小白学数据分析.docx

小白学数据分析-->究竟要怎么做流失分析

博客：data-intelligence
小白学数据分析-->日活跃人数分析
小白学数据分析-->把握分析原则与敏感度
小白学数据分析-->怎么看待数据处理
小白学数据分析-->初次购置记录分析措施
小白学数据分析-->描述性记录术语汇总
小白学数据分析-->充值记录分析
小白学数据分析-->有关分析在充值与购置失衡分析的应用探索
小白学数据分析-->回归分析在游戏人气分析的应用探索
小白学数据分析-->有关分析之距离分析在道具购置量的应用探索
小白学数据分析-->流失分析设计
小白学数据分析-->关联分析理论篇
小白学数据分析-->关联分析算法篇Apriori
小白学数据分析-->究竟要怎么做流失分析
小白学数据分析-->付费渗透率_I 你的渗透率有价值吗？
小白学数据分析-->从购置记录分析道具支付环节
小白学数据分析-->聚类分析理论之K-means理论篇
小白学数据分析-->聚类分析理论之TwoSteps理论篇+实践篇

　　近来看了诸多有关流失分析的文章，也构建了某些模型，流失这个问题看似有些让人抓不住一根主线来做，这几天也有几种朋友问我怎么来做流失的分析，不过近来工作变动，外加上很忙，就没有很好的跟他们说说这个问题。说道流失流失分析，诸多人都懂得使用决策树算法，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措施诸多，但这些都是技术层面的，也算不上是一种流失模型。

　　前几天看到一篇文章来讲述怎么分析永恒之塔的流失（），措施和过程真的很不错，不过流失分析远比这个还要多，其原因在于，那篇文章中，作者是选用了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，谁都懂得！），这句话是句废话，目前看，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，往往就忽视了我们要对那些人进行流失分析，眉毛胡子一把抓。

　　早先写过一篇有关流失分析设计的文章（），不过后来反应设计的过于复杂和繁琐，没必要这样分析。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，重要设计的是历史顾客的流失分析方式，把历史顾客的流失提成了留存、沉默、流失、回流、植物等几类状况，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，原因我觉得有如下几点：
　　1.游戏进程不一样，顾客的反馈不一样；
　　2.不一样阶段的流失顾客，不一样的挽留措施；
　　3.不一样生命进程，流失顾客特性不一样。

　　正如文章所言，流失分析诸多状况下只是告诉你谁会流失，流失的人有什么特性，而这两点对应的是流失分析的两个方面：

　　1．谁会流失->流失顾客的预测，告诉你流失的也许；
　　2．流失特性->流失顾客的特性，告诉你流失的特性。

　　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），而处理了谁会流失，流失特性，流失的原因，那么就可以进行挽留措施的实行，到此一种完整的流失分析闭环才形成。

　　形成闭环的原因在于，新的一批顾客会继续检查我们的流失分析模型，我们但愿在同样的游戏进程时期或者状态下，可以通过不停的修正模型，使之具有普适性。这样的某些模型最终组合起来，就可以比较全面的描述玩家不一样的游戏生命进程的流失特性。当然这需要不停的试验和分析，由于顾客的质量也是要考虑的。最终，建立在反复使用模型分析的基础上，得到明显性的模型框架。

　　而这个过程中，值得我们注意的是，往往我们诸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所有，例如我们做了40级-50级的流失顾客，找出流失顾客也许性，流失特性，不过往往忽视做某些挽留的措施，挽留的措施有的是软性的，例如通过活动，奖励等实行，也有通过更改系统设计来弥补，不过这要看你做的流失分析顾客流失的严重程度，换句话说假如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（流失客群的特性与之前历史客群在该阶段流失特性不符合，那么这就不是系统设计的原因导致的），此时就不能轻易使用更改系统设计的措施，多数状况下采用软性的手段，协助顾客过度。

　　然而，回头来看，站在一种高度来看我们是根据了玩家的游戏进程到什么阶段（处在的状态）来确定我们的流失分析对象和措施的。

　　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模型关注的诸多也是顾客保有留存的问题，可以看得出一批新顾客，我们关注更多的是留存问题，而那些历史顾客我们关注的流失问题。

　　针对顾客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到达一种高度，毕竟我们的收入主体还是来源于这些历史顾客，自身来说付费转化，游戏学习成本都很低了，专注这些顾客，做好挽留发挥的效益更大。

　　然而新顾客正如文章也提及的状况，新顾客对游戏的学习，操控，熟悉还不完全，虽然我们获取了信息，流失特性，流失也许性，大概我们想找出来玩家为何还是会离开难度就会比较大，虽然我们有最佳的新手体验流程和新手缓冲期，但不能防止的顾客流失（当然这不是说新顾客的留存、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高期，却面临了很大的流失，那么我们获取流失特性，分析流失也许性，最终做出挽留得到的效益远远不小于新手的流失分析。

　　说了上面这句话大概看到的人会笑，会喷我，补充一句的是，一种游戏就像一种池子，有进水口，也有出水口，我们但愿进水口大，出水口小，然而进水口再大，你不进水，有一天出水口也会让池子干涸，因此控制出水的同步，也要想措施做好进水口，也就是怎样做好新玩家的分析，预测，挽留。由于留下的新玩家有一天也会变成我们定义的老顾客，进而变成我们要设法挽留的老顾客。每个玩家在游戏中都是有生命周期的，流失分析的目的是拉长这个周期的同步，将价值发挥到最大。