
小白学数据分析--留存率与运营活动分析_I
有关留存率的事情最近扯得比较多,因为在分析数据的时候,越发觉得,分析一定是要来解决问题的,留存率不知何时突然变得流行了,在此讨论留存率倒不是因为流行,而是觉得以留存率为核心,的确是可以帮助我们解决不少的问题,但前提是,不要只停留在你所知道的次日,3日,7日留存率就OK,因为纵然你知道与benchmarks是差距,如果只抱着这个指标,你依然不知道自己该怎么做。下面会给大家一张图,让小白们看到,真正懂得要如何看待和分析留存率的,恰好,也验证我之前的一个观点
公测100+周,各周新用户在他们各自生命周期内各周的留存;
孤单的蓝线,是第一周的新用户和不删档内测阶段的用户总和;
当然以上的曲线是按照周留存来计算的。不过比较明显的是,如果你看过长尾理论就会知道这是符合幂律分布的。
回到今天的话题上,今天要说的留存率和运营活动的一些想法。近期卡牌类的游戏,比较流行,从榜单来看覆盖的密度也比较高,今天的例子就以卡牌游戏的运营活动为例来说说。
在整个运营的大体系中,活动运营只是其中的一部分,然而却起到了非常关键的作用,不要把活动当成了运营的全部,这是首先大家要建立的认识。之所以要拿卡牌作为一个例子,主要是在卡牌游戏对于活动的以来程度比较大,其中缘由我简单说一下:
核心玩法[解题模式]相对简单,易疲劳;
内容丰富性和节奏感;
所以很多的时候,我们需要去用活动去进行相应的刺激和鼓励。
在如今已变成红海的卡牌市场,游戏众多,想要突破在玩法变革,题材内容变化等方面,运营实力是一个很重要的因素,这个运营实力不只是说运营人员的营销和经营用户的能力,还有对于细节的调整和挖掘。
在活动这个问题上,我们可能组织了以下的各种活动:
但活动其实本身是一个过程,是一个需求反馈过程,因此在这个过程中,怎么去借助数据挖掘需求,提升留存质量是一个关键。不过要说明的是,留存的提升活动只是一个手段,但是核心还在产品质量,说到这点,其实细节是关键。
仔细看这张图,你会发现多了一个活动弹窗,其实这么做的目的有很多,它不仅仅只是一个弹窗,在背后有这么几条核心价值:
弹窗对于移动用户而言是有认知的,用户不会反感,国内用户很习惯活动这一套,极低的认知成本造就我们可以在启动的时候就做这件事;
弹窗的出现以及内容的引入,至少是70%以上的用户愿意停留5s左右的时间来查看各种充值,福利活动信息,因为这点,这为客户端的加载,程序更新,网络连接等争取了时间,这一点可以给大家举一个例子,同样是与人聊天,同样是一样的时间,与爱人和朋友的内心感受是不同的,一个感觉时间总是短暂,一个总是感觉时间漫长;
目前每一个CP都要对接很多的渠道,很多的渠道也为游戏开设了论坛,游戏的新闻,活动信息都是发布在这些渠道论坛上面,然而面临一个现实问题在于,并不是所有用户都能被我们的相关信息覆盖到,也就是说,用户的分散性,和渠道多样性,造成我们很难将信息很好的传达给每一个玩家,然而这个弹窗信息却解决的了这个问题。
对游戏而言,尤其是移动游戏,如何快速的让用户进入游戏,流畅体验,这是必须要解决的问题,纵然你的核心玩法再好,美术再好,进入不了游戏一切都免谈,在这点上,弹窗其实帮助我们缓解了这个问题。
从我们关心的留存来看,我们的计算中,一定那些成功进入以后的用户才能算作是留存用户,而这些留下来用户的行为其实就变得很重要,关于这点的分析见《小白学数据分析--留存率使用的窘境》。
从这点来说,既然是留下来这些人,那么我们就需要了解留下这批人做了什么,在那些方面可以拉升这个留存率,这是一个核心问题,其实这点上除了游戏本身的质量决定之外,你的运营手段使用,譬如活动运营就是一个核心因素,这点在随后的文章中讲解。
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