小白学数据分析--留存率使用的窘境
随着移动游戏整体的火热,现在看到太多的数据,太多信息,很多时候我们仰慕和钦佩别人的成功,我们总是把这个行业达成所谓共识的一些数据来出来说明问题。因为我们笃信数据是有力的证据,并且可以说明实力。然而太多的时候,因为沾染了更多的外在气氛,以至于在一些情况下看不到自己接下来的清晰的方向。比如今天说的留存率问题。
关于留存率,之前也谈到了很多,包括计算标准和使用方法,不过细心的人应该懂得那些只是一个最初级的阶段,因为即使你知道的留存率是什么,但是你会发现你依旧不知道要去做什么?原因在于,你觉得大家都在谈论,所以,我也这么谈论。很多时候,见过很多人都在询问,这个类别的游戏,benchmarks是多少,一方面的确很有用,因为你看到了差距,另一方面,却发现,纵然自己知道差距,却依旧不知道如何弥补差距,如何解决问题。
因为,所有的数据分析和数据都是以解决问题为先。
然而,我们把数据分析和数据当做了夸夸其谈的佐料。
留存率的最大的窘境在于,即使,你了解到了你存在差距,但是你依旧找不到解决这个问题的办法。比如我们都知道我们的次日留存、7日留存水平都不是很高,需要进一步提升,但是往往我们找不到方法,很多时候,我们可能回过头来通过不断的游戏体验,去寻找问题,实则现在很多人已经知道通过留存率来分析体验的问题。然而驱动用户体验决策而有意义的成功标准,一定是可以明确的与用户行为绑定的标准,而这些行为也一定是可以通过设计来影响的行为。然而我们看到了所谓现在探讨的次日留存率和7日留存率并不能准确捕捉行为,并且帮助我们完成设计,进而影响行为。
所以,我们要解开这个窘境。
所以,我们要去寻找在留存率背后的行为,而这些行为必须要能够进行量化,同时通过设计可以影响行为。
从设计的角度来看,我们很关心如下的内容:
因为这些因素使我们通过设计可以进行改进的,而这些改进,必然会对应在一定的量化基础之上,因为刚才提到了,只有这样的标准才是存在价值的,也是可以真正通过数据分析解决问题的,换句话, 只是一个单纯的留存率指标我们并不能更加清楚的发现这些问题,抑或更多的时候,只能凭借体验和感觉来解决问题,这种情况下其实数据分析并没有发挥应有的作用。
留存用户的等级分析
我们可以通过分析次日、7日、30日用户的首日等级变化情况,了解不同质量用户区对于游戏内容和进度的把握情况,进而快速定位是否是游戏内容过难,或者新手教学没有做好导致的结果。
如上图所示,次日留存用户,在首日停留的等级有22%的是在4级,而有13%的次日留存用户直接是安装了但是没有进行游戏内容,与此同时,我们对比7日留存用户的新登日变化情况来进行对比分析:
在此,可以看到,7日留存用户中,等级达到2的用户有14%,而在次日留存用户中,首日等级达到2级的比例是18%,这点来看,7日留存用户的质量的确是高于次日留存用户。从这点来看,围绕游戏本身设计的要素,比如每日游戏时长,可以判断用户的首日游戏体验是否达到了预期的效果。所以这里我们可以去结合用户的游戏时长进行判断。
留存用户的游戏时长分析
作为每一个游戏设计者,肯定会判断自己的游戏时硬核,还是中核,或者休闲,不同的情况对应的游戏时长水平是不同的,比如下面的例子:
结合新增用户等级的变化情况来看,其实我们比较容易看到,用户的游戏时长中有30%的人在0-10s就离开了游戏,针对这点其实可以反映几个潜在的问题,比如网络的不稳定,加载问题,渠道的虚假用户等等问题。针对这款游戏10-30min用户的数量相对占比不高,因此对于那些首次接触该题材的用户来说,新手引导存在一定的问题,用户在最开始的成长遭遇了一些问题,比如初期的赠送奖励不足以让用户继续体验接下来的游戏内容。不过值得肯定的一点事,在这款游戏中,我们可以看到基本上是一个正态分布,相对合理,而在某些游戏中,比如服务器不稳定,或者网络没有解决,那么此时用户的游戏时长曲线就会变成一个偏态分布,诸如下面的情况:
这种情况,可以肯定都是存在较大的问题,游戏核心机制没有有效的吸引住用户,因此在这种情况,就需要去做比较深入分析和改进。关于接下来的问题,在后续的文章中接着说。
数据分析咨询请扫描二维码
《Python数据分析极简入门》 第2节 6 Pandas合并连接 在pandas中,有多种方法可以合并和拼接数据。常见的方法包括append()、conc ...
2024-11-24《Python数据分析极简入门》 第2节 5 Pandas数学计算 importpandasaspdd=np.array([[81,&n ...
2024-11-23数据分析涉及多个方面的学习,包括理论知识和实践技能。以下是数据分析需要学习的主要方面: 基础知识: 数据分析的基本概念 ...
2024-11-22数据分析适合在多个单位工作,包括但不限于以下领域: 金融行业:金融行业对数据分析人才的需求非常大,数据分析师可以从事经 ...
2024-11-22数据分析是一种涉及从大量数据中提取有用信息和洞察力的过程。其工作内容主要包括以下几个方面: 数据收集与整理:数据分析师 ...
2024-11-22数据分析师需要掌握多种技能,以确保能够有效地处理和分析数据,并为业务决策提供支持。以下是数据分析师需要掌握的主要技能: ...
2024-11-22数据开发和数据分析是两个密切相关但又有所区别的领域。以下是它们的主要区别: 定义和目标: 数据开发:数据开发涉及数据的 ...
2024-11-22数据架构师是负责设计和管理企业数据架构的关键角色,其职责涵盖了多个方面,包括数据治理、数据模型设计、数据仓库构建、数据安 ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列的技能和能力,以确保能够有效地处理、分析和解释数据,从而支持业务决策。以下是数据分析师所需的主要 ...
2024-11-22需求持续增长 - 未来数据分析师需求将持续上升,企业对数据驱动决策的依赖加深。 - 预测到2025年,中国将需要高达220万的数据人 ...
2024-11-22《Python数据分析极简入门》 第2节 4 Pandas条件查询 在pandas中,可以使用条件筛选来选择满足特定条件的数据 importpanda ...
2024-11-22数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21数据分析行业正在迅速发展,随着技术的不断进步和数据量的爆炸式增长,企业对数据分析人才的需求也与日俱增。本文将探讨数据分析 ...
2024-11-21数据分析的常用方法包括多种技术,每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法: 对比分析法:通过比 ...
2024-11-21企业数字化转型是指企业利用数字技术对其业务进行改造和升级,以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不 ...
2024-11-21