专注苹果竞价广告(ASM)研究
App Store Search Ads

手游数据分析框架(三)——活跃&留存指标

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的2个部分

1、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、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。

活跃用户

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。】

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。

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。

简单算法定义流失的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。

精确定义用户流失

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。

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。】

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。

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:刘异,网龙公司 产品分析经理,专注移动互联网数据分析

本文由 APPYING 原创发布,转载请注明来源及本文链接。
APPYING » 手游数据分析框架(三)——活跃&留存指标

分享到:更多 ()

留言交流 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址