原标题：游戏运营是如何利用网絡零售数据分析的流程分析重新捞回弃坑的流失用户的？

6月11日盛趣游戏网络零售数据分析的流程分析专家黎湘艳老师开启了数数课堂·第六期直播，本期也是黎湘艳老师三期专题课程的最后一次直播分享。

黎湘艳老师向学员们分享了流失分析、渠道用户质量分析、活动效果分析3大板块的处理经验并用6个实战案例详述如何将固定的网络零售数据分析的流程分析框架灵活带入至各个项目中，让分析结果产生驅动业务的价值

前两期课程我们谈到了：

1. 复盘我在网络零售数据分析的流程分析岗的心得体验；

2. 讲述如何搭建网络零售数据分析的流程汾析体系，其中包括网络零售数据分析的流程分析的六脉神剑网络零售数据分析的流程分析的关键指标、网络零售数据分析的流程分析框架，网络零售数据分析的流程分析方法等内容

本次，我会主要讲解过往大家最关心三大板块：流失分析、渠道用户质量分析、活动效果分析并会为网络零售数据分析的流程分析师们提供一些岗位建议。

流失分析网络零售数据分析的流程是粗粒度衡量各测试节点质量的關键指标

“因为我们知道，每款游戏都有用户流失的情况只是多少的区别，然而一般情况下我们只能看到结果但是如果能定位到原洇，就会有办法调整”

在介绍流失方法和具体案例之前，我们先了解如何合理地定义流失用户大家刚开始做流失分析时最大的困惑，僦是选择多大的时间跨度才能准确定义玩家为一个流失用户

假如流失玩家的流失期限定义太短可能会造成资源浪费，比如：当定义3天未產生登录事件为流失有可能这一部分用户在3天以后的回归率很高，这就导致召回活动会覆盖许多非流失玩家大量的召回奖励不仅浪费資源，也破坏了游戏平衡性；

而假如流失玩家的流失期限定义太长比如60天未登录游戏即流失，这样覆盖全部真实流失玩家的比例较低召回活动显得没有太大的意义。

其实不管有没有做召回活动如果流失用户定义不准确的话，我们分析出来的流失用户特征便存在误差為了规避上述情况，我们采用了流失用户回归率及拐点理论来制定流失用户定义标准。

当X轴上数值的增加会带来Y轴数值大幅增加或者减尐直到超过某个点之后，当X增加时Y的网络零售数据分析的流程增加或减少大幅下降也就是经济学里面的边际收益的大幅减少，我们就這个这个点认为是“拐点”

下图是以3天为单位的流失用户回归率曲线，（也就是用户某日登陆游戏在此之后三天内没有继续登陆游戏，我们就认为它已流失）当流失期限超过15天的时候，曲线逐渐平滑我们可以认为当一个玩家连续15天没有登陆游戏，可以判断它已经流夨

那么，是不是每款游戏的拐点都一样呢是不是都可以取流失15天的用户为流失用户呢？我们来看这张图ARPG游戏，曲线拐点发生在21天即玩家3周不登录游戏，认定为流失某卡牌游戏，曲线拐点发生在9天即玩家9天不登陆游戏，认定为流失这意味着不同类型的游戏，拐點差别很大

我们对应到品类特性来说，ARPG更吃操作玩家无论什么时候上线都可以顺畅地体验游戏内容；而卡牌养成类用户若超过一两天沒上线，就会很快被版本进度落下其游戏难度自然会越来越大。

除此之外即便是同一款游戏的拐点也有差异，不同日期的流失用户回歸率也有差别但差异度不会有不同游戏这么明显，这个时候我们可以选取中位数作为流失期限

其实，拐点计算并没有固定公式大家鈳以根据实际的网络零售数据分析的流程来作具体判断。完成了流失用户的定义分群后我们便可以对这一批流失用户作进一步的流失原洇定位。

▍3个主要流失分析方法

目前我整理了共8种流失分析方法，基本可以覆盖90%以上的流失情况:

其中5W1H法、流失和留存用户对比法、流夨前最后一次游戏行为、排除法及版本消化情况分析法为利用行为网络零售数据分析的流程对流失的定量分析法；而问卷调查法、电话回訪法及文本挖掘法为整理用户反馈的定性分析法。

这里我重点谈一下定量分析中最重要的5W1H法、流失前最后一次游戏行为法和排除法的案唎。

What：发生了什么

7天内流失了35%的用户,其中新用户流失了93%。

When：什么时候流失

是新手期？中期还是高级期阶段的定义可以按等级、游戏進度、充值级别等方式划分，不同游戏的划分方法各不相同这个案例中的新手期是1~30级，中期是31~40级41~50级是高期。

是指什么游戏职业或什么苼活职业的流失率比较高从这张图可以看出学生的流失率是35%，上班族的流失率是55%自由职业者的流失率是10%。这个时候可能有人会问流夨用户职业是怎么判断出来的？这里之所以能实现对用户职业的判断是因为我们在做用户调查的时候会采集用户的职业信息。

我们做网絡零售数据分析的流程分析工作的时候采用用户调查和行为网络零售数据分析的流程相结合的形式实现聚类分析，将用户分为上班族、學生和自由职业者等分群有一些运营的同学会觉得没有用户分群的必要，就算我们知道了游戏中的上班族和学生又有什么作用呢？首先这个网络零售数据分析的流程可以了解到游戏对不同人群的吸引力其次学生和上班族喜欢的内容不同，可以根据各自的喜好做相关内嫆的推广

Where：在哪里流失？

我们可以通过用户下线的地图坐标发现用户最后一次下线的地图集中在扬州城某几个区域。

我找出了任务A的唍成门槛较高是玩家流失的原因之一然而任务持有量高不一定就表示这个任务不会做，也并不一定是玩家流失的主因而有可能是做这個任务所花费的时间本来就比较长，或者说是这个任务正好是一个卡级任务所以我们还是需要具体问题具体分析。

不过先不谈更深入的東西先解析一下在这个案例中我为什么确定这个任务A给玩家造成了困扰呢？

首先我找出了持有量高的任务，接着看这些持有任务的用戶是否还有继续登陆游戏如果玩家不继续登陆游戏，说明就是不想继续了

但是同时，持有任务A的用户多次登陆游戏后仍然有38%的用户持囿说明玩家还在继续尝试做任务。基于此我们再深入下一层来看我提取持有任务A的用户等级来做分析，这个任务的接收、完成的等级區间在4-5级结果发现持有这个任务的用户等级区间达到了4-20级。

这说明玩家在做这个任务的过程中真的遇到困难了至少是对部分玩家造成叻困扰。前面也提到过定性分析的重要性因此我们通过用户调研了用户流失的原因。其中任务不会做、任务太繁琐、任务目标指引不清晰的确是玩家流失的原因之一

定量和定性相结合得出的结论，我们就比较有把握了然后我们就可以继续到下一步骤。

针对这些流失原洇网络零售数据分析的流程分析师给了一些建议，运营也制定了挽回策略

最终项目团队的对策是：

1、项目团队将以上分析结果和用户建议反馈给研发方，希望今后的版本能更适应用户减少流失。项目团队也针对这些问题做了一些运营活动来弥补版本的缺陷；

2、开发機器人喊话工具；

3、在游戏内举办“每天一喊话，传播正能量”的在线活动：任务A怎么做旁边就能买装甲（110*110买装甲），等等类似这样的提示

最后一次游戏行为分析法

我在上文概述该方法的时候，列出了用户流失前最后行为的分析框架大家可以在这个框架的基础上作更哆补充，也可以根据自己的项目业务需求来制定新的分析框架

• 如果玩家最后一次的游戏行为是做任务，可以看他做最后一个任务的时长、等级当前任务流失人数、当前等级所有任务流失人数、流失比例这样可以找出有问题的任务。
• 如果玩家最后一次的游戏行为是进入某個地图可以看各地图下线人数、下线前游戏时长、下线前用户等级、高流失用户下线点，这样可以找出不同等级用户对应的下线路径峩们知道了用户所在的地图、坐标点，如果有异常点也能定位具体的原因。
• 如果玩家最后一次的游戏行为是下副本那么可以看副本的通关人数、未通关人数、通关率，能定位到副本的问题如果玩家最后一次的游戏行为是活动，那么可以看下线前活动参与人数、下线前活动参与时长看是否有某个活动影响到玩家流失。

基于上述内容我们需要给出的一张满足下面描述的分析表格：

记录每个玩家的最后┅个行为事件，以及对应的属性（等级、时长）如果在这个基础上再扩展的话，可以做玩家的行为路径看流失用户的行为是否有共同の处。我之前做过玩家下线之前的5个行为发现了流失用户在流失之前的确有共性，大家也可以尝试做一下

当时我们有一款游戏正在进荇不付费删档测试，次留40%、三留30%低于原定预期。制作人希望我们对这款产品的网络零售数据分析的流程做问题分析的时候说到：

“在设計游戏的时候我们追求的是前期有拉力，将玩家顺利拉进游戏的中后期阶段；在中后期希望有牵引力，玩家被游戏吸引后不舍得离开”

接到这个任务后，我们先深度体验了游戏流程记录每个流程、等级所对应的任务。

然后我们对整体情况进行框架性梳理按体验阶段分为前、中、后期，并找出高位流失等级最后再对游戏内各项网络零售数据分析的流程进行整体排查，完成假设、验证的排查流程梳理各个高流失等级对应的游戏内容，结合验证过的游戏网络零售数据分析的流程进行排查找出不同等级的问题点。

最后梳理结论并給出建议。以上这种提出假设、验证把不相关的网络零售数据分析的流程排除，在相关的网络零售数据分析的流程中进一步深入分析的方法便是“排除法”。

该方法可分为四个步骤：

我们对LV.2-LV.40流失用户等级分布作出箱型图(也称盒须图)分析找出高危流失等级。我们发现10、20、25、21、13、32、23、27、31级是高危等级

许多网络零售数据分析的流程分析师做高位等级排查的时候，会认为只需要完成版本高等级区间的排查就荇了其实恰恰相反，低等级的高位排查才是扩大转化漏斗上端网络零售数据分析的流程量的重要工作仅从漏斗下端排查是解决不了核惢问题的。

因此我们需要按游戏体验阶段区分游戏前期、中期及后期，覆盖游戏全漏斗转化流程比如，20、21、23、25级可能是某一个大任务對应的等级且都属于游戏的中期。

找出关键节点后我们开始整体排查，分别对游戏行为网络零售数据分析的流程如：升级时长、死亡、副本通关、战力、转职和聊天等网络零售数据分析的流程提出假设，验证结果把不相关的网络零售数据分析的流程排除，在相关的網络零售数据分析的流程中进一步深入分析

我们发现，战力、转职不是引起玩家流失的原因玩家在聊天频道中也没有吐槽。但是时長、死亡、副本通关网络零售数据分析的流程和玩家流失有相关性。

经过排除和分析我们发现：

（1）前期：玩家在LV10高流失偏向于前期不滿堆叠滞后，或玩家未发现游戏亮点

a）LV20引导存在问题，副本耗时较长处于18:00-19:00的黄金时间段；

b）LV25兴奋点过弱，且处于大疲惫时间点卡级沖级，玩家觉得过“肝”

（3）后期：玩家更加偏向于参加更具社交性质的活动，单人副本的参与度很低

结论需要重申一下，每款游戏嘚属性、业务不同仅可借鉴。

当我们评估渠道的网络零售数据分析的流程好不好单看某一个指标会过于片面。

我们可以尝试采用综合評价分析法来评估这个方法不仅可以评估渠道，也可以评估活动效果、UP主的综合排名等场景

凡是需要用多个指标来评估排名或者效果嘚地方，都可以使用这个方法

我们来看综合评价法的五个步骤：

选取6个指标：用户量、收入、付费率、ARPPU、ARPU、第七日加权留存率，这些是原始网络零售数据分析的流程关于付费率和ARPU，也可以用ARPU这一个指标来代替我这里是为了看各个渠道的付费率和ARPPU的排名差异，所以特意列出了这两个指标

网络零售数据分析的流程标准化也就是统计网络零售数据分析的流程的指数化，其主要功能就是消除变量间的量纲关系从而使网络零售数据分析的流程具有可比性。

我们计算渠道的综合得分不能直接将各项指标直接相加因为收入和付费率等指标的单位不同，并且网络零售数据分析的流程范围相差太大直接相加没有任何意义。

本案例采用“Z-score标准化”公式如图所示。其中x为某一个指標网络零售数据分析的流程μ为平均数，σ为标准差。

将网络零售数据分析的流程标准化。以安卓官方渠道为列导入量200万，所有渠道導入量均值μ等于105标准差σ=59.16，官方驱动导入量标准化结果为1.6 其他渠道的指标按照同样的方法得出这张表格。

因为标准化的数字比较小苴比较接近为了便于比较，调整了网络零售数据分析的流程的范围将每个分数*100+100。3. 确定指标体系中各指标的权重确定权重的方法有：主觀赋权法和客观赋权法主观赋权法是主观地分析、判断来确定各个指标的权重。客观赋权法是根据指标的原始网络零售数据分析的流程通过数学或者统计方法获得权重。

如果各个指标间存在明显的人为喜好用主观赋权法更加合适、简便，但主观赋权法的问题在于客观性较差反之，各指标之间不存在哪个更重要或评分不包含人为喜好或者经验上更重要，用客观赋权最佳本次案例用到的方法是客观賦权法的标准差系数权重法。

（1）首先计算这些渠道每个指标的平均数和标准差；

（2）然后计算标准差系数也叫离散系数，就是用标准差除以平均数的结果；

（3）再计算各指标权数：等于各指标的离散系数除以所有指标我们发现导入量的权重是13.05%，收入的权重是21.88%如果这裏是用主观赋权法，可能收入和导入量的权重各占50%就可以了

将原网络零售数据分析的流程带入标准化的公式中，（权重*标准化）的数值便是综合评价值也就是综合评分。

这个排名就是最终的结果降序排列评分，分数最高的是第一名我们发现排名第一的是偶玩渠道，苐二的是叉叉助手第三是安卓官方。

最终我们发现越狱渠道在本款游戏中表现抢眼，快用和叉叉助手超过UC和应用宝等大渠道渠道质量分析对后续的资源投放、合作都有帮助，这种分析方法的应用也很广泛

“游戏不行活动补。”虽说活动对游戏来说起不了决定性作用但好的活动至少能起到锦上添花的效果。判断一个活动的好坏就是需要网络零售数据分析的流程来作分析评级。

• 一等活动是赚了“收叺”又赚了“人气”；二等是赚了收入但用户抱怨较多；三等是赚了人气对收入基本无影响；四等就是既失了人气，又没有赚到收入

遊戏的活动总体上分线上和线下两大类，线上活动是指依托于网络在网络上发起，在游戏服务器当中举行的活动而线下活动则是在游戲服务器之外举行的活动。线上的活动一般有六个流程如图所示：

虽然只有最后一个步骤写了网络零售数据分析的流程分析，其实“发現用户需求”和“制定配套活动”的过程中网络零售数据分析的流程分析师都需要参与其中。

不管是什么活动都是“发现、满足用户需求，而后达到运营目的（提升用户黏性、让用户玩的更爽、促进用户付费等）”的一个过程因此活动从何入手，归根结底即是如何发現用户的需求用户的需求到底是什么？

我们一般通过用户画像分析、用户行为分析、用户调研等手段来发现用户需求

比如：运营团队會依据用户是否有固定队友打副本的比例、对应的流失情况，来设计出老人带新人活动、用户直升活动来促进活跃。

可能会有人质疑网絡零售数据分析的流程分析师参与制定配套活动的价值性我们先举个列子：项目组想做一个竞猜活动，那么竞猜的机制设定、赔率设计、竞猜币数量、奖励量级、竞猜币和活动奖励币的关系设定等问题都是网络零售数据分析的流程分析师协助运营来设定的。

类似的活动還有很多至于分析师能参与到什么程度。主要还是分析结果和维度跟业务的配合度每种活动的分析方法和也是有差异的，但我们可以提炼出关键的六个步骤：基本思路是采用综合评价分析法再将各个活动分类出效果好的活动、效果一般的活动和效果差的活动。总的活動效果如图所示

PS：从严格意义上讲，游戏版本更新不属于活动但因为两个版本配置了多个游戏活动（如登录领取），因此为了防止版夲对活动网络零售数据分析的流程的影响需将两个版本的更新纳入了活动效果评估范围。案例活动主要受节日、抽卡活动、版本更新的影响

根据线下活动、线上的活动时间，及对应的效果差异总结出：同步的线下活动，可放大线上活动的效果

效果好的活动课导入大量新用户，显著提升营收

对比下来，效果一般的活动可导入一定的新用户对收入影响不大。而效果较差的活动收入与付费率均低于年岼均值新用户仅有小幅增长

这三期专题课程也快结束了，这里我给各位网络零售数据分析的流程分析师一些我个人的职业建议：

▍不等需求上门来主动出击找需求

网络零售数据分析的流程分析师不是在完成需求，就是在等需求的路上很多时候分析师们都只是在等各个運营、发行、研发提需求，做事情通常都比较被动很容易进入职业瓶颈。我们应当主动地抓住机会但凡发现某一个点，就主动出击給业务方解析网络零售数据分析的流程、分析原因，并给出建议按照这个工作方式，只要你能坚持3年那么你在工作上肯定会有很大的突破。

▍取数机器不可当找准定位做分析

项目组提过需求过来，要某某网络零售数据分析的流程你也只是单纯地给了某某网络零售数據分析的流程。长期下来你便从网络零售数据分析的流程分析师变为一个无情的提数机器。分析师应当分析网络零售数据分析的流程利用自己结论去驱动业务。现在有各种自动化的工具都能实现比人工提数更快更准确的提数工作，这样会使只有提数能力的网络零售数據分析的流程分析师丧失核心竞争力了争取做一个驱动业务的分析师，这样才能在职业生涯道路上有更多的选择权能获取更多的机会。

▍闭门造车最忌讳分析还需有落地

真正成长的是，跟项目团队在一起熟悉了业务，知道他们的痛点在哪里并且想办法去解决了他們的痛点，这个过程能让网络零售数据分析的流程分析师的能力得到快速的成长

▍模型大法并不好，具体问题具体看

很多人认为复杂的算法模型去解决问题可以体现自己的价值但是在实际工作中，大部分问题的解决方法并不唯一很多场景都能用简化方法解决，我并不建议凡事都先采用“复杂方法”的思维模式复杂算法和模型一来研究费时，需求等不了二来研究结果的验证和落地也需要一定的周期，比如游戏用户的社交关系、道具定价、市场费模型等场景

我们之前花了大量的精力来研究游戏用户的社交关系，结果发现这个结论其實很难应用到业务中难以产生业务价值。这里也并不是反对研究算法和模型而是说，算法和模型第一不能被神话第二这个工作一般偠用在周期比较长的任务中，在被比较充分的验证后直接利用其成果进行一些分析工作也是很好的。不管我们用什么方法做什么事情落地才是关键。

▍查缺补漏多实战沉淀积累很重要

这些在任何岗位都是相通的，前面我也提到过分析师的能力评估是基于综合性指标，每个分析师总有自己的强项，也会有自己的弱项可以自我分析一下，弱在哪里就多补充。要记住一点能力强≠成绩好，态度比能力更重要