数据分析-用户分析

在任何这款商品的开发周期中，都须要不断思索两个难题。

紧紧围绕使用者预测，不论是特别针对新使用者却是活耀使用者，须要转换许多层次去展开使用者的回收。

商品的发布网络平台（无论是iOS网络平台，却是Android网络平台却是Window）

如前所述预测的须要，会随便增设预测天数区段，更加灵巧民主自由地查阅相同天数的数据表现，这一点往往是在做数据预测报告时时常使用。

使用者预测的第两个难题是说明和定量

终端电子设备未曾像今天这样碎片化，同两个商品由于运转于相同的的电子设备上，相同的电子设备上运转的作业系统又是相同的，那么出难题的几率就会极高。

1. 追加使用者预测

转化成的使用者

的预测层次，追加使用者透过许多层次展开回收和预测，实际上是把追加使用者作为两个样品或者聊天室，透过许多分项来充分反映该聊天室追加使用者的情形。

追加使用者来衡量的分项归纳起来能分为以下四类：

核心理念分项：ARPU, ARPPU, 订阅转换率, 存留率 ，流动率，外流使用者等。

注册登记转换率

注册登记转换率，两个大体上能忽视的分项，虽然简单，但是却真实世界充分反映平台，孩之宝和开发人员的整体实力，以及看待商品的立场，最直接的是对格斗游戏产品质量的意见反馈。简而言之的注册登记转换率，其实指的是玩者从浏览格斗游戏后，关上转化成，注册登记成功的比例，即 注册登记帐户/转化成帐户数，如果出现一般而言电子设备数个帐号的情形，算是一次转化成。

注册登记转换率的意义主要有四点：

2. 活耀使用者阐释

的标准。从使用者的转化成视角来说，每两个活耀使用者最终都是追加使用者的转化成，能说具有一定开发周期的追加使用者是活耀使用者，只有当追加使用者存有存留的几率时，活耀使用者的预测才存有价值。该处着重于探讨日活耀使用者。

DAU预测思路：

核心理念使用者规模代表了格斗游戏的稳定性，不会受到外在因数的影响，不会轻易损失大量使用者。DAU中的核心理念使用者数量是考量商品产品质量的重要因素，DNU/DAU这一分项能客观充分反映核心理念使用者规模的情形。

2. 商品黏性预测

DAU是由相同时期的追加使用者在同一天的相同存留构成的，从这个视角来看，初期存留表明的是商品是否赢得使用者的兴趣；从长期来看，使用者是否接纳并认同这个商品。综合来看是反应的是商品的黏性。这种黏性一方面是有初期的兴趣引发的进一步探索欲望。另一方面则是由格斗游戏运营、核心理念玩法、社会性而产生的使用者付出成本。

3. 使用者流动率预测

DAU规模不是一成不变的，例如我们要面对在推广期结束后DAU的巨大回落，但我们要清楚什么幅度的回落是符合预期的。

4. 平台产品质量预测

这里不做详细阐述，后期会展开详细阐述。

5. 开发周期预测

DAU经过对比、趋势和回收预测，则会充分反映商品的开发周期状态。例如经过长期观察，我们发现DAU中大于14天的活耀使用者开始持续走低，在追加网络流量不补给的情形下，意味着DAU开始走下滑趋势，沉淀的老使用者开始逐渐离开了格斗游戏。

DAU基本预测

建立每日活耀人数的弹性区段（阈值），预警要根据每个月的具体情形来看。

2. 趋势走向

3. 商品产品质量

从日活耀的趋势变化和人气波动等其他因素综合来看商品版本更新、活动增设等对于商品的收入和使用者开发周期的影响，以及商品产品质量是否符合玩者的预期。

4. 影响因素

综合两个周期的日活耀数据和其他数据制定影响因素指数，便于宏观把控数据的变化。例如，进入预警范围的数据因为这些因素的影响有多大，做到心中有数。

3. LTV

近年来兴起的新统计LTV（使用者开发周期价值）的作用是在应使用者存留的基础上进一步研究每个玩者的产品质量。LTV全称是Life-Time Value，指使用者在其整个开发周期的订阅金额。如果再结合从平台抓取的一般而言使用者成本，就能宏观上计算出ROI了。同时还能进一步计算出每天、每个平台的ROI，供平台在投放导量方面做决策。

LTV听起来很强大，可是计算却有些难度，目前流行的算法是如前所述定义的，公式如下：

LTV=LT×ARPULTV=LT\times ARPU

公式中的LT指Life-Time使用者开发周期，ARPU指每个使用者的订阅金额。

不少采用的方式如下。

LT: 1/流动率。

ARPU: 直接引用全部活耀使用者的ARPU。

在实际操作中，这个算法有很大的局限，主要有两点。

由于公式中的两个因子都有很大的不确定性，导致在实测中的误差很大。

不少公司采用另一种计算方法来计算LTV

记录一批使用者从首次登陆起的每笔消费，每天累加之后作为其使用者生命价值，如果该处必须有个公式的话，能写成：

，LTV=ΣLTVi，i=1,2,3…,nLTV=\Sigma LTV_{i}，i=1,2,3…,n

记录每天新使用者在未来每天的活耀人数，最终记录若干天后形成两个等腰三角形的数据表。记录每天的消费人数和消费金额也能形成两个等腰三角形的ARPU表。这种逐日计算的方式原本是特别针对 LT*ARPU 算法的检验。这种算法的致命缺陷是，必须等到格斗游戏关闭之后才能‘准确’地计算出结果，这对格斗游戏运营的指导就非常有限了，只能作为同类型格斗游戏的参考。在实际的操作中，须要根据有限样品推算出全部估值。

在计算出来LTV之后，宏观上还能根据CPC计算出一般而言使用者的ROI，进一步辅助决策。

ROI=LTV÷CPCROI=LTV\div CPC

如前所述一般尝试。

如果ROI<1, 表示引入的使用者贡献不足以弥补投入的成本，应立即停止追加投入。

如果ROI=1, 表面上是不赚不赔，算上人力、办公成本等之后肯定却是不划算的。

如果ROI>>1 时，能继续追加投入。

在微观层面来看，还能细化到每个每个渠道，考量每个平台的ROI。

使用者平均开发周期算法

一般意义上的使用者开发周期，是指两个使用者玩这款格斗游戏的天数。平均使用者开发周期是对所有相关的使用者开发周期平均值。

严格来讲，开发周期有两种界定方法：线上算法和线下算法。

例如，某玩者在某格斗游戏中，第一周七天内的在线天数只有200分钟，这里的200分钟和七天就分别对应线上算法和线下算法。使用者开发周期主要是面向线下天数算法。

2. 存留率

存留率，指新玩者进入游戏之后每日的存留比例。使用这个分项时也有两种界定方法，固定值和修正值算法。两者的区别在于对于不连续的使用者的界定。

例如，某新玩者首日登陆后， 次日未登录，第三日又登陆了，在第四日计算的时候，后者认定这个玩者其实应该算次日存留，应该重新计算一下次日存留率，同时次日存留会略微增大。这种带修正的算法得到很多人的认可，但是代价是却是每天重新计算一下存留表。

计算使用者开发周期的时候要使用这个带修正的算法。

根据用户开发周期的定义，应该统计玩1天的玩者人数a1a_{1} ，统计玩2天的玩者人数 a2a_{2} ,…

统计玩n天的玩者人数 ana_{n} ，那么平均开发周期的计算结果如下。

LT=∑(a1×1+a2×2+…an×n)/∑(1+2+…+n)LT=\sum_{}^{}{(a_{1}\times 1+a_{2}\times 2 +…a_{n}\times n)}/ \sum_{}^{}{(1+2+…+n)}

这个公式简化后的写法。

LT=∑RiLT=\sum_{}^{}{R_{i}} i=1,2, … , n

RiR_{i} 指第i日的存留率，即使用者生命平均开发周期是存留率之和。