★ FEATURED ARTICLE 在游戏公司里做了几年数据运营我最大的感受是DAU这个指标就像汽车的仪表盘人人都会看一眼但真到车子出问题的时候能第一时间分辨出是油路、电路还是轮胎的人并不多。每天打开后台DAU涨了自然开心跌了赶紧找原因但如果只停留在跌了或涨了这个层面那数据分析就变成了一天看三次数字的体力活。所谓DAU分解及留存本质上回答的是三个问题今天的DAU由哪几类人构成这些人明天还来不来如果来能持续多久这篇文章就把我在若干个发行和研发项目里实际用过的拆解思路、留存分析框架和常见坑一次性梳理清楚。适合刚接手真实游戏数据的新手分析师也适合那些已经会看报表、但还没形成拆解→归因→决策闭环的运营同学。1. 先拆清DAU的构成再谈分析DAUDaily Active Users虽然英文直译是日活跃用户但它从来不是一个铁板一块的数字。我一般会先把当天的活跃用户按照在这个统计口径下昨天是否活跃拆成两个大池子新增活跃用户今天第一次进入游戏、且完成激活的用户。老用户活跃昨天及以前进入过游戏、今天又来活跃的用户。老用户活跃又可以再拆一层连续活跃用户昨天也活跃今天继续活跃。回流用户之前活跃过但昨天没活跃今天重新活跃。用集合的思路看DAU就是这三个集合的并集。由于新增用户之前不可能活跃所以新增用户和回流用户天然不相交连续活跃用户和老回流用户也天然不相交。所以最简单的拆法就是DAU 当日新增活跃 昨日活跃且今日活跃 昨日未活跃但今日活跃的老用户这个等式看起来简单却是所有DAU分析的地基。我习惯每天做一张这样结构的表用户分类判定逻辑业务含义新增活跃今日首次激活并进入游戏获客入口反映买量和自然新增的量级连续活跃昨日活跃今日再次活跃活跃基本盘反映现有用户粘性回流活跃非新增昨日未活跃今日活跃存量唤起成果反映沉默用户的召回效率在这里要特别提醒一个容易混淆的点回流和回归不是一回事。回流用户通常指昨日未活跃的存量用户重新进入游戏而回归用户多指流失超过某个阈值比如30天后再次进入游戏的用户。很多数据后台不给这个细分导致运营把回流失真地当成召回成功。我实际跑数据时会把回流按照沉默时长再切几档3天内未活跃、7天内未活跃、30天内未活跃、30天以上未活跃。每一档的业务含义完全不同运营活动能影响的档位也完全不同。拆解的意义不在于知道分类而在于回答两个问题今天的DAU是靠新增撑起来的还是靠留存堆起来的DAU下滑掉的到底是哪个池子举个实际例子某项目在渠道停投三天后DAU从30万跌到27万数值上只跌了10%。如果不拆解可能会说用户流失了。但拆开看发现新增从每天2万跌到0.8万直接减少1.2万而老用户活跃只减少了0.6万还有0.3万回流增长。这说明DAU的下跌主要来自供给端而非产品端。于是运营的动作应该是跟渠道沟通恢复投放而不是紧急上线召回活动。2. 留存才是基本盘从定义到业务判断如果DAU只看一天它只能反映今天有多少人来。但游戏要想长期活下去必须回答这些人明天还在不在、下周还在不在、一个月后还在不在。这就是留存分析。留存率的定义是在第N日新增的用户中有多少比例在指定日期后第M日仍然活跃。最常用的是次日留存新增用户第2天再次活跃的比例记为D1注意有些口径是从新增日算作第0天。7日留存新增用户第7天再次活跃的比例D7。这个值往往被当成基础粘性的分水岭。30日留存新增用户第30天再次活跃的比例D30代表用户是否形成月度活跃习惯。我特别想强调的一点是留存不是一条曲线上的几个点而是用户群经过时间筛选后剩余份额的轨迹。举个简单的数学例子假设某天新增了1万人次日留存40%第三天留存35%第七天留存20%第30天留存10%。那么第2天还有4000人活跃第3天3500人第7天2000人第30天1000人。留存曲线整体上是一条递减曲线但递减速度在不同游戏类型里差异巨大。休闲游戏次日留存可以做60%以上但30日留存可能只有5%重氪策略游戏次日留存可能只有40%但30日留存可以稳定在20%上下。所以不能只盯着一两个留存率看要看整个留存曲线形态。下面的表格是我在某几类游戏中见到的中位数基准仅作参考——不能直接套用别人的基准但可以用来判断自己游戏有没有偏离正常区间品类次日留存7日留存30日留存超休闲35%-50%10%-20%3%-7%休闲40%-55%15%-25%5%-10%中度策略35%-45%15%-20%8%-12%重度和长线卡牌50%-70%25%-40%15%-25%上面的数值是业内常见中位数不是绝对标准。真正重要的是观察同一款游戏的留存曲线随时间的变化如果次日留存稳定但7日/30日留存持续走低问题往往出在中期内容消耗或玩法循环如果次日留存在某次版本更新后突然下跌大概率是新手流程或首日体验出了问题。我在实际项目里还会看一个容易被忽略的指标次日留存只是最简单的一道关能区分骗首登的产品却分不出留存质量。同样是40%的次日留存A产品可能是用户第二天打开一下就走B产品可能是用户第二天玩了40分钟。这时候需要配合次周用户在线时长、次日核心玩法完成率一起判断。留存率是有数字但数字背后的行为才反映真实留存质量。另外留存分析必须区分无条件留存和有条件留存。无条件留存就是所有新增样本都在分母里。有条件留存会过滤掉一部分用户比如只看完成新手引导的用户的次日留存。有条件留存能验证某一环节是否优化但不能用来衡量整体用户质量。日常做数据分析时我会单独把这两套口径分开跑对外汇报用无条件留存对内诊断用户生命周期时优先看有条件留存。3. 日常运营中拆解DAU波动的实操思路说完了概念来点实际可用的。每天早晨看数据如果发现DAU和昨天相比波动超过5%我就启动下面这套排查流程。它不是唯一的解法但我在多个项目里用过能稳定帮团队在半小时内定位问题的大方向。第一步区分成分变化。先看DAU新增的那层拆解。拿今天的DAU减去昨天DAU然后分别看新增用户、连续用户、回流用户各自的变化。这里有个关键动作把新老用户分开看千万别直接看总量。因为如果今天新增突然涨了2万但老用户活跃掉了1.5万DAU总量只多了5000你可能误判成今天增长乏力实际上拉新是好的流失才是坑。第二步按渠道维度拆新增和回流。如果新增涨了看是哪个渠道带来的如果新增掉了也要分配到渠道去看。尤其是买量投放的时候不同渠道的量级和用户质量差异极大。我曾经遇到一个项目DAU连续三天小涨一开始大家都挺开心。结果拆开看是一个平时量级只有几千的渠道在活动激励下一下子涌进来几万个低质用户次留只有个位数还带动了整体留存数据跳水。这时候如果只盯着DAU总量很容易误判成产品变好了。第三步按版本维度拆老用户活跃。如果老用户活跃掉了先检查是否刚发了新版本。新版本常见问题是低端机兼容性差、闪退率高或者新功能入口隐藏太深。拆解方式是在数据后台把今日活跃用户按客户端版本分组分别看每个版本用户占比和次日留存。某次我们发现老用户活跃跌了8%排查了一圈发现是某个小版本有内存泄漏问题玩家玩到第五分钟就闪退。集中修复后老用户活跃两天内回了4个点。这种问题如果不按版本拆光在总量里是看不出来的。第四步结合活动和节奏判断回流峰值。如果DAU涨了且回流用户占比异常升高先别急着庆祝。看看是不是有运营活动比如回归礼包、推短信。活动带来的回流用户有极强的一次性回流特征今天就回来领个奖励明天又走了。这类回流对DAU的贡献是虚的它不能通过次日留存体现价值。所以我分析活动效果时会额外看回流用户7日后是否仍然活跃这才是活动对基本盘的真实贡献。为了把这套流程讲透下面用一个我经历过的例子走一遍完整排查。某款休闲游戏在某次版本更新后DAU连续四天从22万跌到18万。第一反应是版本出问题但拆开数据发现新增用户基本稳定每天1.5万上下回流用户也没有明显下降真正崩的是连续活跃老用户。这就把范围收窄到老用户为什么不愿意连续上线。继续拆按设备系统分开看安卓掉了12%iOS只掉3%再按版本看安卓的新版本覆盖率只有60%安装了新版本的用户7日留存比旧版本低了10个百分点。这时才定位到新版本在安卓机型的启动崩溃率暴涨。研发紧急出了热修包灰度发布次日留存从24%回到33%。这个案例里DAU下跌只是表象真正的机制是新版本影响留存留存降低导致连续活跃用户减少进而拖累DAU。这类排查的关键不是分析本身而是建立一套可复用的对照框架。我把上述步骤固化成了一张排查清单每次遇到波动都按顺序核对成分拆解→渠道拆解→版本拆解→时间维度自然日/活动周期→异常行为闪退/崩溃。很多时候不需要复杂的模型只要把对比组做对几层下来原因已经浮出水面。4. 留存曲线与DAU预测把历史数据变成决策工具DAU拆完、留存看完下一步是往前走——用留存数据预测明天的DAU、下周的DAU、下个月的DAU。很多团队不做预测觉得游戏数据波动大预测没意义。我的经验恰恰相反完全不做预测你就不知道下一个自然周期是涨是跌而一旦有了基线预测任何偏离都能迅速变成异常告警。预测DAU最基础的方法是构建一个新增-留存矩阵。逻辑很简单DAU(t) Σ 新增(d) × R(t - d)其中 R(t-d) 表示d日新增的用户在第t日的留存率。由于第三天以上的留存率变化已经很小我们可以用一组静态的留存率近似。我通常取一段稳定期的留存率均值例如过去14天各日新增用户的次日/7日/30日留存率作为输入。下面用一个具体示例说明。假设某游戏过去稳定期平均次日留存40%第7日留存20%第30日留存10%并且从第7日开始留存率的每日衰减幅度很小可以使用近似公式估算平均生命周期LTLife TimeLT ≈ (1 D1 D2 ... D30 ...)在真实操作中按日求和时通常会取一个上限。比如只取前90天的留存后面假设稳定在一个极小值。我用一个简化公式仅作为快速估算LT ≈ 1 D1 D7 D30代入数值就是1 0.4 0.2 0.1 ≈ 1.7。这个1.7代表一个用户从首次活跃到彻底流失平均活跃天数大约1.7天。当然这个估算极其粗糙只适合快速比较版本前后用户生命周期的相对变化。要更精确我会做留存曲线的指数衰减拟合或对数拟合日均生命周期LT Σ 各日留存率在Excel里用SUM列就能算。有了留存率和平均生命周期DAU预测就变成简单的乘法叠加。假设未来每天新增固定在1万那么明天的DAU大约等于明天DAU ≈ 明天新增1万 今天新增的次留(1万×40%0.4万) 昨天新增的第三日留存 ...把过去7天各日新增乘以对应的留存率加在一起再加上今天的新增就是一个非常接地气的明日DAU预测值。我在Excel里用SUMPRODUCT一次性算出来每天填一下当日新增和最近七日留存率预测值就自动更新。别看这个方法土它比直接拍脑袋准得多也足够写进周报了。再延伸一点留存曲线不仅能预测DAU还能算LTV生命周期价值。公式是LTV LT × ARPDAU日人均付费比如平均LT是1.7天ARPDAU是2元那么LTV ≈ 3.4元。如果买量渠道的单用户成本CPA是5元那这个渠道就是亏的。这里最重要的不是LTV本身的绝对值而是它的拆解逻辑买量决策必须关联留存否则就是在用明天的流失换今天的活跃。我见过一个反例某款游戏为了冲免费榜和冲双端畅销榜连续一周加大买量DAU上涨了40%市场同学兴高采烈。结果拉一下30日留存发现这批新增用户和自然新增相比差了15个百分点LT比自然用户低0.6天最终LTV不足以覆盖买量成本。后来复盘发现问题出在素材夸大玩法导致被吸引来的用户并不匹配真实的游戏偏好。这就是典型的只做DAU分解、不做留存约束导致的决策偏差。5. 数据口径与常见坑这些细节能让你少踩太多雷最后写点一线人员经常栽跟头的地方。书面规范往往写得清清楚楚但实际业务里口径乱七八糟。做DAU和留存分析最怕的就是口径不一致导致两个团队拿的数据对不上。坑一活跃的定义到底是什么有的SDK把启动App就算活跃有的必须进入游戏主场景才算活跃还有的甚至需要完成新手引导第一个步骤才统计。同样是活跃用户数不同SDK统计的结果能差出两成。我习惯在数据中台里明确活跃 用户完成登录且进入游戏主场景。如果只是打开闪屏就退出那叫启动不叫活跃。日常写SQL的时候一定要确认活跃事件表是从哪个客户端行为上报的否则看到的DAU可能是虚高的。坑二自然日 vs 滚动24小时。很多游戏面向全球市场如果服务器时区是UTC中国团队看后台却默认是东八区那么每天上午的报数对不上。有些甚至用服务器开服时间作为日界。我建议在数据报表上统一配置时区并且明示时段归属。日常盯盘和毅据分析都使用同一时区否则拆解出的新增和回流数据会出现奇怪的毛刺。坑三新老用户判定逻辑混乱。有的后台按设备ID判定新用户同一用户换手机后再下载又被算成新增导致新增虚高有的按账号ID判定同一个账号在网吧两个人登录又会被去重成一个人。我实际使用时会区分设备首次激活和账号首次激活两个字段。买量分析用设备维度用户运营分析用账号维度。第二天的留存率计算同样要明确分母用的是账号新增还是设备新增这两个口径算出来的次留差距非常明显。坑四次日留存的次日到底从什么时候起算。标准定义是用户首次活跃日的次日。假如用户在3月1日晚上23:50首次活跃那么3月2日0点过后10分钟又活跃了这算不算次日留存如果按自然日口径他确实在3月2日活跃了可以被算进留存但按距首次活跃满24小时口径他还没有满24小时不能算留存。这两种算法在凌晨新增量大的游戏里误差很大。我建议在报表里同时看D1_自然日和D1_24h两个指标避免因为跨日问题误判留存。坑五回流用户的时间窗。前面提过回流用户如果定义成昨天未活跃就算回流那回流比例会非常高因为大量轻度用户本来就不每天上。我做连续用户分析时会把回流窗口放宽到7天、14天、30天几个档位。如果某天DAU波动来自回流用户必须看看回流窗口才能判断到底是近期活跃但漏签的轻度用户还是长期流失后真正被拉回来的极端用户。坑六传播归因的回调延迟。在买量渠道维度拆解新增时可能存在回调延迟——用户今天点广告但SDK没实时返回激活明天才返回于是新增加在明天头上导致昨天新增偏低、今天新增偏高。遇到这种问题我一般会看点击到激活的转化时间分布取中间值判断整条归因数据是否已经收敛。如果回调延迟平均在2小时那当天中午看昨天的数据基本稳定如果平均延迟在3天那昨天的数据根本不能看需要等到3天后再下结论。列完这些坑我给自己的自查清单如下[ ] 活跃事件是否明确为进入游戏主场景排除启动未进入[ ] 日界时区是否全局统一[ ] 新用户判定维度设备/账号是否清晰[ ] 次日留存是否同时记录自然日和24小时两种口径[ ] 回流用户的时间窗是否可调不只一个昨日未活跃[ ] 渠道归因的回调延迟是否已计入数据节奏最后再分享一个实际体会。我早期做DAU和留存分析时花费大量精力去追求精确的预测模型后来发现对日常运营最有帮助的其实是那套最朴素的拆解和对比。DAU涨了不要急着邀功先看哪部分用户在涨DAU跌了也不要急着做召回先看是新增萎缩、连续活跃下降还是回流减少。留存率当天掉了不能直接下结论要扣回去观察是同一天新增的群体质量变差还是某个产品环节的改动直接影响了新手转化。把这些基础工作做扎实比套任何一个高级模型都管用。毕竟数据分析的目的不是让数字变得好看而是让下一次决策不再靠猜。
阅读完成 · 觉得有帮助？
