数据分析：留存率使用的窘境

随着移动游戏整体的火热，现在看到太多的数据，太多信息，很多时候我们仰慕和钦佩别人的成功，我们总是把这个行业达成所谓共识的一些数据来出来说明问题。因为我们笃信数据是有力的证据，并且可以说明实力。然而太多的时候，因为沾染了更多的外在气氛，以至于在一些情况下看不到自己接下来的清晰的方向。比如今天说的留存率问题。 关于留存率，之前也谈到了很多，包括计算标准和使用方法，不过细心的人应该懂得那些只是一个最初级的阶段，因为即使你知道的留存率是什么，但是你会发现你依旧不知道要去做什么？原因在于，你觉得大家都在谈论，所以，我也这么谈论。很多时候，见过很多人都在询问，这个类别的游戏，benchmarks 是多少，一方面的确很有用，因为你看到了差距，另一方面，却发现，纵然自己知道差距，却依旧不知道如何弥补差距，如何解决问题。 因为，所有的数据分析和数据都是以解决问题为先。 然而，我们把数据分析和数据当做了夸夸其谈的佐料。 留存率的最大的窘境在于，即使，你了解到了你存在差距，但是你依旧找不到解决这个问题的办法。比如我们都知道我们的次日留存、7 日留存水平都不是很高，需要进一步提升，但是往往我们找不到方法，很多时候，我们可能回过头来通过不断的游戏体验，去寻找问题，实则现在很多人已经知道通过留存率来分析体验的问题。然而驱动用户体验决策而有意义的成功标准，一定是可以明确的与用户行为绑定的标准，而这些行为也一定是可以通过设计来影响的行为。然而我们看到了所谓现在探讨的次日留存率和 7 日留存率并不能准确捕捉行为，并且帮助我们完成设计，进而影响行为。 所以，我们要解开这个窘境。 所以，我们要去寻找在留存率背后的行为，而这些行为必须要能够进行量化，同时通过设计可以影响行为。 从设计的角度来看，我们很关心如下的内容： 因为这些因素使我们通过设计可以进行改进的，而这些改进，必然会对应在一定的量化基础之上，因为刚才提到了，只有这样的标准才是存在价值的，也是可以真正通过数据分析解决问题的，换句话， 只是一个单纯的留存率指标我们并不能更加清楚的发现这些问题，抑或更多的时候，只能凭借体验和感觉来解决问题，这种情况下其实数据分析并没有发挥应有的作用。留存用户的等级分析 我们可以通过分析次日、7 日、30 日用户的首日等级变化情况，了解不同质量用户区对于游戏内容和进度的把握情况，进而快速定位是否是游戏内容过难，或者新手教学没有做好导致的结果。 如上图所示，次日留存用户，在首日停留的等级有 22%的是在 4 级，而有 13%的次日留存用户直接是安装了但是没有进行游戏内容，与此同时，我们对比 7 日留存用户的新登日变化情况来进行对比分析： 在此，可以看到，7 日留存用户中，等级达到 2 的用户有 14%，而在次日留存用户中，首日等级达到 2 级的比例是 18%，这点来看，7 日留存用户的质量的确是高于次日留存用户。从这点来看，围绕游戏本身设计的要素，比如每日游戏时长，可以判断用户的首日游戏体验是否达到了预期的效果。所以这里我们可以去结合用户的游戏时长进行判断。留存用户的游戏时长分析 作为每一个游戏设计者，肯定会判断自己的游戏时硬核，还是中核，或者休闲，不同的情况对应的游戏时长水平是不同的，比如下面的例子： 结合新增用户等级的变化情况来看，其实我们比较容易看到，用户的游戏时长中有30%的人在 0-10s 就离开了游戏，针对这点其实可以反映几个潜在的问题，比如网络的不稳定，加载问题，渠道的虚假用户等等问题。针对这款游戏 10-30min 用户的数量相对占比不高，因此对于那些首次接触该题材的用户来说，新手引导存在一定的问题，用户在最开始的成长遭遇了一些问题，比如初期的赠送奖励不足以让用户继续体验接下来的游戏内容。不过值得肯定的一点事，在这款游戏中，我们可以看到基本上是一个正态分布，相对合理，而在某些游戏中，比如服务器不稳定，或者网络没有解决，那么此时用户的游戏时长曲线就会变成一个偏态分布，诸如下面的情况： 这种情况，可以肯定都是存在较大的问题，游戏核心机制没有有效的吸引住用户，因...