小白學數據分析--留存率使用的窘境

隨著移動游戲整體的火熱，現在看到太多的數據，太多信息，很多時候我們仰慕和欽佩別人的成功，我們總是把這個行業達成所謂共識的一些數據來出來說明問題。因為我們篤信數據是有力的證據，并且可以說明實力。然而太多的時候，因為沾染了更多的外在氣氛，以至于在一些情況下看不到自己接下來的清晰的方向。比如今天說的留存率問題。
　　關于留存率，之前也談到了很多，包括計算標準和使用方法，不過細心的人應該懂得那些只是一個最初級的階段，因為即使你知道的留存率是什么，但是你會發現你依舊不知道要去做什么？原因在于，你覺得大家都在談論，所以，我也這么談論。很多時候，見過很多人都在詢問，這個類別的游戲，benchmarks是多少，一方面的確很有用，因為你看到了差距，另一方面，卻發現，縱然自己知道差距，卻依舊不知道如何彌補差距，如何解決問題。
　　因為，所有的數據分析和數據都是以解決問題為先。
　　然而，我們把數據分析和數據當做了夸夸其談的佐料。
　　留存率的最大的窘境在于，即使，你了解到了你存在差距，但是你依舊找不到解決這個問題的辦法。比如我們都知道我們的次日留存、7日留存水平都不是很高，需要進一步提升，但是往往我們找不到方法，很多時候，我們可能回過頭來通過不斷的游戲體驗，去尋找問題，實則現在很多人已經知道通過留存率來分析體驗的問題。然而驅動用戶體驗決策而有意義的成功標準，一定是可以明確的與用戶行為綁定的標準，而這些行為也一定是可以通過設計來影響的行為。然而我們看到了所謂現在探討的次日留存率和7日留存率并不能準確捕捉行為，并且幫助我們完成設計，進而影響行為。
　　所以，我們要解開這個窘境。
　　所以，我們要去尋找在留存率背后的行為，而這些行為必須要能夠進行量化，同時通過設計可以影響行為。
 
從設計的角度來看，我們很關心如下的內容：
 
　　因為這些因素使我們通過設計可以進行改進的，而這些改進，必然會對應在一定的量化基礎之上，因為剛才提到了，只有這樣的標準才是存在價值的，也是可以真正通過數據分析解決問題的，換句話， 只是一個單純的留存率指標我們并不能更加清楚的發現這些問題，抑或更多的時候，只能憑借體驗和感覺來解決問題，這種情況下其實數據分析并沒有發揮應有的作用。
留存用戶的等級分析
　　我們可以通過分析次日、7日、30日用戶的首日等級變化情況，了解不同質量用戶區對于游戲內容和進度的把握情況，進而快速定位是否是游戲內容過難，或者新手教學沒有做好導致的結果。

 
　　如上圖所示，次日留存用戶，在首日停留的等級有22%的是在4級，而有13%的次日留存用戶直接是安裝了但是沒有進行游戲內容，與此同時，我們對比7日留存用戶的新登日變化情況來進行對比分析：
 
　　在此，可以看到，7日留存用戶中，等級達到2的用戶有14%，而在次日留存用戶中，首日等級達到2級的比例是18%，這點來看，7日留存用戶的質量的確是高于次日留存用戶。從這點來看，圍繞游戲本身設計的要素，比如每日游戲時長，可以判斷用戶的首日游戲體驗是否達到了預期的效果。所以這里我們可以去結合用戶的游戲時長進行判斷。
留存用戶的游戲時長分析
　　作為每一個游戲設計者，肯定會判斷自己的游戲時硬核，還是中核，或者休閑，不同的情況對應的游戲時長水平是不同的，比如下面的例子：
 
　　結合新增用戶等級的變化情況來看，其實我們比較容易看到，用戶的游戲時長中有30%的人在0-10s就離開了游戲，針對這點其實可以反映幾個潛在的問題，比如網絡的不穩定，加載問題，渠道的虛假用戶等等問題。針對這款游戲10-30min用戶的數量相對占比不高，因此對于那些首次接觸該題材的用戶來說，新手引導存在一定的問題，用戶在最開始的成長遭遇了一些問題，比如初期的贈送獎勵不足以讓用戶繼續體驗接下來的游戲內容。不過值得肯定的一點事，在這款游戲中，我們可以看到基本上是一個正態分布，相對合理，而在某些游戲中，比如服務器不穩定，或者網絡沒有解決，那么此時用戶的游戲時長曲線就會變成一個偏態分布，諸如下面的情況：

 

　　這種情況，可以肯定都是存在較大的問題，游戲核心機制沒有有效的吸引住用戶，因此在這種情況，就需要去做比較深入分析和改進。關于接下來的問題，在后續的文章中接著說。