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、MAUDAU、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（ActiveUsers）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（DailyRetentionRate）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（WeeklyRetentionRate）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（MonthlyRetentionRate）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；
　　UsersLeave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，N1流失概率56。71；N7流失概率95。16；N14流失概率98。56；以N14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
　　ACTN（ActiveNDay）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：ACTN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amp；amp；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（DailyAvg。OnlineTime）日均使用时长：活跃用户平均每日在线时长；
　　EC（EngagementCount）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（ActiveUsers）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（PeakConcurrentUsers）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：PCUamp；lt；DAU，通常情况下PCU受游戏内运营活动影响较大；
　　ACU（AverageConcurrentUsers）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：DAUAT时间精度（若精确到分钟，则除以2460）；
　　AT（DailyAvg。OnlineTime）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（EngagementCount）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：N1流失概率56。71；N7流失概率95。16；N14流失概率98。56；
　　DRR（DailyRetentionRate）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（WeeklyRetentionRate）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（MonthlyRetentionRate）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（UsersLeaveRate）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；
　　ACTN（ActiveNDay）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：ACTN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。comarchives3006
　　相关系列文章：
　　【入门篇】移动游戏数据分析框架概论
　　http：www。woshipm。comoperate84786。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。comoperate84093。html