当前位置:天才代写 > tutorial > 大数据教程 > 小白学数据分析:留存率是什么?

小白学数据分析:留存率是什么?

2018-05-18 08:00 星期五 所属: 大数据教程 浏览:351

在众多学习中,文章也许不起眼,但是重要的下面我们就来讲解一下!!

留存率这个数据指标不记得从何时起变得那么重要,重要到研发上把它作为游戏好坏的一个标准,运营商(平台)作为了一个准入的钥匙,是否值得继续下去。有时候觉得粗暴,甚至无知了有点。因为肤浅的百分比背后隐藏着更多的金子,也可能是垃圾。
以上算是一点吐槽,更多潜在的问题这里不想累述,前几日写过一个关于的留存率是什么的文章,我想肯定很多人看过了,估计也都会用了,今天写的番Oracle培训外篇将从这个数据的统计源头说起,换个角度来看待这个留存率的问题。
留存率VS百分比
百分比是用于表达比例的,类似于一种标准化的表达,因为百分比的分母是100,换个较多想想这种表达消除了数量级上的差异,使不同数量级之间的数据可以进行比较,比如:
小白学数据分析:留存率是什么?
这里我们看到尽管上周和本周的收入数据相差了一个数据量级,但是在百分比上的表现只是差了10个百分点,能够更好的进行量化数据,这个意义上,是非常有用的,然而这里如果只是对比本周的强化收入环比上周少了10个百分点就断言本周的强化道具卖的不好,那我们就错了。
那么下面我们再来审视这张图:oracle教程
小白学数据分析:留存率是什么?
这张图我们发现的规律其实和上一张是一致的,如果我们只是在单纯的考察留存率,遇到的分析麻烦就是错误的相信了百分比,但是这里不能忽略百分比的作用。因此考察留存不是单纯的就在看留存率,你还要看到DAU,其后的留存,DNU规模等等信息。之所以要跟这个百分比较劲的原因其实很简单,你不能看到今天的DAU比昨天的DAU多了一倍,就说今天的DAU好于昨日,玩家更加积极(探寻有价值的DAU)。
留存率VS漏斗
大概我们现在在做留存分析都会用漏斗模型,因为一批用户进入游戏后,随着时间上是不断递减的,从玩家的游戏生命进程的确是这样的,然而这里面却存在了一个问题,这个漏斗不一定是个严格意义的漏斗。再来看上面的那张图,你会发现2日的留存率高于次日飞留存率,这里这种情况是存在的,实际的数据中也是存在的,至于原因后面会具体的来讲述。
留存率VS目的

趋势一:数据的资源化
何为资源化,是指大数据成为企业和社会关注的重要战略资源,并已成为大家争相抢夺的新焦点。因而,企业必须要提前制定大数据营销战略计划,抢占市场先机。
趋势二:与云计算的深度结合
大数据离不开云处理,云处理为大数据提供了弹性可拓展的基础设备,是产生大数据的平台之一。自2013年开始,大数据技术已开始和云计算技术紧密结合,预计未来两者关系将更为密切。除此之外,物联网、移动互联网等新兴计算形态,也将一齐助力大数据革命,让大数据营销发挥出更大的影响力。
趋势三:科学理论的突破
随着大数据的快速发展,就像计算机和互联网一样,大数据很有可能是新一轮的技术革命。随之兴起的数据挖掘、机器学习和人工智能等相关技术,可能会改变数据世界里的很多算法和基础理论,实现科学技术上的突破。
趋势四:数据科学和数据联盟的成立
未来,数据科学将成为一门专门的学科,被越来越多的人所认知。各大高校将设立专门的数据科学类专业,也会催生一批与之相关的新的就业岗位。与此同时,基于数据这个基础平台,也将建立起跨领域的数据共享平台,之后,数据共享将扩展到企业层面,并且成为未来产业的核心一环。
趋势五:数据泄露泛滥
未来几年数据泄露事件的增长率也许会达到100%,除非数据在其源头就能够得到安全保障。可以说,在未来,每个财富500强企业都会面临数据攻击,无论他们是否已经做好安全防范。而所有企业,无论规模大小,都需要重新审视今天的安全定义。在财富500强企业中,超过50%将会设置首席信息安全官这一职位。企业需要从新的角度来确保自身以及客户数据,所有数据在创建之初便需要获得安全保障,而并非在数据保存的最后一个环节,仅仅加强后者的安全措施已被证明于事无补。
趋势六:数据管理成为核心竞争力
数据管理成为核心竞争力,直接影响财务表现。当“数据资产是企业核心资产”的概念深入人心之后,企业对于数据管理便有了更清晰的界定,将数据管理作为企业核心竞争力,持续发展,战略性规划与运用数据资产,成为企业数据管理的核心。数据资产管理效率与主营业务收入增长率、销售收入增长率显著正相关;此外,对于具有互联网思维的企业而言,数据资产竞争力所占比重为36.8%,数据资产的管理效果将直接影响企业的财务表现。
#p#分页标题#e#

我觉得用到留存率的目的是探寻一批用户的导入质量情况(包括游戏前期的成长等),或者是市场、渠道的质量研究,进而方便我们后期的调整投放策略,游戏改进方案。大概因此我们建立了留存率,作为一种转化率机制,来确定和为我们之前的目的服务。留存率是研究固定群体的转化情况,换句话我们是希望看到这个群体自然的变化情况,由于存在统计上时间滞后性,往往不小心就会带来错误。比如8月1日的次日留存在8月2日统计出来,3日留存在8月4日统计出来,7日留存在8月8日统计出来,但是如果我们够认真就会出现以下飞乌龙,比如8月2日统计的8月1日留存会错误的认为是8月2日的次日留存率。出现这个问题的原因就是统计日展现的数据不是统计日的,这点很多人在使用一些系统都会出现这样的问题。
其实费了不少话,最终要说的就是在下面这张图上:oracle视频教程
小白学数据分析:留存率是什么?
此图中,我们列出来了每日新登玩家的次日、3日、7日的留存率,我们会发现每个固定的群体(每日新登作为一个独立的群体)次日、3日、7日的留存表现趋势基本上是相同的,也就是说,留存率的指标能够揭示一个群体在一段时间内的变化特征,且这种特征不会因为时间的变化而发生显著性改变。比如第37日的新登用户的次日、3日、7日留存表现都是保持一个趋势,这从某个角度来说,新玩家的期待或者特征我们游戏给予了最好的反馈,而这样的期待或者特征就是我们留存率使用起来的价值。(此处另外一种方式可以计算相邻两日留存率变化百分比,绘制曲线去分析这种趋势变化)
后记:oracle数据库教程
有关于留存的分析,留存率只是整体留存分析的很少一部分,真正挖掘留存的价值其实还要做很多工作,留存分析也不只是新用户的专利,比如充值用户的留存,这里没办法展开说。而一些留存率分析方法其实很多,这取决于我们分析的维度和角度,也许有时候你可以尝试一下做一个显著性分析,看看两个服务器的一段时间的留存变化是否显著,也许你也可以针对同时间的两个服务器的用户做分析,或者是不同渠道或者市场的用户分析,维度方式很多了,关键在于是否愿意去做。
其次,我一段时间以来一直使用几何平均数去处理这种“率”的概念,因为我们总要计算平均留存率,但是算数平均数不能屏蔽极端值的干扰,所以几何平均数是个很好的办法。
最后刚才提到一个关于漏斗的问题,这里我想把我的理解说一些,漏斗是作为一种分析转化率的形象化描述,但是在狭义的漏斗分析观念上(比如网站分析),我们的漏斗分析是针对一个session(一个会话期间)进行的转化率分析。然而我们这里的漏斗分析其实是一种广义上的转化率漏斗分析模式,即新登用户在次日登录了,那么在2日,3日,4日都可以登录,这里面不存在会话的,而狭义的漏斗是一个不断筛选的过程。因此这里的留存率是存在我们看到的3日大于次日的情况(这点在最后一部分中已经做了解释和说明)
更多视频课程文章的课程,可到课课家官网查看。我在等你哟!!!

 

    关键字:

天才代写-代写联系方式