
小白学数据分析:留存率问题的分析
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。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29