2014-05-06 15:45
手遊運營
19,100
文/jetpv
寫在分析之前
一直以來，我們對於資料都是在做加法，也希望這個過程中，不斷蒐羅和變換出來更多的資料指標，維度等等。而在實際的分析中，我們發現，一如我們給使用者提供產品一樣，太多的時候，我們思考的是如何增加功能，而產品的核心功能和訴求，卻越來越遠。
最近有幸和一些團隊在做資料分析的交流，乙個現象是，基於最基本的資料指標，實際上我們並沒有深入的理解，或者說，我們並不了解資料，以及背後的使用者，使用場景等等。因此，也就造成了，在夾生的資料理解上，我們不斷還在探尋新的資料組織和加工。
前年的時候，我制定了關於遊戲資料分析的一些基本指標，後來有人和我說，我們的資料指標定義和你的不一樣，你的指導意義是不夠的，不符合業務需要，比如這裡我舉乙個例子：
很多企業在定義日活躍使用者數（dau）時，都會和我說，我們是按照每天登陸2次以上的使用者算作dau，而給出的行業標準，是只要登陸過的使用者，就算是日活躍使用者。
就這個問題，我想表達的是，dau這樣的指標，他本身代表的是業務場景，而非乙個簡單粗暴的指標內容，換句話，在背後是存在乙個圍繞dau的體系和流程的。
從業務場景的角度分析來看，這其實是我們在研究使用者到達的好壞，而圍繞在這一點場景的核心，我們就會發現，影響到dau的分析因素其實很多了，比如我們剛才提到了，基本的dau定義是指，登陸遊戲一次就是活躍使用者，這個過程中，如果結合我們剛才提到的轉化率思想，你會發現，dau的轉化率關係或者金字塔結構（僅從登陸次數作為統計維度），是能夠發現一些問題所在的。比如使用者的遊戲行為習慣，付費相關性，營銷活動刺激，舉例，間隔時間極短的兩次登陸使用者，且級別很低時，很可能是登陸存在問題，趨利使用者（即積分牆使用者）。
行業指標觀察
今天我們要分析的是和dau相關指標，dnu，dau，後面還會和留存率放到一起講解。
今天，我們花一些時間就只說dnu和dau，而分析的指標就是dnu/dau,你可以成這個指標叫做活躍度指數，當然大家喜歡叫做新增使用者佔比。
且看下面的：
這裡的老玩家指的是：dau-dnu，注：dau-dnu與dou是同義。
在此圖蘊藏了幾個資訊：
玩家的行為習慣逐漸形成，週六成為使用者遊戲的高峰時間段；
儘管這個事實，也許很多人都注意到了，但不是所有人在做週末獎勵活動時都考慮了這個因素。對比的大家可以看到在1月到2月份春節期間，行為特點則是完全不同的。
藍色區域面積，越小，則留下的老使用者（即dau-dnu）比例就越多，相對的留存質量則會好一些。遊戲的玩家自迴圈系統則逐步成立，則推廣期間的大部分玩家則在次日之後都留在了遊戲中。針對這一點，在下面展開解釋。
我們將dnu/dau的比率拿出來，做出如下圖的曲線：
可以看到，基本上這個比率維持在乙個很低的比例，大概在10%-15%左右，換句話說，新增使用者的佔比只有全體日活躍使用者佔比的10%~15%，即使當我們遊戲開始大範圍拉新推廣時，這個比例仍舊維持在10%~15%，但此種情況僅存在於遊戲已經上線，且使用者的自然轉化情況比較理想的情況下。從數學的角度來看，這個比率計算的分子和分母，分別是dnu和dnu+dou（即dau），基本上變化幅度是同步的，當dou足夠多的時候，dnu的新增影響是有限的。但是如果一段時間內dnu的諸多使用者不能轉化為dou，則此比值則在不斷公升高。如下圖所示：
可以看到的是，昨日的dnu中的一部分（次日留存部分）變成了，今天的老使用者（dau-dnu），而昨日（dau-dnu）部分則有一些轉化為今天的老使用者，同時，今天dau中，則繼續有dnu的加入，而這一部分，也構成了明日（dau-dnu）的一部分，在明日的dau-dnu中，同時還有昨日dnu在明日的部分貢獻，昨日dau-dnu在明日的貢獻。
由此，我們可以認為：
在遊戲足夠吸引使用者或者流量足夠理想的情況下，隨著不斷新使用者被帶入到遊戲中，遊戲中dou的比例則會越來越高，那麼我們的dau就會不斷的成長。
在遊戲帶入的流量是虛假的或者遊戲不足以吸引玩家時，則每天匯入的dnu則會不斷的被損失掉，就變成了一次性使用者，即新增當天登陸過遊戲的使用者，且此後不再登入遊戲。此時，我們會看到在隨後的一段時間（尤其是停止推廣後），dou即老使用者的比例並沒有發生顯著的增長，這一點從dau事看不出來的，但是我們從dou的比例就可以看出來。此時，不需要等待幾天來看效果，推廣的第二天如果效果不佳就需要停止。案例
從下圖我們可以看到，在大推開始，dau的規模開始急劇增長，但是基本上是dnu的貢獻，推廣幾天的dnu/dau平均水平在83%左右，這一點恰恰說明了，在推廣期間每一天的大量dnu並沒有在次日有效轉化為dou，這一點，我們從dou比較平滑的曲線就可以看到，儘管這期間我們發現dau急劇膨脹，但是實際dou較推廣前的漲幅則是有限，經過計算，較推廣前，dou平均漲幅30%, 而實際此期間，dnu的平均漲幅100倍左右，而推廣結束後，dau較推廣前漲幅了30% 左右。對比dnu約100倍流量的湧入，實際dau和dou的漲幅，則實在是很微弱。
總結起來看，這個指標對於遊戲的粘性理解和投放效果評估，能夠起到一定的積極作用，同時，要說明的是，這個指標從長期運營的遊戲來說，是評估其生命力的乙個重要參照，想必用過的人是很清楚的。最後奉上行業水準：
一線：<10%
二線：<20%
三線：<30%
四線：<45%
行業平均水平：28%
注：遊戲上線初期的1~3天不具備參考意義。
留存率反映的實際上是一種轉化率，即由初期的不穩定的使用者轉化為活躍使用者、穩定使用者、忠厚使用者的歷程。
新增使用者的第一天尤為首要，上文的421規則也顯示多數產品的新增次日留存達到40%已經不易，根據以往做產品的經驗，又有50%的使用者在第乙個30分鐘就抉擇了他是否會持續應用產品，因此，產品經理
們好好思考如何做好新使用者在第乙個小時，第乙個10分鐘的使用者留存吧。
小白學資料分析 渠道 運營 資料 I
學分析論壇 專注於遊戲資料分析 上週六做了乙個演講，關於渠道 資料 運營的內容，今天開始，針對演講的一些內容，有針對性的闡述一下。不過既然我是乙個資料分析師，自然還是從資料分析角度來看待這個問題，在後期的文章中，我會加入一些案例，幫助理解。渠道是最有效的獲取潛在使用者的方式 渠道存在海量的使用者資源...
小白學資料分析 DNU DAU
行業指標觀察分析 dnu dau 寫在分析之前 一直以來，我們對於資料都是在做加法，也希望這個過程中，不斷蒐羅和變換出來更多的資料指標，維度等等。而在實際的分析中，我們發現，一如我們給使用者提供產品一樣，太多的時候，我們思考的是如何增加功能，而產品的核心功能和訴求，卻越來越遠。最近有幸和一些團隊在做...
小白學資料分析 留存率與運營活動分析 I
有關留存率的事情最近扯得比較多，因為在分析資料的時候，越發覺得，分析一定是要來解決問題的，留存率不知何時突然變得流行了，在此討論留存率倒不是因為流行，而是覺得以留存率為核心，的確是可以幫助我們解決不少的問題，但前提是，不要只停留在你所知道的次日，3日，7日留存率就ok，因為縱然你知道與benchma...