手游線上運營流程規範之數據分析

一、數據定義

1.用戶

1)日新增用戶數（DNU）

Daily New Users，每日註冊並登錄遊戲的用戶數。

目的：

分析渠道貢獻的新用戶份額情況

觀察宏觀走勢，是否需要進行投放

渠道是否存在作弊行為

備註：

周新增用戶數為本周7天日新登用戶數累計之和；

月新增用戶數統計同上，按30天統計；

根據推廣與否，可細分為自然增長用戶（非推廣期）和推廣用戶（推廣期）；

新增用戶統計以進入遊戲主界面為準。

2)日活躍用戶數（DAU）

Daily Active Users，每日登錄過遊戲的用戶數，需要去重。

計算方式：DAU=DNU+DOU

目的：

分析遊戲的核心用戶規模

分析遊戲的產品周期變化趨勢

渠道活躍用戶生存周期

備註：

月活躍用戶數（MAU）統計同上，按30天統計，匯總需去重；

對於核心用戶規模的衡量需要謹慎迴流用戶在活躍用戶中的變化情況，具體需要依據細分活躍用戶才能夠了解用戶規模和質量。

3)老用戶活躍（DOU）

Daily Old Users，每日登錄過遊戲的非新增用戶數。

目的：

分析遊戲的核心用戶規模

分析遊戲的產品周期變化趨勢

遊戲產品老用戶流失與活躍情況

遊戲產品的粘性如何（與MOU結合）

4)新增佔比（NLR=DNU/DAU）

目的：

遊戲用戶留存是否足夠

渠道用戶質量檢驗

備註：

新增用戶佔比越小，老用戶（即DAU-DNU，DOU）比例就越多，相對的留存質量越好。

在遊戲足夠吸引用戶或者流量足夠理想的情況下，隨著不斷新用戶被帶入到遊戲中，遊戲中DOU的比例則會越來越高，DAU才會不斷的成長。

目前新增用戶佔比的行業標準為：一線：<10%/二線：<20%/三線：<30%/四線：<45%

行業平均水平：28%。註：遊戲上線初期的1~3天不具備參考意義。

5)日迴流活躍用戶數（DBAU）

Daily Backflow Active Users，截至當日，前7天無登錄（不含當日）但當日有登錄的非新建用戶數。

目的：

分析運營活動推送效果等

備註：

月迴流活躍用戶數（MBAU）統計同上，按前30天無登錄（不含當日）但當月有登錄來統計。

6)日核心用戶數（DKAU）

Daily Kernel Active Users，每日的非新增核心活躍用戶數，一般按角色統計（去重）。

計算方式：DKAU=DOU-DBAU

目的：

分析了解真實的核心活躍用戶數

備註：

月核心活躍用戶數（MKAU）統計同上，按30天統計，匯總需去重。

7)日一次會話用戶數（DOSU）

Daily One Session Users，一次會話用戶，即新登用戶中只有一次會話，且會話時長低於規定閾值。

目的：

推廣渠道是否有刷量作弊行為

渠道推廣質量是否合格

用戶導入是否存在障礙點，如：網路狀況、載入時間等

分析遊戲引導設計

備註：

周一次會話用戶數為本周7天日一次會話用戶數累計之和；

月一次會話用戶數為自然月日一次會話用戶數累計之和；

DOSU有助於評估新登用戶質量，進一步分析則需要定義活躍用戶的月一次會話用戶數。

2.在線

1)最高同時在線人數（PCU）

Peak Concurrent Users，在一個瞬間同時在線的用戶總數。每5min或10min取一次同時在線人數，其中最大值為這段時間PCU。

目的：

在壓力測試階段，最高同時在線人數可以作為衡量伺服器、系統架構的重要指標。

正式運營階段，可作為遊戲的受歡迎程度考量之一。

可分析活動開展的效果，如BOSS戰，公會戰等。

備註：

只是一個極點的同時在線數，不能反映真實水平，具有局限性。

2)平均同時在線用戶數（ACU）

Average Concurrent Users，一段時間內（日/周/月）各時間點在線用戶數的平均。每隔5分鐘或10分鐘取一次同時在線用戶數，其平均值為這段時間的ACU，一般按角色來統計。

目的：

分析反映遊戲同時在線真實水平、遊戲活躍度、用戶在線時長等。

3)日登陸次數（DLC）/平均登陸次數（ALC）

Daily Login Count，日登陸用戶總登陸次數。

Average Login Count，統計時間內，每登陸用戶的平均登陸次數。按ALC=DLC/DAU計算。

目的：

分析產品粘性

分析版本更新影響

分析渠道推廣刺激效果

4)平均登陸天數（ALD）

一般按月計算，該段時間內平均每登陸用戶的登錄天數。

目的：

分析階段性用戶活躍度

5)日均在線時長（DAOT/AT）

Daily Average Online Time，活躍用戶平均每日在線時長。即：日總在線時長/日活躍用戶數。

目的：

用戶的遊戲參與度如何

與單次使用時長結合分析留存和流失問題

用戶持續遊戲能力如何

備註：

平均單次使用時長：一定時間內，平均單次使用時長=AT/DLC。

3.留存/流失

1)用戶留存（DRR）

統計時間區間內，新登用戶在隨後不同時期的登錄使用情況。

次日留存率（DRR）（Day 1 Retention Ratio）：日新登用戶在次日（不含首次登錄當天）登錄的用戶數佔新登用戶比例。

三日留存率（Day 3 Retention Ratio）：日新登用戶在第三日（不含首次登錄當天）登錄用戶數佔新登用戶比例。

七日留存率（Day 7 Retention Ratio）：日新登用戶在第七日（不含首次登錄當天）登錄用戶數佔新登用戶比例。

月留存率（Monthly Retention Ratio）：日新登用戶在第三十日（不含首次登錄當天）登錄用戶數佔新登用戶比例。

留存率需要進行長期跟蹤，根據需要可設定30日、60日或者90日。

目的：

用戶對於遊戲的適應性如何

評估渠道用戶質量

投放渠道效果評估

用戶對於遊戲的粘性如何

新登用戶什麼時期流失會加劇

備註：

留存率一定意義上代表了新登用戶對遊戲的滿意度；

關注留存率的同時需要關注用戶流失節點；

次日留存率代表了遊戲滿意度，主要反映遊戲初期新手對於遊戲引導和玩法的適應性。

2)用戶流失（DCR）

統計時間區間內，用戶在不同時期離開遊戲的情況。

日流失率（Day 1 Churn Ratio）：統計日登錄遊戲，但隨後七日內未登錄遊戲的用戶占統計日活躍用戶比例，此定義按需求可延長觀測長度；

周流失率（Day 7 Churn Ratio）：上周登錄過遊戲，但本周未登錄遊戲的用戶占上周周活躍用戶比例；

月流失率（Day 30 Churn Ratio）：上個月登錄過遊戲，但本月示登錄過遊戲的用戶占上個月月活躍用戶比例。

目的

活躍用戶的生命周期是多少

哪一個渠道的流失率比較高

拉動收入的運營手段，版本更新對於用戶的流失影響是多大

什麼時期的流失率比較高

備註：

流失率+留存率不等於100%，此處留存率遵循上文定義標準；

日流失率的定義可髮根據需求進行調整，比如統計當日登錄遊戲，但隨後14日或者30日未登錄遊戲的用戶數；

流失率在遊戲進入穩定期是值得關注的，穩定期的活躍和收入都比較理想，如果流失率波動較大，就需要引起警惕。需要仔細關注是哪一部分用戶離開了遊戲，流失率作為一個風向標，具有預警作用。

4.付費/收入

1)日付費用戶數（DPU）/日付費次數（DPC）/收入（Revenue）

日付費用戶數（Daily Pay Users），每日成功付費的用戶，需去重。

日付費次數（Daily Pay Count），每日成功付費次數。

收入（Revenue），每日成功付費總付費額。

目的：

分析付費引導是否合理

用戶付費傾向與意願、付費用戶規模

統計營收

備註：

月付費用戶數（MPU）/月付費次數（MPC）/收入（Revenue）統計同上，MPU需去重。

2)日付費率（DPR）

Daily Paid Rate，日付費用戶占日活躍用戶數的比例

計算方式：DPR=DPU/DAU

3)日首次付費用戶數（DFPU）/日核心付費用戶數（DKPU）

日首次付費用戶數（Daily First Pay Users），每日成功首次付費用戶數（以往沒有付費過）。

日核心付費用戶數（Daily Kernel Pay Users），再次付費的核心付費用戶數（以往有付費過）。

目的：

分析付費構成分布

備註：

其中日首次付費用戶數還可分解為日首次付費新增用戶數（當天新增付費用戶數DFPNU）和日首次付費活躍用戶數（非當天新增用戶首次付費NFPAU）。

DPU=DFPU+DKPU=DFPNU+DFPAU+DKPU

4)日新增用戶價值（DNUV）

Daily New User Value，日新增用戶產生的平均收入，為日新增用戶收入/DNU。

目的：

分析衡量投放質量、盈虧

備註：

其中日新增用戶收入必須為當日新增用戶產生的收入；

月新增用戶價值（MNUV）統計同上；

5)新增用戶付費轉化率（PCR）

Pay Conversion Ratio，統計時間區間內，日新增用戶中成功付費的用戶占日新增用戶的比率（一般按賬號來統計）。

計算方式：PCR=DFPNU/DNU

目的：

分析渠道質量、貢獻

6)平均每用戶收入（ARPU）

Average Revenue per Users，統計時間區間內，活躍用戶對遊戲產生的平均收入。 一般以月計。

計算方式：遊戲總收入除以遊戲的總活躍用戶數，一般按照月來計算，即ARPU=月總收入/月活躍用戶數（MAU）

目的：

不同渠道獲取的用戶質量如何

遊戲收益貢獻如何

遊戲活躍用戶與人均貢獻的關係

遊戲人增收益水平如何

備註：

ARPU用於產品定位初期不同規模下的收入預估。

7)平均每付費用戶收入（ARPPU）

Average Revenue per Paying User，統計時間區間內，付費用戶對遊戲產生的平均收入。一般以月計。

計算方式：ARPPU=月總收入/月付費用戶數（MPU）

目的：

遊戲付費用戶平均的付費水平如何

付費用戶整體的付費趨勢如何

對鯨魚用戶的分析

備註：

ARPPU容易受到鯨魚用戶、小魚用戶的影響，分析時需謹慎；

ARPPU與APA、MPR等結合可對付費用戶的留存情況，特定付費群體的流失進行深度分析，保證付費質量和規模。

8)生命周期（LT）/生命周期價值（LTV）

生命周期（Life Time）：一個用戶從第一次參與遊戲，到最後一次參與遊戲之間的時間，一般計算平均值。一般以月為單位。

生命周期價值（Life Time Value）：用戶在生命周期內為該遊戲創造的收入總計。可以看成是一個長期累計的ARPU值。

計算方式：LTV=ARPU*LT（按月計平均生命周期）

其中LT為Life Time，即生命周期，按照月統計，也就是玩家留存在遊戲中的平均月的數量。

例如，一款遊戲的ARPU=2元，LT=5，那麼LTV=2*5=10元。

目的：

用戶在遊戲中會待多久

用戶對於遊戲的貢獻價值是多少

用戶群與渠道的利潤貢獻如何（LTV>CAC)

備註：

ARPU遵循嚴格的定義術語，即總收入/總活躍用戶數；

LTV是針對活躍用戶的計算，沒有付費與非付費用戶之分。

9)投資回報率（ROI）

Return on Investment，投入產出比。

計算方式：（周期產出/周期投入）*100%，也可以以單玩家的生命周期價值與投入比，LTV/CPA或CPC。

衡量產品推廣盈利/虧損狀態

篩選推廣渠道，分析每個渠道的流量變現能力，衡量渠道投入性價比

結合其他數據（新增、流失、留存、付費等）調整遊戲，進行流量轉化與梳理

評估後續推廣活動的成功與否

二、數據分析

1.基礎數據

基礎數據是每天都要觀察的數據，例如全服的人數（註冊，在線，登陸，充值，消費…）、錢數（充值數，消費數，ARPU…）。觀察宏觀數據來了解事件（活動、版本更新、開服合服、渠道推廣等）的效果，並從中發現「異常數據」和「趨勢數據」加以分析。

2.數據異常

基礎數據的突變，當異常數據產生時，需對數據進行細分，從付費額度、等級、伺服器、消費點、時間點……來了解並解決問題。

細分數據流程如下，細分數據時應以客觀數據為主，不要直接主觀論斷問題原因。

在通過數據無法得知原因時，可以在數據之上進行主觀分析。

三、數據報告形式

根據需要，一般周期性發布數據報告，形式有以下幾種：

1.遊戲數據日報

1)製作目的

監控重點數據，是否存在異常情況

了解渠道數據，實時了解渠道表現

2)關注指標

用戶數據

日活躍用戶（DAU）：日活躍是否波動很大，比如受到節日、推廣、版本更新、事故、老用戶流失影響。

日新增用戶（DNU）：日新登是否波動很大，比如推廣、事故、節日刺激。

新增有效用戶（每日註冊的玩家並保證登錄過遊戲的玩家）：建立時間序列的數據源，分宣傳期與非宣傳期數據，可結合ACU，PCU等數據，觀察遊戲對用戶的黏著度。

最高在線人數（PCU）：建立時間序列的數據源，觀察並得出屬於自己遊戲的波動範圍

平均在線人數（ACU）：建立時間序列的數據源，觀察並得出屬於自己遊戲的波動範圍。列出當日及前一日的同期對比曲線，並分析原因。

日均在線時長（AT）：在線時長是否穩定，是否新用戶大量倒入，例如一次性用戶，導致在線時長變低。

次日留存率（Day 1 Retention Ratio）：新增用戶次日是否登錄遊戲，可以看出遊戲是否符合用戶預期，留存率波動是否存在特殊因素，比如網路問題、運營事故、新增渠道，等等。

客戶端下載量

官網/論壇/新媒體PV

收益數據

日充值額（Revenue）：每日充值金額的變化情況，比如充值活動、節日刺激、新道具或者版本上線。

日充值用戶數（DPU）：每日充值用戶數的變化情況，比如充值活動、新版本等是否拉動充值人數變化。建立時間序列的數據源，對比業內平均水準，測試遊戲消費引導能力。

充值ARPU：每日平均充值金額，建立時間序列的數據源，測試遊戲消費點挖掘能力。

每日新增充值用戶（DFPU）

每日消費金額（Consume）：每日消費金額變化情況。

每日購買人數

消費ARPU

流失數據

日流失帳號：統計日內有登錄但統計日後7天都未登錄的賬號數

日流失率：統計日內有登錄但統計日後7天都未登錄的賬號數/統計日的活躍帳號數

日流失充值帳號數：統計日前30天有充值行為，但統計日內無登錄，且無充值行為

渠道情況

渠道每日充值總量：了解每天每個渠道充值總量、把握渠道收益情況。根據需要還可關注重點渠道新增充值量。

渠道每日新用戶份額：對比了解，各個渠道每日的新用戶增長情況，是否存在異常，渠道用戶在推廣與非推廣時期的表現，版本、事故等影響範圍。

渠道次日留存率：日常監控指標，對渠道用戶質量衡量的標準之一。

2.遊戲數據周/月報

1)製作目的

了解周期性變化趨勢，快速響應制定策略

重點渠道、用戶跟蹤，分析轉化、質量等

周期性數據分析總結，制定下個周期計劃

2)關注指標

用戶數據

周活躍用戶（WAU）及歷史平均WAUWAU 在較短一個周期內（每周/月），可以快速衡量目前遊戲處於極度活躍期的用戶規模，新登用戶和老用戶在每周的活躍是一個相對完整的周期性循環，通過同期數據對比（上周，上個月同周，去年同期）， 有效衡量遊戲用戶的穩定性。

周新增用戶（WNU）及歷史平均WNUWNU 為該周7天內新增用戶數累計之和，新增佔比（WNU/WAU）助於分析目前周活躍用戶的大致結構（新增為主or老用戶為主）。此外WNU的對比分析幫助了解目前推廣、自然增長期（非推廣階段）、版本更新、事故、節日因素的干擾和影響，從周期性數據的角度了解遊戲的生命力。

周參與天數（WED Weekly Engagement Day）及歷史平均WED周參與天數就是用戶一周內有幾天登錄過或者參與過遊戲，統計該數據宏觀了解在以周為周期的時間內，用戶的活躍程度及具體活躍的時間（比如很多的遊戲用戶集中活躍在周五、周六），有效制定活動策略。

通過用戶的細分，比如新登用戶、老用戶、迴流用戶等具體分析每個群體的參與習慣和來源，有助於典型用戶的尋找，例如用戶一周參與天數達到某個標準， 即為忠誠用戶，衡量該群體的規模以及渠道來源。

7 天DAU&DNU趨勢數據WAU和WNU只能是了解用戶的規模，以周為周期，還要了解這一周DAU和DNU的變化趨勢同時可加入上期及歷史同期數據對比， 找出本周趨勢變化較大的原因。同時，結合其他數據挖掘用戶的上線活躍習慣。

流動性

留存率留存率主要可以針對新用戶在本周內的表現進行分析，因為每一周都會有相應的事件發生諸如版本、事故等，這些因素可能會對新用戶的留存造成影響，此外渠道在這方面的影響也比較大，留存率可作為用戶周期性流動的指標予以關注。

流失率（典型用戶流失率）可以針對典型用戶進行流失率的分析和控制。典型用戶就是活躍天數達到一定標準，在線時長達到一定標準的用戶，還可以根據是否付費對典型用戶進行進一步的細分，確定流失率和評估用戶流動性，因為這部分用戶是周活躍用戶的核心群體，是最容易產生和轉化消費的群體。

?用戶收入

ARPPU&ARPU周期性付費用戶與活躍用戶的人均貢獻收益，幫助分析周期性調整或者事件效果的評估。

周付費率（WPR）通過與歷史數據進行對比，判斷趨勢，付費率是否正常。必要可進行付費率的二度分析。

付費用戶（WPU）了解周期性的付費用戶規模，長期趨勢跟蹤，了解遊戲目前付費設計是否符合玩家口味。

新增付費用戶（WFPU）了解周期內新貢獻的付費用戶有多少，跟蹤了解目前遊戲的付費潛力如何。調整策略是否奏效，營銷活動是否合理。

新增用戶價值（DNUV）了解遊戲周期性收入中，核心收入貢獻規模，新增WFPU的貢獻收入屬於不穩定收入，確定此部分的比例，利於運營管理者有效了解下一階段收入走勢。

PU流失了解目前付費用戶的流失情況，有效的制定下階段的挽留策略，穩定收入。例如是鯨魚用戶、海豚用戶還是小魚用戶流失。