移動游戲數據分析框架-活躍&留存相關指標詳解_數據分析師

在跟很多朋友聊游戲分析指標的時候，提到活躍和留存大家都會有一些疑問。

1、活躍相關的指標基本都是描述性指標，DAU、MAU、AT、MAU/DAU、PCU、ACU，除了描述游戲的在線規模和用于一些異常監控以外，還有什么用。

2、留存是最蛋疼的事情，因為市面上有各種各樣的留存算法，各有各的道理，但是不知道他們之間的區別到底是什么，在哪些情況下應該應用哪些算法。

還是回到CP的根本任務“最大化活躍用戶規模，并在此規模之上最大化用戶付費轉化及付費強度”；

最大化活躍用戶規?？梢圆鸾鉃?個部分：

1是規模，更多的人玩，除了通過增加新增導入以外，還需要延遲用戶生命周期（玩的更久）也就是提高留存，再有就是沉默用戶的喚醒；

2是活躍，更高的參與度（每日游戲時長，每月游戲天數），在固定周期內，用戶參與游戲的時間越久，我們就越有機會讓用戶轉換為付費用戶；

========在做進一步講解之前，我們先對活躍用戶進行一下定義===========

AU（Active Users）活躍用戶：統計周期內，登錄過游戲的用戶數；根據統計周期不同又劃分為DAU（日活躍用戶），WAU（周活躍用戶）,MAU（月活躍用戶）；

備注：入門篇中所定義的“用戶”均以“賬號”進行衡量；賬號：游戲賬號庫中的唯一標識，在單款游戲中全局唯一；

===================================================

回到正題，活躍比較好理解，所以我們先來說留存，業內有很多留存的算法，首先我們來看一下最簡單的留存定義：

DRR（Daily Retention Rate）日留存率：統計當日登錄過游戲，且后一日也有登錄游戲的用戶 占 統計當日活躍用戶的比例

WRR（Weekly Retention Rate）周留存率：統計當周登錄過游戲，且下一周至少登錄一次游戲的用戶占 統計當周活躍用戶比例；

MRR（Monthly Retention Rate）月留存率：統計當月登錄過游戲，且下一月至少登錄一次游戲的用戶占 統計當月活躍用戶比例；

簡而言之，就是當前統計周期（日、周、月）內有登錄游戲的用戶，在下一個統計周期內還有登錄過的用戶，即為留存用戶；所以留存率的時效性會延遲一個統計周期.

關于 日留存率 業界有一個拓展定義：統計當日登錄游戲的用戶，在之后N日內至少登錄一次游戲的用戶 占 統計當周活躍用戶比例；

為什么要做這樣一個拓展定義？我們在做數據分析的時候，留存率只是告訴我們一個值，這個值本身意義不是非常大，但是流失它可以幫助我們發現游戲存在的問題；

大多數人在做數據分析的時候，都會干一件事情，把“流失玩家”的等級分布拉出來，計算一個等級流失率，觀察出現流失高峰時候的用戶狀態，在通過這次狀態去反推游戲設計上可能存在的問題；這個時候就“流失”判斷的精度要求就比較高，只有發現真正意義上的流失用戶，在去排查他們在流失之前的行為、流失當下的屬性等，才能更準確的幫助我們發現游戲內的問題；

那么，在簡單的留存算法下，定義的流失會有2個問題：

• 1、精度不高，用戶在某天或某周沒有登錄，不代表用戶“不玩”游戲，有可能只是剛好沒有登錄而已；
• 2、在計算周、月留存的時候，對每個個體存在不公平現象，A 用戶周一注冊，周三，周五，周天登錄后流失；B 用戶周五注冊，下周一再次登錄后流失；那么在周留存計算中，會認為B用戶是 周留存用戶，而A用戶是周流失用戶；其實A玩的時間比B更久；

拓展后的日留存定義，本質上是在嘗試定義精確的流失；

Users Leave用戶流失：統計日登錄游戲后，在隨后N日內未登錄過游戲的用戶；

筆者通過某平臺的登錄流水數據進行計算，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為例，即一個賬號連續14天不登陸游戲，則再次登錄（自然上線或通過運營活動召回）的概率不到1.44%；

在定義精確流失之后，在RPG游戲中一個經典的應用就是計算等級流失高峰；

如果只是單純的把流失等級分布拉出來意義不大，因為必然是低等級流失的用戶最多，所以通常情況下我們可以觀察每個等級的流失概率；
等級流失概率：截止統計當日，某等級的流失用戶數 / 服務器上大于等于該等級的所有用戶數；

以上留存算法都是以統計周期內的所有用戶為基數進行的計算；

在頁游時代和手游時代 針對新增用戶，還有另外一套留存算法，我更喜歡稱為新增用戶活躍度.

也就是大家平時經常聽到的次日留存、7日留存、14日留存等

ACT_N（Active N_Day）用戶活躍度：統計周期內，新增用戶在隨后不同時期的登錄情況；

公式：ACT _N = 統計周期內，一批新增用戶在其首次登入后第N天還有登錄的用戶數 / 新增用戶數；

備注：活躍度需要長期跟蹤，根據需求可以設定30日、60日 或 90日；ACT僅針對統計周期內新增賬號進行觀察；

主要的作用是幫助CP、發行商和渠道商 快速的判斷產品的質量；

如何應用 留存的數值對產品在線做估算，會在《【進階篇】產品收益預估模型》里詳解.

===================================================
除了留存&流失 之外，還有一個重要指標就是 回歸率；

回歸率：曾經流失，重新登錄游戲的用戶占 流失用戶的比例；

公式：回歸率 = 回歸用戶 / 流失用戶池；

回歸用戶：曾經流失，重新登錄游戲的用戶；

流失用戶池：過去一段時間內流失的用戶數；

備注：精準的回歸率 分母除以 歷史以來流失的用戶總數，但是由于游戲的用戶是不斷累積的，因此會導致回歸率越來越低趨近于0；因此，通常去過去3個月內流失的用戶作為流失用戶池；

回歸率最經常應用的場景就是評估運營活動的效果

最后是活躍相關的數據指標：

文章開篇有提到，除了增加活躍用戶的規模之外，還需要提高活躍用戶的質量，即游戲參與度，在固定周期內，用戶參與游戲的時間越久，我們就越有機會讓用戶轉換為付費用戶，因此在游戲中，我們通常會關心以下2個指標：

AT（Daily Avg. Online Time）日均使用時長：活躍用戶平均每日在線時長；

EC（Engagement Count）用戶登錄頻率：用戶開打游戲客戶端記為一次登錄，登錄頻率即統計周期內平均每用戶登錄游戲的總次數；
衡量用戶的游戲參與度，游戲人氣的變化趨勢等

如何結合游戲內的數據，做分析并幫助指定運營計劃和版本功能，以達到提升活躍的目的，這部分會在 進階篇中列舉詳細案例具體說明；

===================小結:活躍相關======================

AU（Active Users）活躍用戶

定義：用戶開打游戲客戶端記為一次登錄；

拓展應用：根據統計周期段又劃分為DAU（日活躍用戶），WAU（周活躍用戶）,MAU（月活躍用戶）；

應用場景：衡量產品的核心用戶規模，觀察產品在線的周期性變化；

PCU（Peak Concurrent Users）最高同時在線用戶人數

定義：統計周期內，同一時點（通常精確至分）的最高在線人數；

備注：PCU<=DAU，通常情況下PCU受游戲內運營活動影響較大；

ACU（Average Concurrent Users）平均同時在線用戶人數

定義：統計周期內，每個時點（通常精確到分）的平均在線人數；

公式：DAU * AT / 時間精度（若精確到分鐘，則除以 24*60）；

AT（Daily Avg. Online Time）日均使用時長：

定義：活躍用戶平均每日在線時長；

公式：AT = 日總在線時長 / DAU

EC（Engagement Count）用戶登錄頻率：

定義：用戶開打游戲客戶端記為一次登錄，登錄頻率即統計周期內平均每用戶登錄游戲的總次數；

備注：根據統計周期不同，通常每日登錄頻率統計的是登錄次數；周及月的登錄頻率統計的是登錄天次（一天登錄多次記為一次）

應用場景:衡量用戶的游戲參與度，游戲人氣的變化趨勢等

===================小結:留存相關====================

UsersLeave 用戶流失

定義：統計日登錄游戲，但在隨后N日內未登入游戲的用戶占 統計日活躍用戶的比例 ;

應用場景：精確定義流失行為，通過觀察流失用戶的狀態、流失前行為來判斷游戲產品可能存在的問題；

流失標準：根據N的取值不同，可設置不同流失標準：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

定義：統計當日登錄游戲的用戶，在之后N日內至少登錄一次游戲的用戶 占 統計當周活躍用戶比例；

WRR（Weekly Retention Rate）周留存率

定義：統計當周登錄過游戲，且下一周至少登錄一次游戲的用戶 占 統計當周活躍用戶比例；

MRR（Monthly Retention Rate）月留存率

定義：統計當月登錄過游戲，且下一月至少登錄一次游戲的用戶 占 統計當月活躍用戶比例；

ULR（Users Leave Rate）用戶流失率

定義：1-留存率；

備注：根據統計周期不同，可以區分為日留存、周留存、月留存；

ACT_N（Active N_Day）用戶活躍度

定義：統計周期內，新增用戶在隨后不同時期的登錄情況；

公式：ACT _N = 統計周期內，一批新增用戶在其首次登入后第N天還有登錄的用戶數 / 新增用戶數；

備注：活躍度需要長期跟蹤，根據需求可以設定30日、60日 或 90日；ACT僅針對統計周期內新增賬號進行觀察；

應用場景：主要的作用是幫助CP、發行商和渠道商快速的判斷產品的質量；

回歸率：曾經流失，重新登錄游戲的用戶 占 流失用戶的比例；

公式：回歸率 = 回歸用戶 / 流失用戶池；

回歸用戶：曾經流失，重新登錄游戲的用戶；

流失用戶池：過去一段時間內流失的用戶數；

備注：精準的回歸率 分母除以歷史以來流失的用戶總數，但是由于游戲的用戶是不斷累積的，因此會導致回歸率越來越低趨近于0；因此，通常去過去3個月內流失的用戶作為流失用戶池；（文章來源：CDA數據分析師）

推薦學習書籍
《CDA一級教材》適合CDA一級考生備考，也適合業務及數據分析崗位的從業者提升自我。完整電子版已上線CDA網校，累計已有10萬+在讀~

免費加入閱讀：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0