小白学数据分析:怎么做流失分析

最近看了很多关于流失分析的文章,也构建了一些模型,流失这个问题看似有些让人抓不住一根主线来做,这几天也有几个朋友问我怎么来做流失的分析,但是最近工作变动,外加上很忙,就没有很好的跟他们说说这个问题。说到流失分析,很多人都知道使用决策树算法,C5.0、Chaid、Quest或者贝叶斯,也有用聚类分析的,总的来说流失分析的方法很多,但这些都是技术层面的,也算不上是一个流失模型。

前几天看到一篇文章来讲述怎么分析永恒之塔的流失(http://www.dmacn.com/viewthread.php?tid=31&extra=page%3D1),方法和过程真的很不错,不过流失分析远比这个还要多,其原因在于,那篇文章中,作者是选取了1-10级的新手作为研究对象,而实际上,流失分析面向的对象不仅仅就是新手(废话,谁都知道!),这句话是句废话,现在看,做数据分析的都明白,然而一旦真的做数据分析,研究流失率时,往往就忽略了我们要对那些人进行流失分析,眉毛胡子一把抓。

早先写过一篇关于流失分析设计的文章(http://www.cnblogs.com/yuyang-DataAnalysis/archive/2012/04/17/2454180.html),但是后来反映设计的过于复杂和繁琐,没必要这么分析。其实,我觉得很有必要。流失分析不是你信手拈来就开始做你的流失分析的。在之前的文章中,主要设计的是历史用户的流失分析方式,把历史用户的流失分成了留存、沉默、流失、回流、植物等几类情况,实际上这种分类的形式是由玩家的游戏生命进程(生命周期)决定的,原因我觉得有以下几点:

  1. 游戏进程不同,用户的反馈不同;
  2. 不同阶段的流失用户,不同的挽留措施;
  3. 不同生命进程,流失用户特征不同。

正如文章所言,流失分析很多情况下只是告诉你谁会流失,流失的人有什么特征,而这两点对应的是流失分析的两个方面:

1. 谁会流失->流失用户的预测,告诉你流失的可能;

2. 流失特征->流失用户的特征,告诉你流失的特征。

而流失分析最终的目的是通过这两点,仅仅结合业务分析流失的原因(再好的算法,模型不会告诉你原因),而解决了谁会流失,流失特征,流失的原因,那么就可以进行挽留措施的实施,到此一个完整的流失分析闭环才形成。

形成闭环的原因在于,新的一批用户会继续检验我们的流失分析模型,我们希望在同样的游戏进程时期或者状态下,能够通过不断的修正模型,使之具有普适性。这样的一些模型最后组合起来,就可以比较全面的描述玩家不同的游戏生命进程的流失特征。当然这需要不断的实验和分析,因为用户的质量也是要考虑的。最后,建立在反复使用模型分析的基础上,得到显著性的模型框架。

小白学数据分析:怎么做流失分析

而这个过程中,值得我们注意的是,往往我们很多时候做的是这其中一小部分,而我们恰恰把这一小部分放大认为是流失分析的全部,比如我们做了40级-50级的流失用户,找出流失用户可能性,流失特征,但是往往忽略做一些挽留的措施,挽留的措施有的是软性的,比如通过活动,奖励等实施,也有通过更改系统设计来弥补,但是这要看你做的流失分析用户流失的严重程度,换句话说如果这一阶段的流失是一部分客群引起的高流失,而这部分客群不代表我们整体客群(流失客群的特征与之前历史客群在该阶段流失特征不符合,那么这就不是系统设计的因素造成的),此时就不能轻易使用更改系统设计的办法,多数情况下采取软性的手段,帮助用户过度。

然而,回头来看,站在一个高度来看我们是根据了玩家的游戏进程到什么阶段(处于的状态)来确定我们的流失分析对象和方法的。

看了永恒之塔的流失分析我发现,之前的针对新手的流失分析没有深入的做过研究,PRARA模型关注的很多也是用户保有留存的问题,可以看得出一批新用户,我们关注更多的是留存问题,而那些历史用户我们关注的流失问题。

小白学数据分析:怎么做流失分析

针对用户流失的设计我们大概有月流失,周流失,沉默,然而我们在这块的分析远远没有达到一个高度,毕竟我们的收入主体还是来源于这些历史用户,本身来说付费转化,游戏学习成本都很低了,专注这些用户,做好挽留发挥的效益更大。

然而新用户正如文章也提及的情况,新用户对游戏的学习,操控,熟悉还不完全,即使我们获取了信息,流失特征,流失可能性,大概我们想找出来玩家为什么还是会离开难度就会比较大,即使我们有最好的新手体验流程和新手缓冲期,但不能避免的用户流失(当然这不是说新用户的留存、流失分析不重要)。然而反过来当玩家游戏生命周期进入稳定期或者提升期,却面临了很大的流失,那么我们获取流失特征,分析流失可能性,最后做出挽留得到的效益远远大于新手的流失分析。

相关推荐