【精选】【入门篇】移动游戏数据分析框架-活跃#038;留存相关指标详解.pdfVIP

【入门篇】移动游戏数据分析框架-活跃留存相关指标详解 在跟很多朋友 游戏分析指标的时候 ，提到活跃和留存大家都会有一些疑问。 1、活跃相关的指标基本都是描述性指标 ，DA U、MA U、AT 、MA U/DA U、PCU、A CU ，除了描 述游戏的在线规模和用于一些异常监控以外 ，还有什么用。 2、留存是最蛋疼的事情 ，因为市面上有各种各样的留存算法 ，各有各的道理 ，但是不知道他们之间 的区别到底是什么 ，在哪些情况下应该应用哪些算法。 还是回到CP的根本任务“最大化活跃用户规模 ，并在此规模之上最大化用户付费转化及付费强度” ； 最大化活跃用户规模可以拆解为2个部分 ： 1是规模 ，更多的人玩 ，除了通过增加新增导入以外 ，还需要延迟用户生命周期 （玩的更久 ）也就 是提高留存 ，再有就是沉默用户的唤醒 ； 2是活跃 ，更高的参与度 （每日游戏时长 ，每月游戏天数 ），在固定周期内 ，用户参与游戏的时间 越久 ，我们就越有机会让用户转换为付费用户 ； ========在做进一步讲解之前 ，我们先对活跃用户进行一下定义=========== A U （A ct ive Users ）活跃用户 ：统计周期内 ，登录过游戏的用户数 ；根据统计周期不同又划分 为DA U （日活跃用户 ），WA U （周活跃用户 ）,MA U （月活跃用户 ）； 备注 ：入门篇中所定义的“用户”均以“账号”进行衡量 ；账号 ：游戏账号库中的唯一标识 ，在单款游戏 中全局唯一 ； =================================================== 回到正题 ，活跃比较好理解 ，所以我们先来说留存 ，业内有很多留存的算法 ，首先我们来看一下最 简单的留存定义 ： DRR （Daily Ret ent io n Rat e ）日留存率 ：统计当日登录过游戏 ，且后一日也有登录游戏的用户 占 统计当日活跃用户的比例 W RR （Wee ly Ret ent io n Rat e ）周留存率 ：统计当周登录过游戏 ，且下一周至少登录一次游戏的 用户占 统计当周活跃用户比例 ； MRR （Mo nt hly Ret ent io n Rat e ）月留存率 ：统计当月登录过游戏 ，且下一月至少登录一次游戏的 用户占 统计当月活跃用户比例 ； 简而言之 ，就是当前统计周期 （日、周、月 ）内有登录游戏的用户 ，在下一个统计周期内还有登录 过的用户 ，即为留存用户 ；所以留存率的时效性会延迟一个统计周期. 关于 日留存率 业界有一个拓展定义 ：统计当日登录游戏的用户 ，在之后N 日内至少登录一次游戏的 用户 占 统计当周活跃用户比例 ； 为什么要做这样一个拓展定义 ？我们在做数据分析的时候 ，留存率只是告诉我们一个值 ，这个值本 身意义不是非常大 ，但是流失它可以帮助我们发现游戏存在的问题 ； 大多数人在做数据分析的时候 ，都会干一件事情 ，把“流失玩家”的等级分布拉出来 ，计算一个等级 流失率 ，观察出现流失高峰时候的用户状态 ，在通过这次状态去反推游戏设计上可能存在的问题 ； 这个时候就“流失”判断的精度要求就比较高 ，只有发现真正意义上的流失用户 ，在去排查他们在流 失之前的行为、流失当下的属性等 ，才能更准确的帮助我们发现游戏内的问题 ； 那么 ，在简单的留存算法下 ，定义的流失会有2个问题 ： 1、精度不高 ，用户在某天或某周没有登录 ，不代表用户“不玩”游戏 ，有可能只是刚好没有登录 而已 ； 2、在计算周、月留存的时候 ，对每个个体存在不公平现象 ，A 用户周一注册 ，周三 ，周五 ，周天 登录后流失 ；B 用户周五注册 ，下周一再次登录后流失 ；那么在周留存计算中 ，会认为B用户是 周 留存用户 ，而A 用户是周流失用户 ；其实A玩的时间比B更久 ； 拓展后的日留存定义 ，本质上是在尝试定义精确的流失 ； Users Leave用户流失 ：统计日登录游戏后 ，在随后N 日内未登录过游戏的用户 ； 笔者通过某平台的登录流水数据进行计算 ，N= 1 流失概率56.71% ；N=7 流失概率 95.16% ；N= 14 流失概率98.56% ；以N= 14 为例 ，即一个账号连续14天不登陆游戏 ，则再次登录 （自然上线或通过 运营活动召回 ）的概率不到1.44 % ； 在定义精确流失之后 ，在RPG游戏中一个经典的应用就是计算等级流失高峰 ； 如果只是单纯的把流失等级分布拉出来意义不大 ，因为必然是低等级流失的用户最多 ，所以通常情 况下我们可以观察每个等级的流失概率 ； 等级流失概率 ：截止统计当