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）

以上就是关于从数据的统计源头看留存率的问题的相关介绍，更多从数据的统计源头看留存率的问题相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对从数据的统计源头看留存率的问题有更深的了解和认识。