游戏统计指标

移动游戏的生命周期运营可以归纳为如下转化过程：

获得用户（下载安装）-> 转化为活跃用户（登录使用） -> 留住用户（回访留存） -> 转化为付费用户（应用内支付）

生命周期

用户的生命周期是指用户从开始使用应用到卸载应用的整个过程，因为移动应用很难捕捉用户的卸载动作，通常会根据用户的使用频率低于某个极限值来判断用户流失。

• 生命周期（Lifetime， LT）

表示从玩家第一登录到最后一次登录之间的时间，一般为整体求平均值。

• 生命周期价值（Lifetime Value， LTV）

表示玩家在生命周期内为游戏创造的总收入，一般为整体求平均值。

生命周期关注的问题在于：玩家在游戏中的生命时长、每个玩家从进入到离开平均带来的收入、评估渠道质量

• 玩家平均生命周期

表示新增用户在首次进入游戏到最后一次参与游戏的时间天数，比如记录某个月中每个新增用户的生命周期之和除以MAU就等于平均生命周期。

在线

每日在线

• ACU 平均同时在线人数

平均同时在线人数（Average Concurrent Users, ACU）表示在一定时间段抓取一次数据，以一定周期为期限，周期内的ACU可取时间段的平均值。

例如：系统每小时抓取一次在线数据，全天24小时共24个不同时刻的在线数据，则每天的ACU是24个数据的平均值。

• PCU 最高同时在线人数

最高同时在线人数（Peak Concurrent Users, PCU）表示一定时间端内，抓取最高在线数据。

例如：每日最高在线，系统每小时统计一次数据，全天24小时共24个不同时刻的在线数据，在这24个数据内最高的用户在线数据即为PCU。

• 日最高在线人数

当日实时在线人数最高值

• 日最低在线人数

当日实时在线人数最低值

• 每小时在线人数

每个小时内平均在线人数

• 日平均在线人数

当日所有时间段在线人数的均值

每小时在线人数、日最高在线、日最低在线、日平均在线可以分析玩家每日的登录习惯，指导游戏活动时间段的制定。也可以辅助DAU反映游戏总体用户量，也可以辅助渠道转化率用来剔除较差的渠道。

• 日平均在线时长

日平均在线时长表示活跃用户平均每日在线时长，从侧面反映出游戏的粘性，可结合转化率分析渠道质量，也可用来分析游戏作弊行为。

计算公式：日平均在线时长 = 每日总在线时长 / 每日总在线用户数

TS 用户平均在线时长
CCU 同时在线人数
PCU/PCCU 最高同时在线人数

新增

新增

• DNU 日新登用户数（Daily New Users，DNU）

每日用户注册并且登录过游戏的玩家人数，用于分析新用户的来源渠道、是否存在渠道作弊行为、是否需要进行投放。

登录

登录

• UV 当日登录账号数量

• DNU 日新登录用户数（Daily New Users, DNU）
  每日注册并首次登录游戏的用户数量

• DOSU 日一次会话用户（Daily One Session Users, DOSU）
  当日DNU中只登录过一次的用户且该用户在线时长小于临界值

高效

• 月高效
  当期累计在线时长达24小时以上，或消费达一定金额。

• 双周高效
  当期累计在线时长达12小时以上，或消费达一定金额。

• 周高效
  当期累计在线时长达6小时以上，或消费达一定金额。

活跃Activation

用户活跃度关注的问题是：用户参与程度、游戏生命周期、用户活跃天数

用户活跃度表示每日、自然周、自然月登录的用户数量，反映游戏产品的粘性以及用户整体规模。

活跃用户表示一段时间内启动或登录过游戏的用户，具体可分为：

• MAU 30天内登录过游戏的用户数，每月活跃用户数量

月登录过游戏的用户数（Monthly Active Users, MAU）用于衡量产品粘性以及用户的稳定性

• WAU 7日内登录过游戏的用户数，每周活跃用户数量

7日内登录过游戏的用户数（Weekly Active Users, WAU）用于衡量周变化

WAU周活可进一步将用户细分为：忠实用户、回归僵尸用户、留存僵尸用户

新用户：本周注册的用户

忠实用户：连续三周登录的用户

回归僵尸用户：7日前没有登录过游戏的用户（不包含新用户），本周登录过上周没有登录过的用户

留存僵尸用户：WAU - 回归僵尸用户 - 新用户 - 本周新用户

留存新用户：上周注册且本周登录的用户

每日流失用户：当日登录且后续7天无登录的用户

WAU可以分局登录频次细分为：轻度用户、中度用户、中度用户

轻度用户：每周登录过1~2次的用户

中度用户：每周登录过3~5次的用户

重度用户：每周登录过6~7次的用户

• DAU 每日登录过游戏的用户数，每日活跃用户数量

每日登录过游戏的用户数（Daily Active Users，DAU）简称日活，有效地反映和衡量一款游戏核心用户数量。

• DAU/MAU

使用日活和月活的比例来看用户每月访问的平均天数是多少，例如如果游戏拥有50w DAU和100w MAU，其DAU/MAU比值则为0.5，也就说明玩家每月平均体验游戏的时间为 30*0.5=15 天，说明游戏粘度比较强。

DAU/MAU是社交游戏类和在线类应用常用的一项评估指标，被用来分析用户粘度。其比值越趋近于1表明用户活跃度越高，在比值低于0.2时应用的传播性和互动性将会很弱。行业中也常使用DAU/MAU乘以30来计算每月用户平均活跃天数。

• 活跃天数

活跃天数指用户当日登录并游戏一定时间后，认定给用户为活跃，活跃天数进行累加。

当日登录后游戏时长为2小时以上则记为活跃日，活跃天数累计1天。
当日登录后游戏时长为0.5小时~2小时，活跃天数累计0.5天。
当日登录后游戏时长为0.5小时以下，不为其累计活跃天数。

活跃用户比例 = 一段时间内活跃用户数量 / 一段时间内累计用户数量

活跃用户比例可分为：日活跃率、周活跃率、月活跃率

• 一次性用户One-Day User

一次性用户表示根据当前时间自新增以来再也没有使用过应用的 用户，只有新增时的一次启动或登录，之后再无启动或登录。

一次性用户比例 = 一次性用户数量 / 累计用户数量

反映问题

• 游戏用户质量

活跃用户的绝对数量低或相对总用户数量比较低，说明用户的质量不高，应结合渠道等纬度深入分析是否目标用户群体是否精准或深入分析产品是否存在问题。反之，并不能绝对说明用户质量高，铲平用不存在问题，还应当结合其它指标深入分析判断。

• 一次性用户

虽然从定义上这部分用户也属于活跃用户，但应当格外给予关注。绝大部分一次性用户都时无效的量，不能创造任何价值。比如渠道的刷量作弊会带来大量一次性用户。在观测活跃用户数量的同时，同时主重观测此指标，以客观评价分析群体的用户质量。对于移动游戏来讲，健康的一次性用户比例应当不大于15%。

• 产品状况

活跃度可以有效地反映用户首次游戏体验情况，游戏的界面效果、启动加载时间、交互操作体验、用户引导等因素都将对用户的活跃度带来直接影响。

活跃人数若不带上时间是没有任何参考意义的，再次如果没有每个活跃用户的平均在线时间，活跃人数也是没有意义的。如果活跃用户每天活跃5分钟，就必须有 60/5*24=288 个活跃用户才能达到1个平均在线人数。

流失

• 月流失率

月流失率 = 30天前登录过游戏且30天内未登录过游戏的用户数 / MAU

• 周流失率

周流失率 = 7天前登录过且之后7天内未登录的用户数 / MAU

• 日流失率

日流失率 = 统计日登录过游戏且次日未登录游戏的用户数 / 统计日的DAU

留存Retention

用户留存（Retention）可以反映用户对游戏的忠诚度，简单来说就是留住活跃的用户，用户留存是用户最终向付费转化，创造实际收入价值过程中最为关键的阶段。

指标定义

用户在某段时间内开始使用游戏，经过一段时间后仍旧使用游戏的被认作是留存用户，这部分用户占当时新增用户的比例即留存率。

用户存留可分为日留存（1DayRetention）、周留存（7DayRetention）、月留存（30DayRetention）

反映问题

留存一直都是用来评估用户粘度的最好指标，这是对游戏总体质量最直观的说明。留存率越高说明游戏应用的质量越高，用户的忠诚度越好。

从指标角度来讲，日留、周留、月流存在着一定的转化关系，健康的移动游戏的日流、周留、月流应该不低于50%-25%-10%的水平，也就是说一款好的移动过游戏应用首日留存率应该维持在50%左右的水平，周流在25%水平，月流在10%水平。

留存率

留存指的是“有多少玩家留下来了”，体现应用的质量和保留用户的能力。简单来说，就时某段时间内的新增用户，经过一段时间后，仍然继续登录游戏的被认作是留存用户，这部分用户占当时新增用户的比例即留存率。

用户在某段时间内注册并开始游戏，经过一段时间后仍继续游戏的玩家，此部分玩家占当时新增用户的比例即留存率，留存按每隔一个单位的时间（日、周、月）进行统计。

• 30日留存率：新用户在首次登录后的第30天再次登录的用户/统计日的注册用户数
• 7日留存率：新用户在首次登录后的第7天再次登录的用户/统计日的注册用户数
• 3日留存率：新用户在首次登录后的第3天再次登录的用户/统计日的注册用户数
• 次日留存率：新用户在首次登录后的次日再次登录的用户/统计日的注册用户数

流失漏斗

次留

在免费游戏F2P的运营指标中，次留可能是最为关注的指标之一，为什么这样说呢？因为如果大多数玩家在游戏中留存下来，那么玩家将如何进一步的转化呢？

次留是指玩家安装游戏后，第二天还会重新启动游戏的概率。事实上，这个指标自身并不是一个非常强大的诊断工具，它仅仅揭示了游戏机制是否存在问题的一个表面症状。

基于以上原因，可以使用首次用户体验FTUE漏斗模型去诊断玩家在游戏中遭遇的“卡点”，不过一个平滑的FTUE漏斗模型并不能确保游戏良好的次日留存率。

FTUE 首次用户体验漏斗模型

FTUE

典型的FTUE漏斗模型将会显示出哪部分玩家在游戏安装后成功完成游戏新手引导阶段的那些步骤。

如果FTUE的良好表现却搭配了一个很低的次日留存率，有很可能游戏的首日体验中的问题造成了次登的影响。

用户留存率中的“40-20-10”规则

“40-20-10”规则中的数字表示的是日留存率、周留存率、月留存率，用来解决游戏中留存率度量值的阈值问题。简单来说，如果你想让游戏的DAU超过100w，那么日留存率应该大于40%，周留存率大于20%， 月留存率大于10%。在所有首次进入游戏玩家中，超过40%的人会在第二天继续玩游戏，应用流量来源和玩家总游戏时长都会使这项数据产生较大波动，所以游戏发布后数天内达到45%并不意味着成功。但是如果在发布后留存率仍旧大于40%，而且DAU在20w~40w之间，才使真正一个周值得庆幸的事情。如果跌倒20%以下，那么游戏便极难获得成功。

游戏的第7日和第30日留存率源自于“40-20-10”规则，规则认为第7日留存率大于20%，第30日留存于大于10%。

未完待续...