从数据的统计源头看留存率的问题

最近和很多人交流，收获了很多，也想了很多，现在我们可以得到数据，现在我们可以根据所谓的定义和框架分析问题，但我认为有时没有必要站在框架分析一些问题，进步和前进的力量来自问题，创新和再创造。我不记得保留率的数据指标是什么时候变得如此重要。把它作为研发中游戏质量的标准是很重要的。运营商（平台）作为准入的关键是否值得继续。有时候觉得粗暴，甚至有点无知。因为更多的金子隐藏在肤浅的百分比背后，也可能是垃圾。以上是一点嘲笑，这里不想讨论更多的潜在问题，几天前写了一篇关于保留率的文章，我想很多人一定看过，估计也会使用，今天写的文章将从数据的统计来源开始，从另一个角度看待保留率。保留率VS百分比百分比用于表达比例，类似于标准化表达，因为百分比分母是100，想想这个表达消除了数量级的差异，使不同数量级之间的数据可以比较，例如：这里我们看到虽然上周和本周的收入数据不同，但百分比性能只有10个百分点，可以更好地量化数据，从这个意义上说，这是非常有用的。然而，如果我们只比上周强化收入少10个百分点，断言本周强化道具卖得不好，那我们就错了。然后我们来看看这张图:我们发现这张图的规律其实和上一张是一致的。如果我们只是简单的考察留存率，分析的麻烦就是错误的相信百分比，但百分比的作用在这里不容忽视。然后我们来看看这张图:我们发现这张图的规律其实和上一张是一致的。如果我们只是简单的调查留存率，分析的麻烦就是错误的相信百分比，但百分比的作用在这里不容忽视。所以调查留存不仅仅是看留存率，还要看DAU、后续留存、DNU规模等信息。其实和这个百分比竞争的原因很简单。你看不到今天的DAU是昨天的DAU的两倍。也就是说，今天的DAU比昨天好，玩家更积极(探索有价值的DAU)。保留率VS漏斗可能我们现在做保留分析将使用漏斗模型，因为一群用户进入游戏，随着时间的推移，从玩家的游戏生活过程是这样的，但有一个问题，漏斗不一定是一个严格的漏斗。让我们看看上面的图片，你会发现2天的保留率高于第二天的飞行保留率。这种情况存在于这里，也存在于实际数据中。至于原因，以后会详细说明。我认为使用保留率的目的是探索一批用户的导入质量（包括游戏的早期增长等），或市场和渠道的质量研究，从而促进我们以后调整交付策略和游戏改进计划。因此，我们建立了保留率，作为一种转化率机制，来确定和服务我们以前的目的。保留率是研究固定群体的转化。换句话说，我们希望看到这个群体的自然变化。由于统计上的时间滞后，往往会带来意外的错误。例如，8月1日的第二天保留在8月2日，3日保留在8月4日，7日保留在8月8日，但如果我们足够认真，将出现以下飞行乌龙，如8月2日的8月1日保留将错误地认为是8月2日的第二天保留率。这个问题的原因是统计日显示的数据不是统计日，很多人在使用某些系统时都会出现这样的问题。其实花了很多话，最后要说的是下图:在这张图中，我们列出了每日新登玩家的第二天、第三天和第七天的保留率。我们会发现每个固定群体(每日新登作为一个独立群体)第二天、第三天、第七天的保留率趋势基本相同，也就是说，保留率指标可以在一段时间内揭示一个群体的变化特征。由于时间的变化，这一特征不会发生显著的变化。例如，第37天新用户的第二天、第3天和第7天的保留性能保持趋势。从某种角度来看，新玩家的期望或特征给了我们游戏最好的反馈，这样的期望或特征是我们保留率的价值。（另一种方法可以计算相邻两天的保留率变化百分比，绘制曲线分析趋势变化）记录：关于保留分析，保留率只是整体保留分析的一小部分，真正挖掘保留价值实际上做了很多工作，保留分析不仅是新用户的专利，如充值用户保留，这里不能说。事实上，有很多留存率分析方法，这取决于我们分析的维度和角度。也许有时你可以尝试做一个显著的分析，看看两个服务器在一段时间内的留存变化是否显著。也许你也可以同时分析两个服务器的用户，或者分析不同渠道或市场的用户，有很多维度和方法，关键在于你是否愿意这样做。其次，我一直使用几何平均来处理这个“利率”的概念，因为我们总是计算平均保留率，但计算平均不能阻止极端值的干扰，所以几何平均是一个很好的方法。最后，我刚才提到了一个关于漏斗的问题。在这里，我想解释一下我的理解。漏斗是对分析转化率的生动描述，但在狭义的漏斗分析概念（如网站分析）中，我们的漏斗分析是对session（会话期间）的转化率分析。然而，这里的漏斗分析实际上是一种广泛的转化率漏斗分析模式，即新用户第二天登录，然后可以在2、3、4天登录，没有对话，狭义的漏斗是一个不断筛选的过程。然而，这里的漏斗分析实际上是一种广泛的转换率漏斗分析模式，即新用户第二天登录，然后可以在第二天、第三天和第四天登录。没有会话，狭义的漏斗是一个不断筛选的过程。因此，这里的保留率大于第二天（这已经在最后一部分解释和解释）