移动游戏数据分析框架-活跃&留存相关指标详解_数据分析师

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可以拆解为2个部分：

1是规模，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是活跃，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；

========在做进一步讲解之前，我们先对活跃用户进行一下定义===========

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；

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

回到正题，活跃比较好理解，所以我们先来说留存，业内有很多留存的算法，首先我们来看一下最简单的留存定义：

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；

为什么要做这样一个拓展定义？我们在做数据分析的时候，留存率只是告诉我们一个值，这个值本身意义不是非常大，但是流失它可以帮助我们发现游戏存在的问题；

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；

那么，在简单的留存算法下，定义的流失会有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；

拓展后的日留存定义，本质上是在尝试定义精确的流失；

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；

如何应用 留存的数值对产品在线做估算，会在《【进阶篇】产品收益预估模型》里详解.

===================================================
除了留存&流失 之外，还有一个重要指标就是 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；

回归率最经常应用的场景就是评估运营活动的效果

最后是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

如何结合游戏内的数据，做分析并帮助指定运营计划和版本功能，以达到提升活跃的目的，这部分会在 进阶篇中列举详细案例具体说明；

===================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；（文章来源：CDA数据分析师）