astype(int) # 模拟DAU：在DNU基础上，加上一个基于历史留存的老用户活跃数，并引入一些趋势和波动 # 假设老用户活跃基数约为3000，并随时间缓慢增长，同时有周期性波动 base_dau = 3000 + np.arange(30) * 10 # 缓慢增长的趋势 fluctuation = np.sin(np.arange(30)/7) * 200 # 周期性波动 dau = (base_dau + fluctuation + dnu * 0.5).astype(int) # DAU包含部分新用户和模拟的老用户 # 创建DataFrame df = pd.DataFrame({ 'date': date_range, 'dnu': dnu, 'dau': dau }) df['old_user_active'] = df['dau'] - df['dnu'] # 计算老用户活跃数 print(df.head())

数据有了，接下来是绘图的核心部分。这里有几个美化技巧和关键设置，能让你的图表更专业、更易读。

# 2. 创建图表和坐标轴 fig, ax = plt.subplots(figsize=(14, 8)) # 3. 绘制面积图 # 先绘制老用户活跃面积（底层），颜色用稳重的蓝色 ax.fill_between(df['date'], 0, df['old_user_active'], color='skyblue', alpha=0.8, label='老用户活跃 (DAU - DNU)') # 再绘制新用户（DNU）面积，叠加在上面，颜色用醒目的橙色 ax.fill_between(df['date'], df['old_user_active'], df['dau'], color='orange', alpha=0.8, label='新增用户 (DNU)') # 4. 绘制DAU和DNU的趋势线（可选，使顶部轮廓更清晰） ax.plot(df['date'], df['dau'], color='darkblue', linewidth=2, label='DAU趋势线') ax.plot(df['date'], df['dnu'], color='darkred', linewidth=2, linestyle='--', label='DNU趋势线') # 5. 图表美化与信息标注 ax.set_xlabel('日期', fontsize=12) ax.set_ylabel('用户数', fontsize=12) ax.set_title('DNU/DAU 构成面积图分析 (模拟数据)', fontsize=16, fontweight='bold') ax.legend(loc='upper left', fontsize=11) ax.grid(True, which='major', axis='y', linestyle='--', alpha=0.7) # 优化X轴日期显示，避免重叠 ax.xaxis.set_major_formatter(mdates.DateFormatter('%m-%d')) ax.xaxis.set_major_locator(mdates.WeekdayLocator(byweekday=mdates.MO)) # 每周一显示一个刻度 fig.autofmt_xdate(rotation=45) # 6. 添加关键数据标注（例如，标注最大值、最小值或特殊点） max_dau_idx = df['dau'].idxmax() ax.annotate(f"DAU峰值: {df.loc[max_dau_idx, 'dau']}", xy=(df.loc[max_dau_idx, 'date'], df.loc[max_dau_idx, 'dau']), xytext=(10, 20), textcoords='offset points', arrowprops=dict(arrowstyle='->', connectionstyle='arc3'), fontsize=10, bbox=dict(boxstyle='round,pad=0.3', facecolor='wheat', alpha=0.8)) # 显示图表 plt.tight_layout() plt.show()

运行这段代码，你就能得到一张专业的面积图。在这张图上，你可以清晰地看到：

• 整体水位（DAU）：蓝色+橙色区域的总高度。
• 拉新贡献（DNU）：橙色区域的厚度。
• 留存健康度（老用户活跃）：蓝色区域的厚度。
• 趋势与波动：顶部曲线的走向。

注意：在真实业务中，你的DNU和DAU数据应该是从数据仓库或分析平台直接查询导出。确保统计口径一致（例如，都是基于设备ID还是用户ID，是否去重）。口径不一致是分析中最大的坑。

3. 超越图形：基于面积图的四步深度分析法

有了面积图这个强大的可视化工具，我们的分析不能只停留在“看图说话”的层面。接下来，我结合多年经验，总结出一套四步深度分析法，帮你从图形中榨取出真正的业务洞察。

3.1 第一步：结构健康度诊断——看“厚度比”

每天上班第一眼，不要只看DAU总数是涨是跌，先看图中橙色层（DNU）和蓝色层（老用户活跃）的“厚度比”。我习惯计算一个“新用户活跃贡献率”：DNU / DAU。

• 健康区间（经验值）：对于一款处于稳定增长期的成熟产品，这个比率通常会在一个相对稳定的区间内波动，比如10%-25%。这意味着产品既有持续的新鲜血液输入，又有坚实的留存基本盘。
• 报警信号：
  • 比率持续过高（>40%）：警惕！这说明DAU严重依赖新用户，老用户留存可能很差，产品像“筛子”，留不住人。需要立刻检查次日留存、7日留存等指标。
  • 比率持续过低（<5%）：同样危险！说明增长引擎几乎熄火，产品在“吃老本”。市场声量可能变小，或渠道拉新效果锐减。需要复盘近期市场活动和渠道投放。

在面积图上，高比率表现为橙色层很厚，甚至接近DAU顶部轮廓线；低比率则表现为橙色层像一条细线，DAU几乎全由蓝色层构成。

3.2 第二步：波动归因分析——追“波动源”

DAU曲线不可能是一条直线，总有波峰波谷。面积图能帮你一秒定位波动源头。

• 场景A：DAU突增

  • 情况1：橙色层（DNU）同步显著增厚，蓝色层变化不大。归因：成功的一次拉新活动（如应用商店推荐、病毒营销、渠道大推）。结论：活动拉新效果显著，需进一步观察这批新用户的留存情况。
  • 情况2：橙色层变化不大，蓝色层显著增厚。归因：老用户活跃度提升。可能原因有：版本更新激发了老用户回归、成功的召回活动（Push、短信）、季节性因素或热点事件带动。结论：产品运营或内容策略对存量用户有效。

• 场景B：DAU突降

  • 情况1：橙色层突然变薄。归因：拉新渠道出现问题（如某广告渠道停投、应用商店评分骤降、负面舆论）。需要立即检查各渠道数据。
  • 情况2：蓝色层突然变薄。归因：老用户流失或活跃度下降。这是最严重的问题！可能原因有：版本更新出现严重Bug、竞争对手推出强力功能、核心内容/服务出现断档。需要立即结合用户反馈和版本日志排查。

实操心得：我通常会在大波动点（波峰/波谷）在图上做一个垂直标记线，在旁边用文字简要标注可能的原因（如“V3.2版本上线”、“XX渠道投放启动”）。时间长了，这张图就成了产品运营的“病历本”，任何异常都有迹可循。

3.3 第三步：趋势预测与目标拆解——绘“轨道线”

面积图不仅反映过去，还能指导未来。你可以用它来辅助制定和拆解增长目标。

假设老板要求下个季度DAU提升20%。你不能拍脑袋说“那我们多投点广告”。用面积图思维来拆解：

1. 历史基线分析：观察过去几个季度面积图，计算DAU的自然增长率、DNU的平均贡献、老用户活跃的自然衰减/增长趋势。
2. 目标值绘图：在图上，用虚线画出未来达到目标DAU所需的“轨道线”。
3. 结构拆解：这个新增的20%的DAU，应该由多少新用户（DNU）和多少老用户活跃提升来贡献？这需要你结合历史留存率、拉新成本、运营预算来综合判断。
   • 如果决定70%来自新用户，30%来自老用户活跃提升，那么你就能在面积图上画出未来目标状态下，橙色层和蓝色层应该达到的厚度。
4. 动作反推：基于拆解出的DNU目标和老用户活跃目标，反向推导需要做什么。例如，要达到DNU目标，需要开拓哪些新渠道、优化哪些落地页；要达到老用户活跃目标，需要设计哪些签到活动、内容更新计划或功能优化。

这样，一张静态的历史图表，就变成了动态的未来作战地图。

3.4 第四步：多维下钻与对比分析——切“剖面图”

单一的全局面积图有时还不够细。我们需要下钻分析，这里面积图依然可以派上用场。

• 按渠道维度下钻：分别绘制不同渠道（如自然流量、Facebook广告、谷歌广告、社交媒体）带来的DNU/DAU面积图。你可能会发现，渠道A带来的新用户（橙色层）很厚，但蓝色层（留存）很薄，属于“流量大但质量差”；渠道B带来的新用户不多，但后续的蓝色层非常坚实，属于“优质渠道”。这直接指导你的渠道预算分配。
• 按用户画像维度下钻：对新用户按来源（搜索下载、朋友推荐）、设备类型（iOS/Android）、地域等绘制面积图，分析不同画像用户的留存和活跃模式。
• 时间周期对比：将本周的面积图与上周、上月同期叠加对比，可以消除“星期效应”等周期性影响，更清晰地看到真实的趋势变化。

避坑指南：进行下钻分析时，务必确保各维度下DAU的计算是去重的。例如，一个用户既通过渠道A又通过渠道B活跃，在渠道分拆图中，他应该被合理地归因到某个主要渠道或进行去重处理，否则各分项DAU之和会大于总DAU，导致分析失真。业内常用“最后一次触点归因”或“多渠道归因模型”来解决这个问题。

4. 实战案例复盘：从面积图中发现“沉默的危机”

理论说了这么多，我们来看一个我亲身经历过的简化版案例，看看面积图如何在实际业务中发挥“预警机”的作用。

当时我负责一款工具类产品，它的DAU在过去半年里一直保持着缓慢但稳定的上升曲线，从表面数字看，一切向好。团队的主要精力也放在如何进一步拉高增长曲线上。我们例行查看的日报，主要关注DAU和DNU的绝对值以及环比。

直到有一天，我决定把过去90天的DNU/DAU面积图画出来做一次季度复盘。图画出来后，一个之前被忽略的模式清晰地浮现出来：DAU的蓝色层（老用户活跃）的顶部轮廓线，在近两个月变得异常平坦，几乎没有增长；而整个DAU的缓慢增长，完全是由橙色层（DNU）的轻微波动和缓慢增厚在拉动。

换句话说，老用户活跃大盘已经停滞不前，甚至略有下滑，所有的增长都依赖于不断注入新用户来勉强维持DAU数字的上涨。这张图就像一盆冷水，让我们瞬间清醒。

我们立刻停下了盲目拉新的计划，转而成立一个专项小组，深入分析老用户。通过用户分群和回访调研，我们发现了问题：产品的一个核心功能模块，在两个月前的一次“性能优化”版本更新后，虽然速度提升了，但操作流程变得比原来多了一步，对高频使用的老用户造成了显著的体验磨损。他们用得不如以前爽了，但尚未到彻底流失的程度，只是活跃度在默默下降。

解决方案与验证：

1. 立即修复：产品团队快速迭代，在下个版本中优化了该功能的操作路径，恢复了之前的便捷性。
2. 老用户召回：运营团队针对近60天活跃度下降的老用户群体，设计了一个专属的“功能回归体验”活动，并通过Push和邮件告知优化消息。
3. 持续监控：在修复版本发布后，我们紧密观察面积图。大约一周后，效果开始显现：DAU的蓝色层（老用户活跃）开始重新变得“饱满”，并呈现出上升趋势。而由于我们暂时减少了拉新投放，橙色层（DNU）变薄了，但总DAU却因为蓝色层的增长而保持稳定，甚至结构更健康了（新用户贡献率下降到了合理区间）。

这个案例给我的深刻教训是：不要被DAU的绝对数值蒙蔽双眼。拆解其构成，关注“老用户活跃”这个基本盘的厚度和趋势，往往比关注DAU总数更重要。面积图正是完成这种拆解最直观的工具。它帮助我们在歌舞升平中发现了“沉默的危机”，避免了在错误的方向上越走越远。

5. 进阶思考：当DNU/DAU分析遇到复杂场景

掌握了基础分析和面积图技法，我们可以聊点更深入的。在实际业务中，尤其是大型或复杂产品，直接套用上述方法可能会遇到一些“失真”的情况，需要我们更精细地处理。

5.1 指标口径的“魔鬼细节”

DNU和DAU的定义看似简单，但统计口径是第一个大坑。

• 去重与不去重：是基于设备ID（Did）还是用户ID（Uid）？一个用户多设备登录如何计算？通常，DAU要求严格去重（一个用户一天只算一次），而DNU则要定义清楚“首次”的判断周期（是历史首次，还是近30天首次？）。
• 活跃的定义：是“启动”就算，还是必须完成某个关键行为（如浏览超过3个页面、停留超过30秒）？对于工具类产品，后台静默运行算不算活跃？这些都需要根据产品特性明确定义，并且所有对比分析必须在同一口径下进行。
• DNU的归因窗口：用户今天下载了App，但三天后才首次打开，这个用户应该算在哪天的DNU里？行业通常按“首次激活时间”归因，即算在三天后。这会影响你对渠道拉新效果评估的及时性。

我的建议：在团队内部建立一份《数据指标字典》，明确每一个核心指标的定义、计算规则、取数来源和负责人。任何分析开始前，先确认口径一致。

5.2 结合留存率矩阵进行立体诊断

面积图告诉我们“老用户活跃”的总量，但它是一个混合体，包含了昨天的新用户、上周的新用户、上月的新用户等等。要更精细地诊断留存问题，必须结合留存率矩阵（Cohort Analysis）。

具体做法是：

1. 将每天的新增用户（DNU）作为一个同期群（Cohort）。
2. 追踪这个群组在后续每一天（D+1, D+2, ..., D+30）的活跃情况，计算留存率。
3. 将数据做成热力图，横轴是时间（新增后的天数），纵轴是新增日期，颜色深浅代表留存率。

当你从面积图上发现“老用户活跃”层增长乏力时，立刻去查留存矩阵。你可能会发现，并不是所有老用户都不活跃了，而是最近一个月新增的用户，他们的次留、7留曲线明显下滑。这说明问题出在新用户的“转化-留存”漏斗上，可能是新手引导不好，也可能是近期拉来的用户质量下降。反之，如果所有同期群的留存曲线都很稳定，但蓝色层还是下降，那可能是更早之前的用户（比如半年前）在自然流失，这就需要启动老用户召回策略了。

面积图是“总览仪表盘”，留存矩阵是“显微镜”，两者结合，才能定位到问题的具体环节。

5.3 关注“可商业化DAU”与“健康度DAU”

在一些业务场景下，不是所有DAU都有同等价值。例如：

• 可商业化DAU：对于广告变现的产品，可能更关注“当日有广告曝光/点击行为的用户数”。
• 健康度DAU：对于社区产品，可能更关注“当日有发布、评论、点赞等互动行为的用户数”。

我们可以基于面积图的思想进行变种。比如，绘制“总DAU”与“互动DAU”的叠加面积图。这样，你不仅能看大盘活跃，还能看核心用户的活跃健康度。如果总DAU在涨，但互动DAU的占比在持续下降，说明用户“水化”了，虽然人多，但生态不健康，商业价值和社区氛围都在稀释。

5.4 自动化监控与预警

人工每天看图毕竟效率低下，对于核心指标，应该建立自动化监控体系。思路如下：

1. 关键指标计算：每日自动计算“新用户贡献率”（DNU/DAU）、“老用户活跃绝对值”、“老用户活跃环比”。
2. 设定阈值预警：
   • 规则1：如果“新用户贡献率”连续3天超过30%，自动触发黄色预警，提示“留存风险”。
   • 规则2：如果“老用户活跃绝对值”环比下降超过5%，自动触发橙色预警，提示“核心用户流失风险”。
   • 规则3：如果DAU绝对值在排除周末效应后，仍出现断崖式下跌（如单日跌超10%），触发红色警报。
3. 预警信息整合：预警信息不仅包含数字，最好能附上最近7天的DNU/DAU面积图缩略图，让接收者一眼就能看到问题趋势。

这套系统建立后，团队就能从“被动看数”转向“主动管理”，在问题刚冒头时就介入，而不是等到月度复盘时才后知后觉。

数据分析的价值不在于做出多么华丽的图表，而在于通过数据发现真问题，驱动正确的决策。DNU和DAU是产品最基础的脉搏，而面积图就是听诊器。它用最直观的方式，把用户生态的“进水量”、“存水量”和“健康度”呈现给你。掌握它，你就能超越数字的表面波动，看到产品肌体深处的活力与病灶，从而成为一个更从容、更敏锐的产品增长负责人。