小白学数据分析----->数据指标 累计用户数的使用

简介: 小白学数据分析--à数据指标累计用户数的使用 累计用户数是指注册用户数的累计,即可以认为是新用户的累计。在一般的数据统计中,我们基本上都会涉及到这个指标,且这个指标是逐渐累加的,比如: 时间                   注册用户数[新登用户]           累计注册用户数 1日 ...

小白学数据分析--à数据指标累计用户数的使用

累计用户数是指注册用户数的累计,即可以认为是新用户的累计。在一般的数据统计中,我们基本上都会涉及到这个指标,且这个指标是逐渐累加的,比如:

时间                   注册用户数[新登用户]           累计注册用户数

1日                    100                                                 100

2日                    120                                                 220

3日                    110                                                 330

那么这个指标究竟有什么用?以前作为我自己也没有想到什么比较好用的方式去分析这个数据,既然存在了这个指标,就有存在的价值。此处,我所提到的分析思路和方法也是基于电商的一些分析方法,且对于累计用户数的分析,还具有延展性,能够完成一些更深入的分析,今天就简单的来说说这个指标的分析。

可以想象的是,如果根据累计用户数来做一条曲线的话,这个曲线应该是呈现逐渐增长的形式,且不断增长,然而受到版本更新,新市场开拓,季节影响因素,该曲线是会发生变化的。如下图所示:

从上图可以看到,我们可以把改图分成几个时期,比如在第一个拐点我们可以定义为导入期,该阶段是用户量的引入时期,比如我们有时候游戏进行小范围的测试,之后进入到了快速的增长期,历经过了增长期,我们发现其斜率发生了变化,符合线性回归,当然这不是唯一的形式,根据不同的游戏在其增长期之后的累计用户变化还要根据实际情况确立。

然而我们这里只能是总体上衡量我们目前游戏用户的总量,以及预测后期的用户量的走势,包括活跃情况,以及收入情况的预测。

但是我们有一个疑问,单单看这个图能分析出什么呀?只是确定不同的时期而已?

其实这个图的分析我们还要确立一条曲线,这条曲线就是老用户比例曲线,通过结合老用户比例曲线和用户总量的曲线结合分析,就能够得到更好的分析结果。这种组合的方式分析的结论一般有几种结论。

1)负增长型

浅色的曲线代表的是老用户的比例,通过老用户比例的变化并结合累计用户的变化,我们基本上能够看到游戏目前的用户量的变化和走势,如上图所示,经历过了增长期后,在随后稳定的累计用户阶段,我们能够看到老用户的比例实际上是开始走下坡路了,即随着累计用户的不断,其活跃用户的比例其实是向下走。这点,我们可以通过累计用户数和老用户百分比进行相关性分析,是呈负相关的。这种负增长的形式,便于我们及早发现一些游戏的问题,从宏观上把控游戏质量。这种负相关,我们可以再看看日活跃的曲线来分析。此处明显看到,日活跃是在增长以后,又开始了下降,根据这种下降我们可以预测收入和人气数据。

 

2)保质型增长

 

所谓保质型增长其实就是用户量不断增长,但是老用户的比例却没有出现下滑的类型,其隐藏的含义,就是我们的活跃用户是处于增长时期的,保质型增长可以帮助我们在一段时间内能够预测游戏收入情况、用户的增长情况。此处我们再列出来日活跃用户的曲线:

 

3)断层型增长

所谓断层性增长是老用户比例先高后低再增长的形式,这种情况比如我们新渠道的开拓,大型版本的更新[影响范围和跨度较大],但是多数时候是受制于新的渠道和市场的开拓,此时也要结合累计用户比例的变化情况来分析,也许有人此时会问,那么直接使用新登和活跃用户的变化不是更直接吗?此处加上累计用户的目的就在于从另外一个角度说明游戏的目前变化状态情况[总量与现有老用户的关系]

 

然而这种变化情况下,如果我们要进行一些预测分析,其难度其实很到,因为很难去把控在下一个阶段的数据走势和变化,之所以我们这里做的这种分析,目的就是为了服务于预测分析。

4)稳健性增长

所谓稳健性的增长,就是老用户增长是随着累计用户数的增长同步的关系,说白了是一种正相关,即总量涨,老用户也在涨。

 

而实际的活跃用户曲线也确实如此:

 

总结

说了这么多的废话,为什么还绕个弯子做这些分析呢?

原因其实很简单,老板需要下一个阶段的游戏收入、人气情况,然而对于游戏去做预测这个事本身来说就存在很大的误差,因为受到的影响因素实在很多,因此下一个阶段的预测分析出了要考虑这些因素的同时还要考虑其他的因素,而这些因素就是你的游戏目前处于哪个时期,是稳健的增长,还是保质型增长,还是负增长,或者断层性增长。作为对于未来一段时间的分析,我们必须要参考现阶段的用户变化情况,这是一个参考依据。

如果我们只是列出来一条目前的活跃用户和新登用户的变化曲线,我们不能很好的判断游戏处于的时期和其他信息,比如用户总量的情况与老用户的留存比例等等。

以上写的仅是个人见解和分析思路,请指正。

 

相关文章
|
1月前
|
数据挖掘 PyTorch TensorFlow
|
2月前
|
数据采集 DataWorks 数据挖掘
提升数据分析效率:DataWorks在企业级数据治理中的应用
【8月更文第25天】本文将探讨阿里巴巴云的DataWorks平台如何通过建立统一的数据标准、规范以及实现数据质量监控和元数据管理来提高企业的数据分析效率。我们将通过具体的案例研究和技术实践来展示DataWorks如何简化数据处理流程,减少成本,并加速业务决策。
237 54
|
1月前
|
机器学习/深度学习 数据挖掘 TensorFlow
🔍揭秘Python数据分析奥秘,TensorFlow助力解锁数据背后的亿万商机
【9月更文挑战第11天】在信息爆炸的时代,数据如沉睡的宝藏,等待发掘。Python以简洁的语法和丰富的库生态成为数据分析的首选,而TensorFlow则为深度学习赋能,助你洞察数据核心,解锁商机。通过Pandas库,我们可以轻松处理结构化数据,进行统计分析和可视化;TensorFlow则能构建复杂的神经网络模型,捕捉非线性关系,提升预测准确性。两者的结合,让你在商业竞争中脱颖而出,把握市场脉搏,释放数据的无限价值。以下是使用Pandas进行简单数据分析的示例:
34 5
|
2月前
|
存储 数据挖掘 数据处理
DataFrame探索之旅:如何一眼洞察数据本质,提升你的数据分析能力?
【8月更文挑战第22天】本文通过电商用户订单数据的案例,展示了如何使用Python的pandas库查看DataFrame信息。首先导入数据并使用`head()`, `columns`, `shape`, `describe()`, 和 `dtypes` 方法来快速概览数据的基本特征。接着,通过对数据进行分组操作计算每位顾客的平均订单金额,以此展示初步数据分析的过程。掌握这些技能对于高效的数据分析至关重要。
34 2
|
2月前
|
数据采集 机器学习/深度学习 算法
"揭秘数据质量自动化的秘密武器:机器学习模型如何精准捕捉数据中的‘隐形陷阱’,让你的数据分析无懈可击?"
【8月更文挑战第20天】随着大数据成为核心资源,数据质量直接影响机器学习模型的准确性和效果。传统的人工审查方法效率低且易错。本文介绍如何运用机器学习自动化评估数据质量,解决缺失值、异常值等问题,提升模型训练效率和预测准确性。通过Python和scikit-learn示例展示了异常值检测的过程,最后强调在自动化评估的同时结合人工审查的重要性。
64 2
|
1月前
|
机器学习/深度学习 数据挖掘 TensorFlow
从数据小白到AI专家:Python数据分析与TensorFlow/PyTorch深度学习的蜕变之路
【9月更文挑战第10天】从数据新手成长为AI专家,需先掌握Python基础语法,并学会使用NumPy和Pandas进行数据分析。接着,通过Matplotlib和Seaborn实现数据可视化,最后利用TensorFlow或PyTorch探索深度学习。这一过程涉及从数据清洗、可视化到构建神经网络的多个步骤,每一步都需不断实践与学习。借助Python的强大功能及各类库的支持,你能逐步解锁数据的深层价值。
51 0
|
2月前
|
数据采集 数据可视化 算法
GitHub星标68K!Python数据分析入门手册带你从数据获取到可视化
Python作为一门优秀的编程语言,近年来受到很多编程爱好者的青睐。一是因为Python本身具有简捷优美、易学易用的特点;二是由于互联网的飞速发展,我们正迎来大数据的时代,而Python 无论是在数据的采集与处理方面,还是在数据分析与可视化方面都有独特的优势。我们可以利用 Python 便捷地开展与数据相关的项目,以很低的学习成本快速完成项目的研究。
|
2月前
|
数据采集 数据可视化 算法
GitHub星标68K!Python数据分析入门手册带你从数据获取到可视化
Python作为一门优秀的编程语言,近年来受到很多编程爱好者的青睐。一是因为Python本身具有简捷优美、易学易用的特点;二是由于互联网的飞速发展,我们正迎来大数据的时代,而Python 无论是在数据的采集与处理方面,还是在数据分析与可视化方面都有独特的优势。我们可以利用 Python 便捷地开展与数据相关的项目,以很低的学习成本快速完成项目的研究。 今天给小伙伴们分享的这份Python数据分析入门手册本着实用性的目的,着眼于整个数据分析的流程,介绍了从数据采集到可视化的大致流程。
|
2月前
|
SQL 数据挖掘 Serverless
SQL 窗口函数简直太厉害啦!复杂数据分析的超强利器,带你轻松攻克数据难题,快来一探究竟!
【8月更文挑战第31天】在数据驱动时代,高效处理和分析大量数据至关重要。SQL窗口函数可对一组行操作并返回结果集,无需分组即可保留原始行信息。本文将介绍窗口函数的分类、应用场景及最佳实践,助您掌握这一强大工具。例如,在销售数据分析中,可使用窗口函数计算累计销售额和移动平均销售额,更好地理解业务趋势。
52 0
|
2月前
|
SQL 数据可视化 数据挖掘
SQL 在数据分析中简直太牛啦!从数据提取到可视化,带你领略强大数据库语言的神奇魅力!
【8月更文挑战第31天】在数据驱动时代,SQL(Structured Query Language)作为强大的数据库查询语言,在数据分析中扮演着关键角色。它不仅能够高效准确地提取所需数据,还能通过丰富的函数和操作符对数据进行清洗与转换,确保其适用于进一步分析。借助 SQL 的聚合、分组及排序功能,用户可以从多角度深入分析数据,为企业决策提供有力支持。尽管 SQL 本身不支持数据可视化,但其查询结果可轻松导出至 Excel、Python、R 等工具中进行可视化处理,帮助用户更直观地理解数据。掌握 SQL 可显著提升数据分析效率,助力挖掘数据价值。
44 0

热门文章

最新文章