小白學(xué)數(shù)據(jù)分析--什么是DAU_II[玩家粘性分析模型]

 一直以來(lái)，我們很重視新登用戶的研究，為此，我們?cè)O(shè)計(jì)了留存（retention）這個(gè)概念，有關(guān)于這個(gè)概念，之前我說(shuō)了很多，研究了很多，當(dāng)然寫出來(lái)的只是一部分，在后續(xù)針對(duì)這個(gè)概念還會(huì)整理一些想法。不過(guò)今天的重點(diǎn)落在了另一個(gè)方向上，但是針對(duì)的目標(biāo)群體還是同一個(gè)，這就是新登用戶群體。
         我們很重視，新登用戶留下的概率，所謂留存率，也是一個(gè)概率的問(wèn)題，即用戶再次進(jìn)入游戲的概率可能性。不過(guò)這里面我發(fā)現(xiàn)了，不同時(shí)間的留存率（比如次日、二日、三日等等）存在用戶的交叉，也就是說(shuō)次日登錄用戶，也可能在二日也登錄游戲。這點(diǎn)是肯定存在的。Anyway，以上是基于留存這一個(gè)基調(diào)討論的，而今天討論的是基于流失的基調(diào)。以下所做的探討，如有不同意見(jiàn)或者新的想法，請(qǐng)各位盡情抒發(fā)和表達(dá)。
         關(guān)于什么是留存率，這里我只給出下面的一張圖，不做解釋了，想了解，看以前的材料就OK了。

         手機(jī)游戲現(xiàn)在都講究一個(gè)渠道推廣，這點(diǎn)是用戶獲取的重點(diǎn)來(lái)源，我們很注重量的積累，很注重下載，很注重激活。相信很多也是到此為止了。同時(shí)也有一個(gè)觀點(diǎn)，如果在大的渠道，在最NB的位置，就肯定得到最多，最好的用戶。其實(shí)，在運(yùn)營(yíng)，推廣，研發(fā)這幾條線上，是存在脫節(jié)的，這點(diǎn)也就造成了在今天狠花錢，買廣告，買流量，買位置。其實(shí)，你不知道自己究竟這么做，能夠起到多大的效果。
         說(shuō)到這，我想到最近看到的數(shù)據(jù)報(bào)告，這個(gè)春節(jié)，似乎給我們大家開(kāi)了一個(gè)玩笑，因?yàn)槲覀儼l(fā)現(xiàn)，盡管很多人砸了不少錢，花了不少精力買流量，買位置，但用戶沒(méi)有增長(zhǎng)，質(zhì)量也表現(xiàn)一般（對(duì)與這一點(diǎn)，可對(duì)照自己的游戲表現(xiàn)，自己分析）。今天的流失計(jì)算探討也是要對(duì)于剛才啰嗦的一大堆做一個(gè)數(shù)據(jù)管理和分析。
         OK，進(jìn)入正題。
         留存率遺留的問(wèn)題
         如剛才的留存率示意圖，我們發(fā)現(xiàn)留存是針對(duì)新登用戶在新登后每一天的狀態(tài)表現(xiàn)，換句話就是在此回到游戲的概率，因?yàn)橛螒蚺c用戶之間存在一個(gè)曝光度的問(wèn)題，你越是在一段時(shí)間頻繁接觸，你返回游戲的可能性就會(huì)越大，這個(gè)概率就是留存率。留存率是以每一天作為一個(gè)獨(dú)立研究對(duì)象在分析問(wèn)題。是以每一個(gè)獨(dú)立的時(shí)間點(diǎn)作為計(jì)算口徑的，但是從用戶的角度來(lái)看，前一天登錄游戲的用戶，在今天登錄的可能性就會(huì)大很多（曝光度的問(wèn)題），而這點(diǎn)，在留存率上沒(méi)有做出解答，因?yàn)橄噜弮商斓挠脩糁g的相關(guān)性和交叉關(guān)系，即前一天的留存用戶中，有一大部分是在今天也會(huì)登錄的。有關(guān)這部分的探討放在后續(xù)的文章中。

         今天，我將變化一個(gè)角度來(lái)分析問(wèn)題，而以下的計(jì)算模型，也將統(tǒng)一DNU和DAU之間的關(guān)系，加強(qiáng)我們對(duì)于DAU、DNU的理解和使用。
         DAU是一個(gè)指數(shù)
         我們清楚，DAU是有DNU和之前老用戶組成的。這里的老用戶我們指的是除了當(dāng)日新登之外的用戶都是老用戶，但是這種方式不能足夠說(shuō)明一些問(wèn)題。在此，我們將重點(diǎn)針對(duì)OLD的部分進(jìn)行分解和模型分析。

         所謂OLD部分其實(shí)也是由之前不同時(shí)間點(diǎn)的新登用戶組成的。因?yàn)槊總€(gè)用戶的狀態(tài)都是由新登用戶向活躍用戶過(guò)渡的。那么OLD的組成我們就可以按照以下的方式進(jìn)行劃分：

         下面舉一個(gè)例子
         3月22日的DAU為220,3月22日的DNU為77，那么剩下3月22日的OLD=220-77=143。那么這143=130*17.7%+127*7.9%+132*5.3%+131*1.5%+182*2.2%+137*3.6%+129*0.0%+…

         有上述的計(jì)算我們了解到，所謂老用戶，就是之前每日的DNU到統(tǒng)計(jì)DAU之日的留存率乘積并進(jìn)行加和的數(shù)量。即
         DAUi=DNUi+DNU(i-1)*DAY1_Retention_Rate+DNU(i-2)*DAY2_Retention_Rate+DNU(i-n)*DAYn_Retention_Rate
         以上公式將DAU進(jìn)行拆分和細(xì)化了，如果我們仔細(xì)來(lái)看的話，會(huì)發(fā)現(xiàn)，DAU是由不同的DNU進(jìn)行加權(quán)得到的綜合值。而這個(gè)值卻是代表了用戶粘性變化和留存表現(xiàn)的綜合指數(shù)。
         然而如果我們按照以上的邏輯計(jì)算下去，計(jì)算量會(huì)很大，而且意義不是很大，如何有效的衡量這個(gè)指數(shù)，我將繼續(xù)闡述給各位。
         上述的公式告訴了DAU是由之前不同時(shí)間點(diǎn)的回流DNU組成的，因此，我們可以得到不同時(shí)間點(diǎn)的回流DNU占據(jù)DAU的水平，即
         Return_DNU(i-1)= DNU(i-1)*DAY1_Retention_Rate
         DAUi_1%= Return_DNU(i-1)/ DAUi
         DAUi_2%= Return_DNU(i-2)/ DAUi
         …
         DAUi_n%= Return_DNU(i-n)/ DAUi,故
         DAUi_1%+ DAUi_2% + DAUi_n%=100%
         實(shí)際上來(lái)看，利用以上的原理，我們可以知道最近一周的DNU中，有多少貢獻(xiàn)給了今日的DAU中，這點(diǎn)其實(shí)很重要，因?yàn)樽源耍覀冎懒擞脩魧?duì)于游戲的關(guān)注度和粘性，如果你的游戲中，每日有超過(guò)50%的DAU是一周之前的DNU貢獻(xiàn)出來(lái)的，可以想象，你的游戲黏著能力是很強(qiáng)的，至少，對(duì)于用戶而言，近期（至少7天是不會(huì)離開(kāi)游戲，或者淡忘游戲的）。下面我將具體的說(shuō)一個(gè)例子：
         按照上述邏輯，我計(jì)算了每個(gè)DAU的最近7日DNU貢獻(xiàn)率，曲線如下：
         在圖中，我們看到，最近7日DNU對(duì)于DAU的貢獻(xiàn)率持續(xù)走低，保持在20%左右，也就是說(shuō)，現(xiàn)在每日的DAU中有20%的用戶是最近7日的DNU貢獻(xiàn)出來(lái)的。

         反過(guò)來(lái)說(shuō)，也就意味著，這款游戲中，7日之前的用戶對(duì)于日DAU的貢獻(xiàn)是比較大的，從下圖來(lái)看，距離統(tǒng)計(jì)DAU 7天之前的用戶占比達(dá)到60%+，即用戶在該游戲的活躍周期較長(zhǎng)，新增用戶群體的質(zhì)量和黏著性較好。

         以上的模型計(jì)算，其實(shí)在很多方面都可以使用，比如我們?cè)跈z測(cè)渠道用戶的質(zhì)量時(shí)，就可以基于以上的邏輯進(jìn)行分析，再者比如付費(fèi)用戶的付費(fèi)周期研究也可以基于以上的模型進(jìn)行分析。
         本質(zhì)上，以上的計(jì)算邏輯，解決了DAU與DNU之間的劃分矛盾，其實(shí)DAU可以認(rèn)為是之前不同時(shí)間點(diǎn)的DNU組成的，在這種邏輯下，我們可以很快的發(fā)現(xiàn)目前我們游戲的活躍用戶群的狀態(tài)構(gòu)成，比如，如果都是大量的7日之前的用戶，不斷的保持活躍，那么意味著該游戲的粘性還是保持在很客觀的水平上。這點(diǎn)也恰恰解決了我在文章開(kāi)頭所提到的曝光度的問(wèn)題。因?yàn)橐坏┯螒虿辉倨毓庠谟脩裘媲?，那就意味著，游戲可能被啟?dòng)的概率大大降低。