小白學數據分析--什么是DAU_II[玩家粘性分析模型]

 一直以來，我們很重視新登用戶的研究，為此，我們設計了留存（retention）這個概念，有關于這個概念，之前我說了很多，研究了很多，當然寫出來的只是一部分，在后續針對這個概念還會整理一些想法。不過今天的重點落在了另一個方向上，但是針對的目標群體還是同一個，這就是新登用戶群體。
         我們很重視，新登用戶留下的概率，所謂留存率，也是一個概率的問題，即用戶再次進入游戲的概率可能性。不過這里面我發現了，不同時間的留存率（比如次日、二日、三日等等）存在用戶的交叉，也就是說次日登錄用戶，也可能在二日也登錄游戲。這點是肯定存在的。Anyway，以上是基于留存這一個基調討論的，而今天討論的是基于流失的基調。以下所做的探討，如有不同意見或者新的想法，請各位盡情抒發和表達。
         關于什么是留存率，這里我只給出下面的一張圖，不做解釋了，想了解，看以前的材料就OK了。

         手機游戲現在都講究一個渠道推廣，這點是用戶獲取的重點來源，我們很注重量的積累，很注重下載，很注重激活。相信很多也是到此為止了。同時也有一個觀點，如果在大的渠道，在最NB的位置，就肯定得到最多，最好的用戶。其實，在運營，推廣，研發這幾條線上，是存在脫節的，這點也就造成了在今天狠花錢，買廣告，買流量，買位置。其實，你不知道自己究竟這么做，能夠起到多大的效果。
         說到這，我想到最近看到的數據報告，這個春節，似乎給我們大家開了一個玩笑，因為我們發現，盡管很多人砸了不少錢，花了不少精力買流量，買位置，但用戶沒有增長，質量也表現一般（對與這一點，可對照自己的游戲表現，自己分析）。今天的流失計算探討也是要對于剛才啰嗦的一大堆做一個數據管理和分析。
         OK，進入正題。
         留存率遺留的問題
         如剛才的留存率示意圖，我們發現留存是針對新登用戶在新登后每一天的狀態表現，換句話就是在此回到游戲的概率，因為游戲與用戶之間存在一個曝光度的問題，你越是在一段時間頻繁接觸，你返回游戲的可能性就會越大，這個概率就是留存率。留存率是以每一天作為一個獨立研究對象在分析問題。是以每一個獨立的時間點作為計算口徑的，但是從用戶的角度來看，前一天登錄游戲的用戶，在今天登錄的可能性就會大很多（曝光度的問題），而這點，在留存率上沒有做出解答，因為相鄰兩天的用戶之間的相關性和交叉關系，即前一天的留存用戶中，有一大部分是在今天也會登錄的。有關這部分的探討放在后續的文章中。

         今天，我將變化一個角度來分析問題，而以下的計算模型，也將統一DNU和DAU之間的關系，加強我們對于DAU、DNU的理解和使用。
         DAU是一個指數
         我們清楚，DAU是有DNU和之前老用戶組成的。這里的老用戶我們指的是除了當日新登之外的用戶都是老用戶，但是這種方式不能足夠說明一些問題。在此，我們將重點針對OLD的部分進行分解和模型分析。

         所謂OLD部分其實也是由之前不同時間點的新登用戶組成的。因為每個用戶的狀態都是由新登用戶向活躍用戶過渡的。那么OLD的組成我們就可以按照以下的方式進行劃分：

         下面舉一個例子
         3月22日的DAU為220,3月22日的DNU為77，那么剩下3月22日的OLD=220-77=143。那么這143=130*17.7%+127*7.9%+132*5.3%+131*1.5%+182*2.2%+137*3.6%+129*0.0%+…

         有上述的計算我們了解到，所謂老用戶，就是之前每日的DNU到統計DAU之日的留存率乘積并進行加和的數量。即
         DAUi=DNUi+DNU(i-1)*DAY1_Retention_Rate+DNU(i-2)*DAY2_Retention_Rate+DNU(i-n)*DAYn_Retention_Rate
         以上公式將DAU進行拆分和細化了，如果我們仔細來看的話，會發現，DAU是由不同的DNU進行加權得到的綜合值。而這個值卻是代表了用戶粘性變化和留存表現的綜合指數。
         然而如果我們按照以上的邏輯計算下去，計算量會很大，而且意義不是很大，如何有效的衡量這個指數，我將繼續闡述給各位。
         上述的公式告訴了DAU是由之前不同時間點的回流DNU組成的，因此，我們可以得到不同時間點的回流DNU占據DAU的水平，即
         Return_DNU(i-1)= DNU(i-1)*DAY1_Retention_Rate
         DAUi_1%= Return_DNU(i-1)/ DAUi
         DAUi_2%= Return_DNU(i-2)/ DAUi
         …
         DAUi_n%= Return_DNU(i-n)/ DAUi,故
         DAUi_1%+ DAUi_2% + DAUi_n%=100%
         實際上來看，利用以上的原理，我們可以知道最近一周的DNU中，有多少貢獻給了今日的DAU中，這點其實很重要，因為自此，我們知道了用戶對于游戲的關注度和粘性，如果你的游戲中，每日有超過50%的DAU是一周之前的DNU貢獻出來的，可以想象，你的游戲黏著能力是很強的，至少，對于用戶而言，近期（至少7天是不會離開游戲，或者淡忘游戲的）。下面我將具體的說一個例子：
         按照上述邏輯，我計算了每個DAU的最近7日DNU貢獻率，曲線如下：
         在圖中，我們看到，最近7日DNU對于DAU的貢獻率持續走低，保持在20%左右，也就是說，現在每日的DAU中有20%的用戶是最近7日的DNU貢獻出來的。

         反過來說，也就意味著，這款游戲中，7日之前的用戶對于日DAU的貢獻是比較大的，從下圖來看，距離統計DAU 7天之前的用戶占比達到60%+，即用戶在該游戲的活躍周期較長，新增用戶群體的質量和黏著性較好。

         以上的模型計算，其實在很多方面都可以使用，比如我們在檢測渠道用戶的質量時，就可以基于以上的邏輯進行分析，再者比如付費用戶的付費周期研究也可以基于以上的模型進行分析。
         本質上，以上的計算邏輯，解決了DAU與DNU之間的劃分矛盾，其實DAU可以認為是之前不同時間點的DNU組成的，在這種邏輯下，我們可以很快的發現目前我們游戲的活躍用戶群的狀態構成，比如，如果都是大量的7日之前的用戶，不斷的保持活躍，那么意味著該游戲的粘性還是保持在很客觀的水平上。這點也恰恰解決了我在文章開頭所提到的曝光度的問題。因為一旦游戲不再曝光在用戶面前，那就意味著，游戲可能被啟動的概率大大降低。