回流用戶：統(tǒng)計日登錄游戲，但是之前7天未登錄過游戲的歷史用戶(所謂歷史用戶就是非新登用戶，歷史上登錄過游戲的用戶)

老活躍用戶：如果粗略的計算，可以如下計算：

?日活躍用戶數-日新登用戶數-日回流用戶

當然如果要精確衡量老用戶規(guī)模，可以給予老用戶定義，例如：

統(tǒng)計日登錄游戲的用戶，在此之前7日內再次登錄過游戲(注意此處沒有嚴格區(qū)分新登用戶的情況，即也把新登用戶的次日登錄的部分計算為老用戶，可按照實際需要提出此部分對于老用戶的影響)。

下面我們通過幾個曲線來簡單說明一下怎么利用DAU分析問題。

首先我們要得到劃定時間區(qū)段的DAU和DNU的曲線圖，如下圖：

在該圖中，我們DAU和DNU的走勢基本上是一致的，DNU對于DAU的影響還是比較大的，但是隨著后期波動的減小，我們發(fā)現從106天到280 天，兩條曲線是呈現緩慢的下滑趨勢的，但是這不足以說明問題，仔細觀察，我們發(fā)現夾在兩條曲線之間的面積是逐漸縮小的，而這部分面積就是DAU中除去 DNU的部分，即我們可以認定是老用戶的部分，這個面積的縮小，意味著用戶的流失加劇，活躍用戶的控制不得當，此外，也可能是新用戶在短期內留存率不高引起的，那就需要結合留存率來看問題了，這里不討論。

在發(fā)現上述的情況后，我們可以使用DAU-DNU的差值做一條曲線來進行分析這個問題。如下圖所示：

可以很明顯的看到，這個差值在逐漸走低，也就是說用戶的活躍度是在下滑的，這個下滑可以認定是后期渠道導入用戶質量不高造成的，也可以是產品本身的用戶周期問題造成的。但是斷定一點的是，這個時期，需要緊急的拉動用戶規(guī)模增長，因此，可以看到，隨后進行了兩次相應的拉動，其規(guī)模有所提升。

此外，我們還要看一下新用戶所占的比例曲線，如上文所述，基本維持在40%的水平上，但是有一個值得關注的是，當處于一個相對的穩(wěn)定期時，即使有大范圍的推廣和拉動新登增長，那么這個比值的變化也不會太劇烈，唯一劇烈的原因就在于，原本游戲的老活躍用戶規(guī)模就在下滑，流失較多。

當然了，用戶的流失、產品的粘性等等都可以通過對DAU不同角度的解析獲得相應的信息，這點也是要和其他數據結合來分析的，比如次日留存率，用戶流失率、啟動次數、登錄時長分布等數據，找出來DAU中的虛假用戶，例如1-3s用戶非常多，那么在正常的網絡和設計情況下，這種數據就可能是很多假用戶造成的，也就是作弊行為。

再比如的情況，我們可以通過事件管理，區(qū)分推廣和非推廣時期的用戶增長對DAU的影響，比如自然增長時期的新登用戶對DAU的影響，判斷DAU的質量，渠道的質量;或者推廣時期的新登用戶對DAU的影響情況分析。

如果需要的也可以結合用戶的登錄習慣，比如登錄次數，登錄天數等等數據進行忠誠活躍用戶的閾值確定，以此來保證DAU的質量。

其實在DAU的背后，隱藏的問題和分析的要素很多，這個也是需要結合自己的業(yè)務需要來進行的，這里只是給大家提供一個分析的思路和方式。至于具體的問題，還要結合具體需求進行分析。不過話說回來，DAU的解析離不開細分數據和其他數據的支持，但是也是不一定一直細分進行數據的分析。因為有一些因素不是靠細分數據就一定能夠得到的，還要經驗積累。

 2/2   首頁 上一頁 1 2