小白学数据分析----->留存率分析_I[次日留存率突然下降了50%?]

简介: 最近在做留存分析时,遇到了不少的情况,也经常会有人问我,为什么我的游戏突然次日留存率降了一半。如果留存率是单单作为一个简单的指标的话,那对你价值还是蛮有限的,今天就和大家说说一个case,这是不久前解决掉的问题,相信会帮助不少人。

最近在做留存分析时,遇到了不少的情况,也经常会有人问我,为什么我的游戏突然次日留存率降了一半。如果留存率是单单作为一个简单的指标的话,那对你价值还是蛮有限的,今天就和大家说说一个case,这是不久前解决掉的问题,相信会帮助不少人。OK,这也将作为留存率分析的第一篇文章,后续在和各位分享。

事件描述

统计发现某三日的次日留存率较之前和之后下降了50%,但是在DAU整体趋势上没有显示的变化。

但是通过查看安装量,用户注册量,发现安装量没有明显的波动,但是用户的注册量骤然增加。下图是系统统计的截图

我们再看一下用户注册量

原因分析

由以上的数据表现来看,初步断定是两种情况:

新开服务器

老玩家刷号

针对第一种情况,我做了以下注册和安装的趋势图

由游戏官网得到了游戏开服的时间表

图中除了1月6日的波峰是由于游戏做了软文投放,刺激了游戏用户增长外,其他的红圆圈(除了1月16日)均是在周末开新服刺激新用户增长的,工作日所开的新服并没有出现波峰,比如1月3日,1月7日,1月9日等等。该游戏在1月18日开设新服,根据刚才的经验,1月18日不会出现较大的波峰,但是从1月18日~20日出现一个较大的波峰。即排除了工作日新开服务器造成的影响。

那么也就是剩下了第二种情况,即老玩家存在刷号的可能性。那接下来,我们需要做两方面的工作:

继续查细分数据,如注册活跃占比,注册安装转化率,玩家单日游戏次数,留存趋势表现数据

继续查找数据有问题期间的运营活动情况,便于问题定位。

这里我们先说第二点,我在该游戏论坛发现了一个活动:

新服开放后,新建帮派在开服后前3日,召集10名玩家加入其帮派,即送帮主大量金币

由此,基本确定问题出在了此处。不过我们还要从另一层面来看当时所在时期的问题,即从数据层面来看。

单日游戏次数

明显发现18~20日的单日游戏次数增加明显,这是小号增加,刷号的一个征兆,因为刚才我们看到了这个时期的安装量没有增长,只是注册大幅增长。

单次游戏时长

单日游戏时长从一直保持的相对平滑和稳定,但是在18~20日三日,出现了明显的波动,即用户单次游戏的时长不高,即存在大量低级账号。

留存趋势表现

留存率能够我们快速定位问题

是否是某一个新登用户质量的问题;

某一日或几日外部事件导致的留存变化。

如果是用户质量问题,那么该批次用户的新登次日留存率、二日、三日等留存率都会偏低;

如果是外部事件导致的,那么就是不同批次新登用户在某一统计日的留存率会表现的都很低;

我们先来看第一种情况:

次日留存率的前后变化

很明显的发现,次日留存率只是在18~20日三天下滑的很明显,三天之后次日留存率恢复正常水平。

接下来,我们再看看18~20日的留存趋势与21日之后的留存趋势表现

这里我们可以明显的发现,18~20日的留存曲线趋势表现整体上是低于之后的21~23日留存曲线的趋势表现,即18~20日的新增用户质量不高,因为大量是老用户刷新号登录造成数据增长,这样的用户实际上活跃度是有限的,即为了得到利益,使用小号作弊获得奖励的行为,而在数据层面的表现是很难看的。

换句话来说,这是运营活动设计的有问题,间接的影响了各项数据的表现。

至于第二种情况,这里就不说了,后续的文章中,会说到这个问题。

总结

这里就很简单了,留存率的分析绝对不是孤立的,也不是就看看可以了,驾驭留存率分析,能够帮助我们解决很多运营的问题,比如今天讨论的因为运营活动设置的比较事务导致数据的下滑,或者因为外部事件的干扰造成了数据的下滑。单一的留存率指标其实意义不大,但是综合利用其他指标,组合定位、分析问题,就显示出了它的作用。在后的关于留存率的文章中,会继续的来说,如何进行留存率的分析。

 

 

相关文章
|
2月前
|
搜索推荐 数据挖掘 C++
数据分析方法-对比分析和用户画像
数据分析方法-对比分析和用户画像
70 1
数据分析方法-对比分析和用户画像
|
2月前
|
数据可视化 搜索推荐 数据挖掘
数据分析案例-顾客购物数据可视化分析
数据分析案例-顾客购物数据可视化分析
99 0
|
9天前
|
数据采集 数据可视化 数据挖掘
Seaborn在数据分析中的应用:案例分析与实践
【4月更文挑战第17天】本文介绍了Seaborn在数据分析中的应用,它是一个基于Python的可视化库,简化了复杂数据的图表创建。通过一个销售数据分析的案例,展示了数据加载、描述性统计、相关性分析、多变量分析及高级可视化步骤。实践技巧包括数据清洗、图表选择、颜色使用、注释标签和交互性。Seaborn助力高效数据探索和理解,提升分析效率。注意,实际使用需根据数据集和目标调整,并参考最新文档。
|
22天前
|
存储 机器学习/深度学习 数据采集
数据分析师如何处理数据以进行分析?
【4月更文挑战第4天】数据分析师如何处理数据以进行分析?
19 9
|
1月前
|
机器学习/深度学习 数据可视化 算法
python数据分析——在面对各种问题时,因如何做分析的分类汇总
Python数据分析是指使用Python编程语言对数据进行收集、处理、分析和可视化的过程。Python是一种非常流行的编程语言,具有简单易学、代码可读性高、生态系统强大的特点,因此在数据科学领域得到广泛应用。
83 0
|
1月前
|
监控 搜索推荐 数据挖掘
python数据分析——业务指标分析
业务指标分析是企业运营中不可或缺的一环,通过对各项关键指标的深入剖析,我们能够更好地了解企业的运营状况,发现潜在问题,进而制定相应的策略来优化业务流程、提升经营效率。 在业务指标分析中,我们首先要明确分析的目的和范围。是为了评估整体业务健康状况,还是针对某一具体环节进行优化?明确了目的后,我们需要收集相关的数据,这些数据可能来源于不同的业务系统和数据库,因此数据的整合和清洗也是分析过程中的重要步骤。 接下来,我们要选择合适的分析方法。比如,对于销售数据,我们可以采用时间序列分析来观察销售趋势;对于用户行为数据,我们可以使用用户画像和路径分析来洞察用户需求和行为习惯。
102 1
|
2月前
|
数据挖掘 数据库
GEE——降水数据分析(半天)图表分析含(IANA(IANA Time Zone Database) 时区名称的定义)
GEE——降水数据分析(半天)图表分析含(IANA(IANA Time Zone Database) 时区名称的定义)
30 1
|
1天前
|
数据采集 数据可视化 数据挖掘
R语言与Python:比较两种数据分析工具
【4月更文挑战第25天】R语言和Python是目前最流行的两种数据分析工具。本文将对这两种工具进行比较,包括它们的历史、特点、应用场景、社区支持、学习资源、性能等方面,以帮助读者更好地了解和选择适合自己的数据分析工具。
|
7天前
|
机器学习/深度学习 数据挖掘 计算机视觉
python数据分析工具SciPy
【4月更文挑战第15天】SciPy是Python的开源库,用于数学、科学和工程计算,基于NumPy扩展了优化、线性代数、积分、插值、特殊函数、信号处理、图像处理和常微分方程求解等功能。它包含优化、线性代数、积分、信号和图像处理等多个模块。通过SciPy,可以方便地执行各种科学计算任务。例如,计算高斯分布的PDF,需要结合NumPy使用。要安装SciPy,可以使用`pip install scipy`命令。这个库极大地丰富了Python在科学计算领域的应用。
12 1
|
8天前
|
数据可视化 数据挖掘 Python
Python中数据分析工具Matplotlib
【4月更文挑战第14天】Matplotlib是Python的数据可视化库,能生成多种图表,如折线图、柱状图等。以下是一个绘制简单折线图的代码示例: ```python import matplotlib.pyplot as plt x = [1, 2, 3, 4, 5] y = [2, 4, 6, 8, 10] plt.figure() plt.plot(x, y) plt.title('简单折线图') plt.xlabel('X轴') plt.ylabel('Y轴') plt.show() ```
13 1