【入门篇】移动游戏数据分析框架-活跃留存相关指标详解.docxVIP

【入门篇】移动游戏数据分析框架-活跃留存相关指标详解Fanny发表于?2014年05月09日?|数据分析?|暂无评论作者：GRG专栏作家刘异网龙公司产品分析经理，专注移动互联网数据分析?在跟很多朋友聊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，DAU、MAU、AT、MAU/DAU、PCU、ACU，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===========?AU（Active 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DAU（日活跃用户），WAU（周活跃用户）,MAU（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 Retention Rate）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WRR（Weekly Retention Rate）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（Monthly Retention Rate）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：截止统计当日，某等级的流失用户数 / 服务器上大于等于该等级的所有用户数；以上留存算法都是以统计周期内的所有用户为基数进行的计算；在页游时代和手游时代针对新增用户，还有另外一套留存算法，我更喜欢称为新增用户活跃度.也就是大家平时经常听到的次日留存、7日留存、14日留存等ACT_N（Active N_Day）用户活跃度：统计周期内，新增用户在随后不同时期的登录情况；公式：ACT _N = 统