有了这两者，即可去计算为了目标DAU，需要去提升的日新增量以及留存了。

二、举个例子

为了方便理解，举一个例子。假设留存稳定不变，现日均增量为x1，为了在3个月实现数值为y的目标DAU，每个月迭代1个版本，具体拆解每个版本的目标，方式是这样的：

1）计算出留存函数R（t）

2）v1.0版本的用户，在3个月后：

DAU增量=x1*R（t=1,2,3,4,5……90天）=x1*R（1） x1*R（2）…… x2*R（90）

v2.0版本功能迭代带来的新增用户（比如新增了个入口，且不影响之前的渠道增量）：

DAU增量=x2*R（t=1,2,3,4,5……60天）

v3.0版本迭代的新增用户：

DAU增量=x3*R（t=1,2,3,4,5……30天）

3）为了ROI更高，采取等额获客，x2与x3应该差不太多。

4）已知目标y，x1，R（t），是可以计算出每个版本的增量目标的（即x2、x3），知道每个版本的增量目标，能够更细颗粒度地去拆解所做的需求。也知道需求是否达到预期，是否需要做后续的补救（未及预期）或者是选择躺平（超出预期）。

通过DAU的拆解，也能够迁移学习，去拆解其他的下层指标，比如互动、营收等等。

我也见过通过分层拆解 加权系数的拆解目标的方式，拆解目标的方式有很多，选择适合自己的即可。