cpa日付广告联盟(Cpa广告联盟)

第2章认识游戏数据指标（二）

2.4　数据指标

2.4.1　用户获取

2.4.2　用户活跃

2.4.3　用户留存

2.4.4　游戏收入

2.4.5　自传播

2.4数据指标

这里将要介绍的数据指标作为游戏开发者、数据分析人员、运营人员、管理层对游戏进行分析时的参考，其细分指标和根据业务自定义的多种指标此处不再罗列。这里所列指标具有通用性和扩展性。

这里的数据指标仅为游戏数据分析最具代表性的部分，在实际分析过程中，根据分析维度，可以进行指标深度开发，比如收入分析部分可以加入回流用户贡献、持续付费用户贡献、付费留存用户、付费用户流失率、二次付费率、用户付费周期转化等。

作为游戏数据分析师，掌握基础数据指标的定义和使用是最基本的要求和职业能力，只有了解指标定义方式背后的逻辑，才能更加清晰的完成业务和数据分析。如图2-12所示，我们将从用户获取，用户活跃，用户留存，游戏收入，自传播5个方面分别介绍指标的定义、缩写、注意事项，以及解决问题。

图2-12AARRR模型的指标体系

2.4.1 用户获取

（1）日新登用户数

英文：Daily NewUsers

缩写：DNU

定义：每日注册并登录游戏的用户数

此处注册为广义概念，对于单机游戏而言，则是首次启动进入游戏的用户，所以对于DNU的定义也可以是，首次登录或启动游戏的用户。需要说明的是，在移动统计中，有时候用户也特指设备。

解决问题：

• 渠道贡献的用户份额；

• 宏观走势，确定投放策略；

• 是否存在大量垃圾用户；

• 注册转化率分析。

（2）日一次会话用户数

英文：Daily OneSession Users

缩写：DOSU

定义：一次会话用户，即新登用户中只有一次会话，其会话时长低于规定阈值。

一次性用户则是在此指标基础上隐身的指标，重点关注首登日之后7天内或者14天再未打开游戏的用户。了解非留存用户的首日行为以及比例，有助于在解决产品导入用户的流程上进行深度优化。

解决问题：

• 推广渠道的质量评估；

• 用户导入是否存在障碍点，如网络状况，加载时间，客户端崩溃等问题；

• 游戏引导设计分析点之一。

  2.4.2 用户活跃

（1）日活跃用户数

英文：Daily ActiveUsers

缩写：DAU

定义：每日登录过游戏的用户数

对于单机游戏而言，则就是一个活跃用户，而网游则要通过账号注册，形成一个网络游戏账号，才算做一个活跃用户。活跃用户的计算是排重的。

解决问题：

• 核心用户规模；

• 产品生命周期分析；

• 产品活跃用户流失，分解活跃用户；

• 用户活跃率，活跃用户／累计用户量。

（2）周活跃用户数

英文：Weekly ActiveUsers

缩写：WAU

定义：最近7日（含当日）登录过游戏的用户数，一般按照自然周计算。

解决问题：

• 周期性用户规模；

• 周期性变化趋势，主要是推广期和非推广期的比较。

（3）月活跃用户数

英文：MonthlyActive Users

缩写：MAU

定义：最近一个30日（含当日），登录过游戏的用户数，一般按照自然月计算。

MAU变化服务较小，对于产品用户规模稳定性，MAU则是风向标，但在推广时期，版本更新，运营活动的调整，对于MAU的冲击则是更加明显的。

此外产品的生命周期阶段不同，MAU的趋势变化也不同。

解决问题：

• 游戏用户规模稳定性；

• 推广效果评估；

• 总体游戏用户规模变化。

（4）日参与次数

英文：DailyEngagement Count

缩写：DEC

定义：用户对游戏的一次使用算作一次参与，日参与次数就是用户每日对游戏的参与总次数

在实际分析时，一般进行游戏参与次数的区间分布，同时，会计算平均游戏参与次数；移动游戏一般建议30秒内重复开启记录未一次完整使用；周参与次数即为一周的游戏参与次数总量，一般该指标分析分布或者平均值；日平均参与次数计算即日参与次数／日参与用户数。

解决问题：

• 参与频率分析，尤其是在上线、版本更新、运营活动等期间，监控该数据，了解用户对产品的反馈，发现异常情况；

• 衡量用户粘性，针对不同用户群的分析（活跃，新增，付费）；

（5）日均使用时长

英文：Daily Avg.Online Time

缩写：DAOT

定义：每日总计在线时长／日活跃用户数

关于使用时长，可以分为单次游戏时长，日游戏时长，周游戏时长等指标，通过对这些指标做区间分布和平均计算，了解参与粘性。

解决问题：

• 分析产品的质量问题；

• 观察不同是时间维度的平均使用时长，了解不同用户群的习惯；

• 渠道质量衡量标准之一；

• 留存即流失分析的依据。

（6）DAU／MAU

DAU／MAU理论不低于0.2，0.2*30=6天，即用户每月至少有六天登录游戏，此固定比例亦是衡量用户规模的参考

解决问题：

• 游戏人气变化的风向标；

• 用户活跃天数的评估。

  2.4.3 用户留存

留存率：某段时间的新增用户数，记为A，经过一段时间后，仍然使用的用户占新增用户A的比例即为留存率。

（1）次日留存率

英文：Day 1Retention Ratio

定义：日新增用户在＋1日登录的用户数占新增用户比例。

（2）三日留存率

英文：Day 3 RetentionRatio

定义：日新增用户在＋3日登录的用户数占新增用户比例。

（3）七日留存率

英文：Day 7Retention Ratio

定义：日新增用户在＋7日登录的用户数占新增用户比例。

留存率逐渐演变为渠道的评判游戏质量的重要标准，对于开发者通过此项数据与行业和渠道对比时，统一的计算标准则是要重点考虑和关心的。

在关注留存率的同时，我们也要关心流失率的分析，留存率更加关心的是从用户获取的角度综合分析获取用户的渠道方式是否合理，产品用户规模是否能够增长，而流失率则是关心为什么有些用户离开游戏了，这可能是在用户获取阶段就存在的问题，但是当游戏存在稳定用户规模后，一个付费用户的流失，却可能对游戏带来收入的大幅下滑，免费游戏不遵循正态分布，而是幂律分析，尤其在收入这类研究和分析上，尤为如此。

留存率的计算可以按照统计的时间区间来划定，比如在计算周留存时，计算新增用户则是一周总计的新增量在随后每周的留存情况。同理月留存也是一样的概念，不过对于月留存来说，在PC游戏中更是需要关注的。

理性看待次日留存的作用，一定意义上代表游戏的满意度和产品初期的体验效果，不一定就是游戏玩法有多好，或者多么不理想。

所谓上述提到的＋3日或者＋7日，意在着重强调，第3日和第7日的概念。注意计算留存率时，新增当日是不被计入天数的，也就是说当我们提到留存用户指的是，新增用户新增后的第1天留存、第3天留存和第7天留存，这点是说法上的问题，需要引起注意。

解决问题：

• 游戏质量评估；

• 用户质量评估；

• 用户规模衡量；

• 流失：统计时间区间内，用户在不同的时期离开游戏的情况。

（4）日流失率

英文：Day 1 ChurnRatio

定义：统计日登录游戏，但随后7日未登录游戏的用户占统计日活跃用户的比例。

（5）周流失率

英文：Week ChurnRatio

定义：上周登录过游戏，但是本周未登录过游戏的用户占上周周活跃用户比例。

（6）月流失率

英文：Month ChurnRatio

定义：上月登录过游戏，但是本月未登录过游戏的用户占上月月活跃用户比例

注意流失率＋留存率不等于100%，此处留存率遵循上文定义。

日流失率可根据需求情况进行调整区间，比如可以是随后10日或者14日。

流失率是在游戏进入稳定期值得重点关注的指标，如果说关注留存是关注游戏用户前期进入游戏的情况，那么流失率则是在产品中期和后期关心产品的用户稳定性，收益能力转化。稳定期的收益和活跃都很稳定，如果较大的流失，则需要通过该指标起到警示作用，并逐步查找哪部分用户离开了游戏，问题在哪里。尤其是对付费用户流失的分析方面，更是需要着重关心的。

解决问题：

• 活跃用户生命周期分析；

• 渠道的变化情况；

• 拉动收入的运营手段，版本更新对于用户的流失影响评估；

• 什么时期的流失率较高；

• 行业比较和产品中期评估。

  2.4.4 游戏收入

目前移动游戏创造收入三种形态：

• 付费下载

• 应用内广告

• 应用内付费，即IAP（In－App－Purchase）

此处重点考虑第三种情况，进行相关指标说明，以下描述将不分充值和消费，仅以付费统称。

（1）付费率

英文：Payment Ratio或者Payment User Ratio

缩写：PR或者PUR

定义：付费用户数占活跃用户的比例

通俗地说，付费率也称做付费渗透率，在移动游戏市场，多数只关心日付费率，即Daily PaymentRatio。

付费率的高低不代表产品的付费用户增加或减少。同时付费率在不同游戏类型产品表现也是不同的。

解决问题：

• 游戏产品的收益转化能力标准；

• 用户付费关键点和转化周期；

• 付费转化效果评估。

（2）活跃付费用户数

英文：ActivePayment Account

缩写：APA

定义：在统计时间区间内，成功付费的用户数。一般按照月计，在国际市场也有称作MPU（Monthly Paying Users）。

在手游数据分析中，更加切实的关注日付费用户和周付费用户，主要原因是用户的生命周期短暂，短期付费成为关注焦点。

活跃付费用户数的计算公式如下：

APA=MAU*MPR

APA的构成是值得研究的，手游市场关注新付费用户以及剩下的历史老付费用户，APA一般是分充值和消费两部分的，此处APA是对于充值用户和消费用户的统称。

解决问题：

• 产品的付费用户规模；

• APA的构成情况，鲸鱼用户，海豚用户，小鱼用户的比例以及收益能力；

• 付费群体的价值即整体稳定性分析。

（3）平均每用户收入

英文：AverageRevenue per User

缩写：ARPU

定义：在统计时间内，活跃用户对游戏产生的平均收入。一般以月计。

平均每用户收入的计算公式如下：

ARPU=Revenue/Palyers

Monthly ARPU=Revenue/MAU

即游戏的总收入除以游戏总活跃用户数，一般按照月计。在手游市场一般按照日计，计算公式如下：

Daily ARPU（DARPU）=DailyRevenue/DAU

严格定义的ARPU不同于国内认识的ARPU，国内的ARPU=总收入除以付费用户数，所以很多时候，会强调付费ARPU，此处有专门的术语叫做ARPPU。

ARPU用于产品定位初期的不同规模下的收入估计，也是LTV的重要参考依据。

解决问题：

• 不同渠道用户质量的判断；

• 产品收益贡献分析；

• 活跃用户人均收入与投放成本的关系。

（4）平均每付费用户收入

英文：AverageRevenue per Payment User

缩写：ARPPU

定义：在统计时间内，付费用户对游戏产生的平均收入。一般以月计。

平均每付费用户收入的计算公式如下：

ARPPU=Revenue/PaymentUser

MonthlyARPPU=Revenue/APA

即游戏的总收入除以游戏总付费用户数，一般按照月计。在手游市场我们一般按照日计，计算公式如下：

Daily ARPPU（DARPPU）=DailyRevenue/Daily APA

ARPPU容易受到鲸鱼用户，小鱼用户的影响，分析时需谨慎。

ARPPU与APA，MPR的结合可以分析付费用户的留存情况，对特定付费群体的流逝进行深度分析，保证付费质量和规模。

解决问题：

• 付费用户的付费能力和梯度变化；

• 付费用户的整体付费趋势和不同付费阶层差异；

• 对鲸鱼的价值挖掘。

（5）生命周期价值

英文：Life TimeValue

缩写：LTV

定义：用户在生命周期内为该游戏创造的收入总计。可以看成是一个长期累积的ARPU。

对每个用户的平均LTV计算如下：

LTV=ARPU*LT（按月或者天计算平均生命周期）

其中LT为Life Time（生命周期），即一个用户从第一次参与游戏，到最后一次参与游戏之间的时间，一般计算平均值，LT按照月计，就是玩家留存在游戏中的平均月的数量。例如：

一款游戏的ARPU=￥2，LT=5，那么LTV=2*5=￥10。

以上的计算方式是纯粹在理论上可行的计算方式，在实际中我们采取以下的LTV计算方法：

跟踪某日或者某周的新增用户，计算该批用户在随后的7日、14日、30日的累积收入贡献，然后除以该批新增用户数，即累积收入/新增用户=累积ARPU（LTV）。此种方式则可计算该批新增用户在不同生命周期阶段的粗略生命周期价值，此时我们可根据不同阶段的LTV，绘制曲线，了解LTV变化发展情况。

在后续的内容中，我们将就LTV进行深入的探索。上述的LTV定义是标准的定义方式，而在实际利用方面，考虑实际的推广营销情况，则会在使用方面有所变化。

解决问题：

• 用户收益贡献周期；

• 用户群与渠道的利润贡献，LTV与CPA的衡量；

• LTV不区分付费与非付费用户，看待整体的价值。

  2.4.5 自传播

自传播，或者说病毒式营销，是最近十年才被广泛研究的营销方法。在自传播中最重要的衡量方式就是计算K因子，但就自传播这部分的衡量和计算，目前在中国国内市场并不是受到很大的重视和利用，多数是追求在游戏广告的曝光和展示。下面就K因子做简要介绍。

K因子(K-factor)这个衡量指标。其实K因子这个术语并非起源于市场学或软件业，而是来源于传染病学。

K因子量化了感染的概率，即一个已经感染了病毒的宿主所能接触到的所有宿主中，会有多少宿主被其传染上病毒。

K因子的计算公式不算复杂，过程如下：

K = (每个用户向他的朋友们发出的邀请的数量) * (接收到邀请的人转化为新用户的转化率)。

假设平均每个用户会向20个朋友发出邀请，而平均的转化率为10%的话，K =20*10%=2。

当K>1时，用户群就会象滚雪球一样增大。

当K<1时，用户群到某个规模时就会停止通过自传播增长。

绝大部分移动应用还不能完全依赖于自传播，还必须和其他营销方式结合。但是从产品设计阶段就加入有利于自传播的功能，还是有必要的，毕竟这种免费的推广方式可以部分地减少CAC。

移动游戏的社交性从线上发展到了线下，可移动，实时，随设备携带的特点赋予了更多移动应用的机会，尤其是对于移动游戏而言则是巨大机遇。在早期的端游和页游市场则都不具备这样的特点，社交形态主要是以线上为主，病毒不具备移动的特点，而在今天，当我们在公交车、地铁、电梯等场景下都可以充分参与游戏，而病毒性就可能源于对别人手机屏幕的一瞥，就可能转化了一个用户。同样诸如很多的户外媒体，其印象广告则有了更高的转化空间，因为用户可能随时掏出移动设备对着广告页面扫一下二维码。

本章目录

第2章　认识游戏数据指标

2.1　数据运营

2.2　数据收集

2.2.1　游戏运营数据

2.2.2　游戏反馈数据

2.2.3　收集方式

2.3　方法论

2.3.1　AARRR模型

2.3.2　PRAPA模型

2.4　数据指标

2.4.1　用户获取

2.4.2　用户活跃

2.4.3　用户留存

2.4.4　游戏收入

2.4.5　自传播

登陆TalkingData官方博客，查看连载内容及更多技术类文章