小白學數(shù)據(jù)分析--什么是DAU_II[玩家粘性分析模型]

 一直以來，我們很重視新登用戶的研究，為此，我們設計了留存（retention）這個概念，有關于這個概念，之前我說了很多，研究了很多，當然寫出來的只是一部分，在后續(xù)針對這個概念還會整理一些想法。不過今天的重點落在了另一個方向上，但是針對的目標群體還是同一個，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，也是一個概率的問題，即用戶再次進入游戲的概率可能性。不過這里面我發(fā)現(xiàn)了，不同時間的留存率（比如次日、二日、三日等等）存在用戶的交叉，也就是說次日登錄用戶，也可能在二日也登錄游戲。這點是肯定存在的。Anyway，以上是基于留存這一個基調(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，如有不同意見或者新的想法，請各位盡情抒發(fā)和表達。
         關于什么是留存率，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。

         手機游戲現(xiàn)在都講究一個渠道推廣，這點是用戶獲取的重點來源，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。同時也有一個觀點，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，在運營，推廣，研發(fā)這幾條線上，是存在脫節(jié)的，這點也就造成了在今天狠花錢，買廣告，買流量，買位置。其實，你不知道自己究竟這么做，能夠起到多大的效果。
         說到這，我想到最近看到的數(shù)據(jù)報告，這個春節(jié)，似乎給我們大家開了一個玩笑，因為我們發(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，但用戶沒有增長，質(zhì)量也表現(xiàn)一般（對與這一點，可對照自己的游戲表現(xiàn)，自己分析）。今天的流失計算探討也是要對于剛才啰嗦的一大堆做一個數(shù)據(jù)管理和分析。
         OK，進入正題。
         留存率遺留的問題
         如剛才的留存率示意圖，我們發(fā)現(xiàn)留存是針對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，因為游戲與用戶之間存在一個曝光度的問題，你越是在一段時間頻繁接觸，你返回游戲的可能性就會越大，這個概率就是留存率。留存率是以每一天作為一個獨立研究對象在分析問題。是以每一個獨立的時間點作為計算口徑的，但是從用戶的角度來看，前一天登錄游戲的用戶，在今天登錄的可能性就會大很多（曝光度的問題），而這點，在留存率上沒有做出解答，因為相鄰兩天的用戶之間的相關性和交叉關系，即前一天的留存用戶中，有一大部分是在今天也會登錄的。有關這部分的探討放在后續(xù)的文章中。

         今天，我將變化一個角度來分析問題，而以下的計算模型，也將統(tǒng)一DNU和DAU之間的關系，加強我們對于DAU、DNU的理解和使用。
         DAU是一個指數(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日新登之外的用戶都是老用戶，但是這種方式不能足夠說明一些問題。在此，我們將重點針對OLD的部分進行分解和模型分析。

         所謂OLD部分其實也是由之前不同時間點的新登用戶組成的。因為每個用戶的狀態(tài)都是由新登用戶向活躍用戶過渡的。那么OLD的組成我們就可以按照以下的方式進行劃分：

         下面舉一個例子
         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%+…

         有上述的計算我們了解到，所謂老用戶，就是之前每日的DNU到統(tǒng)計DAU之日的留存率乘積并進行加和的數(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進行拆分和細化了，如果我們仔細來看的話，會發(fā)現(xiàn)，DAU是由不同的DNU進行加權(quán)得到的綜合值。而這個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算下去，計算量會很大，而且意義不是很大，如何有效的衡量這個指數(shù)，我將繼續(xù)闡述給各位。
         上述的公式告訴了DAU是由之前不同時間點的回流DNU組成的，因此，我們可以得到不同時間點的回流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%
         實際上來看，利用以上的原理，我們可以知道最近一周的DNU中，有多少貢獻給了今日的DAU中，這點其實很重要，因為自此，我們知道了用戶對于游戲的關注度和粘性，如果你的游戲中，每日有超過50%的DAU是一周之前的DNU貢獻出來的，可以想象，你的游戲黏著能力是很強的，至少，對于用戶而言，近期（至少7天是不會離開游戲，或者淡忘游戲的）。下面我將具體的說一個例子：
         按照上述邏輯，我計算了每個DAU的最近7日DNU貢獻率，曲線如下：
         在圖中，我們看到，最近7日DNU對于DAU的貢獻率持續(xù)走低，保持在20%左右，也就是說，現(xiàn)在每日的DAU中有20%的用戶是最近7日的DNU貢獻出來的。

         反過來說，也就意味著，這款游戲中，7日之前的用戶對于日DAU的貢獻是比較大的，從下圖來看，距離統(tǒng)計DAU 7天之前的用戶占比達到60%+，即用戶在該游戲的活躍周期較長，新增用戶群體的質(zhì)量和黏著性較好。

         以上的模型計算，其實在很多方面都可以使用，比如我們在檢測渠道用戶的質(zhì)量時，就可以基于以上的邏輯進行分析，再者比如付費用戶的付費周期研究也可以基于以上的模型進行分析。
         本質(zhì)上，以上的計算邏輯，解決了DAU與DNU之間的劃分矛盾，其實DAU可以認為是之前不同時間點的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。這點也恰恰解決了我在文章開頭所提到的曝光度的問題。因為一旦游戲不再曝光在用戶面前，那就意味著，游戲可能被啟動的概率大大降低。