
小白学数据分析--留存率分析_I次日留存率突然下降了50%
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
在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15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