第四章 留存分析——以游戏行业为例
通过了解产品对用户的黏性可以反映产品品质。留存率的高低则是判断一个产品是否有价值的一个重要标准。留存,即有多少用户留了下来。在某段时间内开始使用应用,且一段时间后仍然使用该应用的用户,被认为是留存用户。这些用户占当时新增用户的比例即是留存率。
今天我们先来了解下常用的留存分析方式,再以游戏行业的分析指标为例,借助Datafocus系统了解 日留存率、周留存率、月留存率 和 加权留存率。
4.1. 留存分析方式
4.1.1.第N日留存(N-day 留存)
计算第N天完成回访行为的用户。观察单位也可以是周、月 。这一计算方式也是普遍使用的用户留存计算。
4.1.2. N天内留存(Unbounded 留存)
累计计算N天内所有完成过回访行为的用户。观察单位也可以是周、月。
4.1.3.自定义观察期留存(Bracket留存)
区别于前两种按照固定观察单位计算的留存模型,Bracket留存可以自定义划分几个观察期,不受限于固定时间度量。
例如,第一个观察期为 次日 ;第二个观察期为 第3日到第7日 ;第三个观察期为第8日到第14日;第四个观察期为第15日到第30日。
4.1.4.自定义留存
=
上面的三种留存方式,都是进行时间的限定,对留存的定义都是用户登录了APP或网站。而有时需要知道基于业务场景下用户的留存情况。比如阅读类产品会将看过至少一篇文章的用户才定义为真正的留存用户。因此,对留存的行为有了自定义,涉及初始行为和回访行为的定义。
了解了留存分析方式,我们通过数据指标了解下游戏行业的留存分析。
4.2. 游戏行业数据指标
4.2.1. 日留存率
常用“次日留存率”、“7日留存率”和“30日留存率”。
以“7日留存率”为例,指的是新用户在首次登录后的第7天再次登录游戏的比例,公式为:(当天新增的用户中,新增日之后的第7天还登录的用户数)/第一天新增总用户数。
在DataFocus系统中,对收集了“第一次登录时间”、“当天新登录用户总数”以及“n天后该批用户登录数”的数据表,可直接使用公式计算留存率。
![《游戏数据分析实践》 图表4.1
7日留存率公式](/images/3/30/《游戏数据分析实践》_图16.png)
![《游戏数据分析实践》
图表4.27日留存率统计](/images/c/c2/《游戏数据分析实践》_图17.png)
4.2.2. 周留存率
和日留存率相似,周留存率为新用户在第1周登录后的第2 周再次登录游戏的比例,计算公式为: 周留存率=(第1周新增用户在第2周登录过的人数)/(第1周新增用户数) 。
4.2.3. 月留存率
同样,月留存率为新用户在第1月登录后的次月再次登录游戏的比例,其计算公式为: 月留存率=(第1月新增用户在次月登录过的人数)/(第1月新增用户数) 。
4.2.4.加权留存率
指某一段时间内(时间段a)的新增用户在若干天后的另一段时间(时间段b)的留存数量除以之前那个时间段(时间段a)的新增用户总量。
之所以使用加权留存率,是因为当游戏开服时间较长后,人数变化大,会出现因为数据基数减少,导致留存率虚高的情况。数据会产生偏差,加权之后数据更稳定。
以上四类是对游戏产品进行留存分析时常用的指标,周留存率、月留存率 和 加权留存率的计算,在DataFocus系统中,同样可以使用公式实现~如果收集的时间数据以“日”为单位,则可以借助“中间表”来分析哦~