DataFocus小学堂:5W1H分析用户流失原因

2020/12月/23BI 3.0, 大数据分析, 大数据技术与运用0 条评论

流失用户分析的方法很多,今天我们以游戏产品为例,借助DataFocus来了解下通过5W1H分析方法,如何对用户流失原因进行分析。

用户流失期限的确定

在分析之前,我们先来了解下如何确定流失用户,即流失期限是多久呢?

我们可以通过流失用户回归率和拐点理论来确定用户流失期限。

首先,选取几个时间点的登录用户,分别计算它们连续1天至30天不登录的流失回归率。

流失用户回归率=回归用户数/流失用户数×100%,在DataFocus中可以使用公式直接进行计算。

从上图中可以看到,随着天数的增加,流失用户回归率递减。约第21天为曲线的凹凸分界点,即拐点,在此,我们可以预估用户流失期限为21天。

再结合对其它时间点登录用户的流失回归率与拐点分析,即可以较合理地制订用户流失期限。

二、5W1H分析流失用户

2.1 了解5W1H

5W1H是指What何事、 Where何地、Who何人、When何时、Why何因、How何法。

对游戏流失玩家的分析,我们可以从这几点进行了解

What——用户流失了,流失了多少用户

Where——在哪里流失的,游戏中哪个区域流失的

Who——什么人流失的,新玩家还是老玩家,从事什么职业的玩家 ;游戏中哪个角色。

When——什么阶段流失的,是新手阶段、中级阶段还是高级阶段

Why—— 为什么会流失,是因为游戏中的任务较难,游戏有卡点还是没有一起玩的朋友等等。

How——如何挽回用户,可以制订哪些策略。

2.2 分析内容

我们可以选择七日流失用户来反映流失用户特征,再根据每日数据变化情况分析流失规律。

数据来源主要包括用户游戏行为日志和对玩家的回访调查数据

2.2.1 七日流失用户分析

游戏产品的7日流失用户分析,可以从游戏玩家等级、职业、在线时长、任务等游戏环节和场景、好友、群体、账号余额等情况入手。

例如:查看流失用户整体情况、用户等级分布(包括人数和流失率)、各角色职业流失情况、登录和在线时长变化情况、任务持有情况、加入公会、好友、参与副本情况、参与活动副本A情况、用户余额 等等。

2.2.2 每日流失用户的分析

每日数据变化情况,可以从每日流失和新用户导入关系、每日流失用户群体、每日流失各等级人数情况、每日流失账号绑定余额变化情况等方面分析。

2.3 搜索分析

在DataFocus系统中,主要是在搜索模块进行数据分析。我们以七日流失用户分析中的“查看流失用户情况”,来了解下DataFocus的搜索分析。

对流失用户情况的整体查看,包括分析各渠道的活跃用户占比、登录与流失用户比例,7日流失率、7日回归率、老用户比例、新用户比例、回归用户比例等情况。

因此,我们需要先统计某一周登录游戏的用户,再判断他们在此后的第二周、第三周是否登录游戏。进而对这些用户进行分类和分析。

2.3.1直接查看用户比例

各渠道活跃用户比例=某渠道登录用户/总登录用户。因此我们需要先对用户进行分类。

如下图,在DataFocus搜索模块的“增加公式”,使用if…then…else 公式,对用户进行分类并保存为公式列。

用户类别分为“活跃用户”和“流失用户”。流失用户指统计的一周登录用户中,在接下来的第二周未登录的用户。

图 1 用户分类

双击或在搜索框中输入该公式列名,并使用关键词“数量”计算用户数,设置标签后即可直接查看到流失用户、活跃用户的用户数和比例情况。

图 2 用户数及比例情况

也可以使用“=”或“包含”关键词,进行更精确的查看,如下图:

图 3 关键词精确查看

2.3.2 比率的计算

对于比率的查看,也可以直接使用公式计算。我们以7日流失率和7日回归率为例,如下图所示。

7日流失率=流失用户数/第一周登录用户数。即第一周登录的用户在第二周未登录游戏的数量,除以第一周登录的人数。

图 4 七日流失用户率

7日回归率=回归用户数/流失用户数

回归用户:流失用户中在第三周登录游戏的用户。即统计的第一周的登录用户,在第二周未登录但第三周登录的用户。

所以我们可以直接使用之前的“用户分类”公式进行公式的嵌套。

图 5 七日用户回归率

搜索分析,了解分析所需维度,即可以使用类自然语言直接分析哦~

0条评论

递交一条评论

邮箱地址不会被公开。 必填项已用*标注

DataFocus Cloud 让数据分析像搜索一样简单!

AI驱动,SaaS部署,引领数据分析云时代!