小白学数据分析-->有关于流失分析的探讨

jiyi713

博客：data-intelligence

小白学数据分析 目录

    早先我曾探讨一个关于流失分析的整套流程问题，也说了流失分析是如何的重要，大概这种解说是苍白无力的，因为拿不出数据来说明这个问题，因此大家就会感觉比较飘渺，今天就是流失分析再次进行探讨，这次从数据的角度来理解为什么要做好流失分析。

    挽留一个老用户相比于拉动一个新用户，在游戏收入、产品周期维护方面都有好处的，只是我们现在解决用户入口的问题，但是没有重视用户流失的问题。这个问题就好像一个水池子，有进口，但是也有出口，我们不能只关注进口的进水速率，却忽略了出水口的出水速率。这点对应了我们对于指标的量化和关注，比如当今我们考虑和分析更多的是留存的问题，却鲜有讨论流失问题，不过也可以理解，因为移动互联网上大家都从平台，渠道获得海量用户，至于你愿不愿意待着，我们就不关心了。不过，移动互联网的手游行业却不能不关心，因为手游也是一种端游缩小后一种存在形式，一定意义上手游的分析应去借鉴端游的一些分析思路和管理方法。

    因此，我们需要去做好流失分析，并不断的训练、实践。

    今天我将利用一系列的指标，来说明流失问题，首先，列出来今天用到的指标：

    MNU：月新增用户

    MAU：月活跃用户

    DAU/MAU：活跃比

    M_Churn_Rate：月流失率

    OMAU：老活跃用户

    M_1-Churn_Rate：月存留用户率

    首先我们要明确对于月流失用户的定义：

    一般而言，上个月（自然月）登录过游戏但在本月未登录过游戏的用户数。

    自然的，对于流失率就是这部分用户数占上个月月活跃的百分比。

    针对流失率的计算一种是通过技术手段精确的按照定义进行计算，而另一种方式就是粗略的进行估计计算，此处，说一下如何进行粗略的计算，在后续的讲解中，也会用到此部分知识。

    我们知道上个月的月活跃中存在两部分群体：





    上个月月活跃用户构成中，一部分是上个月流失用户，另一部分就是过渡到下个月活跃用户中的存留用户。

    而在下个月的用户中也存在两部分，一部分就是上个月过度来的存留用户，另一部分就是本月的新增用户。





    至此我们得到两个等式

    上个月MAU=流失用户+存留用户

    本月的MAU=存留用户+本月新增

    那么上个月流失用户=上个月MAU-本月的MAU+本月新增

    上述的计算方式和通过技术手段计算的流失率基本一致，可以作为粗略估计使用。解决了流失率的计算问题，下面我们就能详细开始分析流失率背后的秘密。

    之前在文章中说过，游戏产品是存在一个生命周期问题的，从具体游戏产品的一系列运营来看，产品经理CB、OB和商业化运营阶段，这里面是包含着流失问题的，而且在每个时期的策略和侧重是不同的，今天我将做一些假设，来分析流失，这样便于理解。

    假设如下：

    月导入新增用户为20000；

    月1-Churn_Rate=20%（存留率为20%，即上个月登录过游戏，且本月又登录的用户比例为20%）；

    月流失率为80%；

    DAU/MAU为0.15；

    我们可以根据上述的指标进行下述的计算：

    上线第一个月

    已知：

    MNU1=20000

    M_1-Churn_Rate1=20%

    M_Churn_Rate1=80%

    DAU/MAU1=0.15

    Old_User(老用户)1=0

    那么：

    平均的DAU1=0.15*20000=3000

    MAU1=20000

    上线第二个月

    已知：

    MNU2=20000

    M_1-Churn_Rate2=20%

    M_Churn_Rate2=80%

    DAU/MAU2=0.15

    MAU1=20000

    那么：

    Old_User(老用户)2=MAU1* M_1-Churn_Rate1=4000

    MAU2= Old_User(老用户)2+ MNU2=24000

    平均的DAU2=0.15*24000=3600

    上线第三个月

    ……

    按照以上的思路进行数据计算，最终能得出来一些数据。

    下图为按照流失率80%，月导入量20000进行的计算。





    下图为按照流失率70%，月导入量20000进行的计算。





    下图为按照流失率60%，月导入量20000进行的计算。





    下图为按照流失率90%，月导入量20000进行的计算。





    如果大家仔细观察会发现，流失率处于不同水平，反馈的MAU以及DAU都是有差异的，这点差异就是因为流失率的变化引起的。

    说到此处，再仔细观察，会发现，流失率达到90%时，基本在第四个月游戏的增长就停滞了，而为80%时，在第6个月开始增长停滞了，70%时在第8个月增长停滞了，60%时在第12个月增长停滞了。也就是说流失率水平的高低也刺激了游戏的用户量变化情况，从游戏设计的角度来看这点是因为游戏大量用户流失，对新用户进入带来一种负面的反馈，对于来用户而言，则生存和游戏下去的信心不足。时间久了，用户群流失就打破游戏原本稳定的环境，此时我们一般通过加大新用户的注入来解决办法。

    以上是从游戏角度来解释问题的，下面从数学角度简单的解释一下为什么到了一定的时候，后期数据变化减小，基本上达到了稳定状态。

    我们了解到

    注：1-Churn_Rate简写为CR%

    MAU1=MUN1

    MAU2=MAU1*CR1%+MUN2

    MAU3=MAU2*CR2%+MNU3

    MAU4=MAU3*CR3%+MNU4

    ……

    那么

    MAUn=MAUn-1 *CRn-1%+MNUn，且MNUn-1=MNUn-2=…=MNU1，CRn-1%=CRn-2%=…=CR1%，即有

    MAUn=MNU*（CR%^n-1+ CR%^n-2+…+ CR1%+1）

    由上述等式，可以发现，随着n逐渐增大到一定阶段，对于MAU的影响就变得越来越小。逐步稳定。

    侧面来看，如果CR%本身就很小那么这种影响就更小了，也就是说MAU变化很小，但是相对应的流失率就会居高不下，游戏处于了一个放水内耗的时期。

    以上是利用一些指标对于流失率进行了一个探讨分析，其实重点就是说流失分析对于一款游戏而言是非常重要的，小处来说是挽留用户，避免流失，大处来说是拉长产品生命周期。

    后记：文中所用计算方式和方法作为探讨之用，不妥和纰漏之处望各位斟酌使用，如有以为和错误，欢迎指出，不胜感激。

博客：data-intelligence

小白学数据分析 目录