小白学数据分析----->留存率与运营活动分析_I

简介: 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。

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http://www.cnblogs.com/yuyang-DataAnalysis/archive/2013/05/10/3071764.html

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。

相关文章
|
1月前
|
数据可视化 数据挖掘
R语言生存分析数据分析可视化案例(下)
R语言生存分析数据分析可视化案例
|
14天前
|
JSON 数据挖掘 API
数据分析实战丨基于pygal与requests分析GitHub最受欢迎的Python库
数据分析实战丨基于pygal与requests分析GitHub最受欢迎的Python库
18 2
|
18天前
|
算法 数据挖掘 数据处理
数据分析之可重复与独立样本的T-Test分析
数据分析之可重复与独立样本的T-Test分析
18 2
|
16天前
|
机器学习/深度学习 数据可视化 数据挖掘
python每日可视化分析:从过去到现代数据分析的演进
python每日可视化分析:从过去到现代数据分析的演进
|
1月前
|
数据采集 人工智能 数据挖掘
「一行分析」利用12000条招聘数据分析Python学习方向和就业方向
「一行分析」利用12000条招聘数据分析Python学习方向和就业方向
|
1月前
|
数据可视化 数据挖掘
R语言生存分析数据分析可视化案例(上)
R语言生存分析数据分析可视化案例
|
1月前
|
数据可视化 数据挖掘 Linux
如何在Linux部署DataEase数据分析服务并实现无公网IP远程分析内网数据信息
如何在Linux部署DataEase数据分析服务并实现无公网IP远程分析内网数据信息
104 0
|
13天前
|
机器学习/深度学习 数据采集 数据挖掘
如何用Python进行数据分析?
【6月更文挑战第13天】如何用Python进行数据分析?
108 66
|
9天前
|
数据采集 数据可视化 数据挖掘
数据挖掘实战:使用Python进行数据分析与可视化
在大数据时代,Python因其强大库支持和易学性成为数据挖掘的首选语言。本文通过一个电商销售数据案例,演示如何使用Python进行数据预处理(如处理缺失值)、分析(如销售额时间趋势)和可视化(如商品类别销售条形图),揭示数据背后的模式。安装`pandas`, `numpy`, `matplotlib`, `seaborn`后,可以按照提供的代码步骤,从读取CSV到数据探索,体验Python在数据分析中的威力。这只是数据科学的入门,更多高级技术等待发掘。【6月更文挑战第14天】
48 11
|
3天前
|
数据采集 机器学习/深度学习 数据可视化
利用Python和Pandas库构建高效的数据分析流程
在数据驱动的时代,数据分析已成为企业决策的关键环节。本文介绍如何利用Python编程语言及其强大的数据分析库Pandas,构建一套高效且可扩展的数据分析流程。与常规的数据分析流程不同,本文不仅涵盖数据加载、清洗、转换等基础步骤,还强调数据可视化、模型探索与评估等高级分析技巧,并通过实际案例展示如何在Python中实现这些步骤,为数据分析师提供一套完整的数据分析解决方案。

热门文章

最新文章