【入门篇】移动游戏数据分析框架-活跃&留存相关指标详解

2 评论 41140 浏览 58 收藏 15 分钟

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 = 统计周期内,一批新增用户在其首次登入后第N天还有登录的用户数 / 新增用户数;

备注:活跃度需要长期跟踪,根据需求可以设定30日、60日 或 90日;ACT仅针对统计周期内新增账号进行观察;

主要的作用是帮助CP、发行商和渠道商 快速的判断产品的质量;

如何应用 留存的数值对产品在线做估算,会在《【进阶篇】产品收益预估模型》里详解.

===================================================
除了留存&流失 之外,还有一个重要指标就是 回归率;

回归率:曾经流失,重新登录游戏的用户占 流失用户的比例;

公式:回归率 = 回归用户 / 流失用户池;

回归用户:曾经流失,重新登录游戏的用户;

流失用户池:过去一段时间内流失的用户数;

备注:精准的回归率 分母除以 历史以来流失的用户总数,但是由于游戏的用户是不断累积的,因此会导致回归率越来越低趋近于0;因此,通常去过去3个月内流失的用户作为流失用户池;

回归率最经常应用的场景就是评估运营活动的效果

最后是活跃相关的数据指标:

文章开篇有提到,除了增加活跃用户的规模之外,还需要提高活跃用户的质量,即游戏参与度,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,因此在游戏中,我们通常会关心以下2个指标:

AT(Daily Avg. Online Time)日均使用时长:活跃用户平均每日在线时长;

EC(Engagement Count)用户登录频率:用户开打游戏客户端记为一次登录,登录频率即统计周期内平均每用户登录游戏的总次数;
衡量用户的游戏参与度,游戏人气的变化趋势等

如何结合游戏内的数据,做分析并帮助指定运营计划和版本功能,以达到提升活跃的目的,这部分会在 进阶篇中列举详细案例具体说明;

===================小结:活跃相关======================

AU(Active Users)活跃用户

定义:用户开打游戏客户端记为一次登录;

拓展应用:根据统计周期段又划分为DAU(日活跃用户),WAU(周活跃用户),MAU(月活跃用户);

应用场景:衡量产品的核心用户规模,观察产品在线的周期性变化;

PCU(Peak Concurrent Users)最高同时在线用户人数

定义:统计周期内,同一时点(通常精确至分)的最高在线人数;

备注:PCU<=DAU,通常情况下PCU受游戏内运营活动影响较大;

ACU(Average Concurrent Users)平均同时在线用户人数

定义:统计周期内,每个时点(通常精确到分)的平均在线人数;

公式:DAU * AT / 时间精度(若精确到分钟,则除以 24*60);

AT(Daily Avg. Online Time)日均使用时长:

定义:活跃用户平均每日在线时长;

公式:AT = 日总在线时长 / DAU

EC(Engagement Count)用户登录频率:

定义:用户开打游戏客户端记为一次登录,登录频率即统计周期内平均每用户登录游戏的总次数;

备注:根据统计周期不同,通常每日登录频率统计的是登录次数;周及月的登录频率统计的是登录天次(一天登录多次记为一次)

应用场景:衡量用户的游戏参与度,游戏人气的变化趋势等

===================小结:留存相关====================

UsersLeave 用户流失

定义:统计日登录游戏,但在随后N日内未登入游戏的用户占 统计日活跃用户的比例 ;

应用场景:精确定义流失行为,通过观察流失用户的状态、流失前行为来判断游戏产品可能存在的问题;

流失标准:根据N的取值不同,可设置不同流失标准:N=1 流失概率56.71%;N=7 流失概率 95.16%;N=14流失概率98.56%;

DRR(Daily Retention Rate)日留存率

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;

WRR(Weekly Retention Rate)周留存率

定义: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

定义: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;

ULR(Users Leave Rate)用户流失率

定义:1-留存率;

备注:根据统计周期不同,可以区分为日留存、周留存、月留存;

ACT_N(Active N_Day)用户活跃度

定义: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 = 统计周期内,一批新增用户在其首次登入后第N天还有登录的用户数 / 新增用户数;

备注:活跃度需要长期跟踪,根据需求可以设定30日、60日 或 90日;ACT仅针对统计周期内新增账号进行观察;

应用场景:主要的作用是帮助CP、发行商和渠道商快速的判断产品的质量;

回归率:曾经流失,重新登录游戏的用户 占 流失用户的比例;

公式:回归率 = 回归用户 / 流失用户池;

回归用户:曾经流失,重新登录游戏的用户;

流失用户池:过去一段时间内流失的用户数;

备注:精准的回归率 分母除以历史以来流失的用户总数,但是由于游戏的用户是不断累积的,因此会导致回归率越来越低趋近于0;因此,通常去过去3个月内流失的用户作为流失用户池;

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

via:http://www.grg2013.com/archives/3006

相关系列文章:

【入门篇】移动游戏数据分析框架-概论

http://www.woshipm.com/operate/84786.html

【入门篇】移动游戏数据分析框架-市场推广相关指标详解

http://www.woshipm.com/operate/84093.html

【入门篇】移动游戏数据分析框架—活跃&留存相关指标详解

http://www.woshipm.com/operate/84797.html

【入门篇】移动游戏数据分析框架-收入相关指标详解

http://www.woshipm.com/operate/84813.html

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 好复杂的留存

    来自广东 回复
  2. 卧槽~要死了……

    来自山东 回复