手游运营方案 手游运营数据分析方法_十大品牌网
摘要：伴随着手机游戏的爆发，厂商吸引玩家的手段也开始越来越丰富，在PR宣传上也开始向着传统端游靠拢。手游运营怎么样才能吸引90后用户？手游运营后如何进行数据分析？
手游运营方案 手游运营数据分析方法
手游运营方案
首先来研究：手游宣传内容哪三样内容最吸引玩家呢？游戏市场和运营人员最需要关注的是什么？第一是游戏内容评测高达66.8%玩家关注、第二是游戏视频orCG、高达57.1%的关注度，第三是游戏画面截图高达54.1%，其次是美化用的海报19.6%。
游戏厂商经常会犯的问题如下：
（1）不敢截图，这个又跟54.1%90后玩家关注的画面截图矛盾，用海报图、修饰很多的设定图来替代游戏介绍图片，这并不可取，在介绍游戏玩法的时候，应大量使用高质量的截图甚至视频，而不要扭扭捏捏，甚至过度美化（美化当然是少不了的）。
（2）稿件枪味太浓，媒体编辑无所适从。事实证明，媒体编辑没有那么多闲情逸致来帮厂商修改稿件，但往往厂商提供的稿件枪稿味十足，不吹牛不舒服，形容词大堆，有必要么？写的越多玩家越难以阅读、甚至反感。
（3）讲故事缺乏创意、缺乏幽默感。这些就好像稿件的调味剂，没有就很死板，有就会多少有点人味、甚至变的精彩，但不知为何，到底是我们厂商的市场总监、CEO们缺乏幽默感，还是文案缺乏幽默感，大量的稿件如一潭死水，因此美女、爆乳常常成为稿件亮点，而不是介绍游戏本身。
第二个需要特别注意的地方就是视频，目前除了上市公司产品，很多客户端游戏、网页游戏、移动游戏在推广期视频量不够，录屏很难么？并不难，做个片头包装、剪辑剪辑很贵么？万把块钱，并不贵，但还是很多厂商并不注意视频素材的积累，但你不录谁来录？指望媒体、玩家来录？开玩笑吧？为何放弃把控游戏自身形象的机会？57.1%的90后玩家想看游戏视频，你为何不做？不多做？
宣传手段的关注度情况：排名第一的是什么？资深玩家推荐关注度高达37.6%，第二是大型展会，第三是促销试玩免费，第四是开区开服信息，第五是微博名人及朋友推荐。
资深玩家推荐，这是游戏口碑形成的关键，也许资深玩家并不是经常说你的好话，但如果厂商做法得当，总是能在自己的游戏中找到这些高级玩家，他们在游戏中的经历、故事、经验，本身就是最高价值的内容。这是内容营销最为有说服力的物料，但很可惜，我们的厂商市场同学或由于偷懒、或由于怕麻烦而未能大量主动制造这类有利于自己游戏的内容。
展会活动，不是每个公司都负担得起，就不多说。有奖促销、免费、试玩，这些已经是国内公司经常用到的手段。
新出现的是社交平台的影响，微博上名人和朋友推荐90后玩家高达23.6%接受，但微博营销怎么做，可能很多厂商并不了解，要把自己的游戏讲的精彩，把玩家导入社交平台形成病毒传播，这需要市场营销工作把社交平台作为一个重要的用户接触点来看待。
玩家如何选运营商？第一就是客服、高达64.8%关注，第二就是公司的知名度。多宣传公司、建好客服，这是长期的重要工作。
手游运营数据分析方法
数据分析，是产品运营极具战略意义的一环；从宏观到微观分析，通过表层数据挖掘产品问题，是每个运营人的必修课。
首先，我们来看比较常见的分析方法：
5W2H分析法：What（用户要什么？）Why（为什么要？）Where（从哪儿得到？）When（我们什么时候做？）Who（对谁做？）How much（给多少？）How（怎么做？）
PS：（what）用户要极品装备！（why）因为他们要增强战力（where）装备从BOSS身上得到；（when）我们国庆节做这个活动！（who）针对所有玩家！（how much）BOSS爆率设定为XX（how）活动以怪物攻城形式进行。
上述是一种需求的转换形式，就产品而言，又要以数据为支持，不能因某个元素而动整体；从大局出发，根据整体数据趋势进行细化分析，那么就目前而言的分析手法，又有对比分析、交叉分析，相关分析，回归分析，聚类分析等等。
如果某款游戏下载量高，注册量低；是否因为服务器登陆问题或注册流程繁琐，是否近期网络出现故障........
如果某款游戏数据一直良好，某段时间数据突然跌落；是否因为市场宣传力度减弱，是否因为用户生命周期上限，是否因为其他竞品冲击........
真正的数据分析不在于数据本身，而在于分析能力的概述；数据是参照物，是标杆，只有分析才是行为，是改变；那么如何分析，综合上面两个举例，已经可以很清晰的看到立体式分析。
立体式分析，也就是维度分析；产品数据的发掘不应该仅仅拘泥于产品；大环境下的娱乐产物必须综合产品、市场、用户进行不同切入点分析；要知道，数据分析是基于商业目的，而商业离不开用户和市场；说白了就是结合不同维度进行有目的的数据收集、整理、加过和分析，他的存在价值就是通过数据提取有价值的信息去优化产品从而拉更多人，赚更多钱。
那么如何分析，大致思路又是如何？
【为什么分析？】
首先，你得知道为什么分析？付费同比、环比波动较大？
【分析目标是谁？】
数据波动，目标是谁？付费总额波动，付费用户数据如何？
【想达到什么效果？】
通过分析付费用户，找到问题，解决问题从而提升收入？
【需要什么？】
想做出分析，需要什么？付费总额，付费人数？付费次数？付费人数各等级占比？
【如何采集？】
直接数据库调取？或者交给程序猿导出？
【如何整理？】
数据出来，如何整理付费等级、付费次数报表？
【如何分析？】
整理完毕，如何对数据进行综合分析，相关分析？用户资源是否饱和？市场其他明星产品充值活动更具吸引力？产品付费系统是否出现问题，是否失去新鲜感？
【如何展现？】
找准问题，老付费用户流失了很多，低端付费转化低；很多是多少？转化低是什么概念？如何用图表表现？
【如何输出？】
找准问题，如何输出；如何将这份知识报表转换为产品商业价值体系；如何说服程序？如何说服策划？如何具体执行？如何将知识转换为生产力？
上述是比较系统的分析思路，细化而言；对于数据分析，又需要我们根据不同人群建立不同的用户模型；例如流失模型、流失特征；充值模型等等。
接下来我们再综合AARRR模型分解一些较为常见的数据：
Acquisition（获取）、Activation（活跃）、Retention（留存）、Revenue（收益）、Refer（传播）
上图为AARRR模型中的基本数据，结合小白学运营数据篇的系列文章，我们再对以往数据进行总结：
日新增用户数：DNU；每日注册并登陆游戏用户数，主要衡量渠道贡献新用户份额以及质量。
一次会话用户：DOSU；新登用户中只有一次会话的用户，主要衡量渠道推广质量如何，产品初始转化情况，用户导入障碍点检查。
日活跃用户：DAU；每日登陆过游戏的用户数，主要衡量核心用户规模，用户整体趋势随产品周期阶段变化，细分可概括新用户转化、老用户活跃与流失情况。
周/月活跃用户：WAU、MAU；截止统计日，周/月登陆游戏用户数，主要衡量周期用户规模，产品粘性，以及产品生命周期性的数据趋势表现。
用户活跃度：DAU/MAU；主要衡量用户粘度，通过公式计算用户游戏参与度，人气发展趋势，以及用户活跃天数统计。
留存：次日、三日、七日、双周、月留存；表现不同时期，用户对游戏的适应性，评估渠道用户质量；衡量用户对游戏黏性。
付费率：PUR，统计时间内，付费用户占活跃用户比例；主要衡量产品付费引导是否合理，付费点是否吸引人；付费活动是否引导用户付费倾向，付费转化是否达到预期。
活跃付费用户数：APA；统计时间内，成功付费用户数，主要衡量产品付费用户规模，付费用户构成，付费体系稳定性如何。
每活跃用户平均收益：ARPU；统计时间内，活跃用户对游戏产生的人均收入，主要衡量不同渠道的用户质量，游戏收益，以及活跃用户与人均贡献关系。
每付费用户平均收益：ARPPU；统计时间内，付费用户对游戏产生的平均收入，主要衡量游戏付费用户的付费水平，整体付费趋势，以及不同付费用户有何特征。
平均生命周期：TV；统计周期内，用户平均游戏会话时长，主要衡量产品粘性，用户活跃度情况。
生命周期价值：LTV；用户在生命周期内，为游戏贡献价值；主要衡量用户群与渠道的利润贡献，用户在游戏中的价值表现。
用户获取成本：CAC；用户获取成本，主要衡量获取有效用户的成本，便于渠道选择，市场投放。
投入产出比：ROI；投入与产出关系对比，主要衡量产品推广盈利/亏损状态，筛选推广渠道，分析每个渠道的流量变现能力，实时分析，衡量渠道付费流量获取的边际效应，拿捏投入力度，结合其他数据（新增、流失、留存、付费等）调整游戏，进行流量转化与梳理。
最后便是一种较为常见的数据分析手法：杜邦分析法
以上是关于数据的一些概括，对于数据分析，需要我们以理性的眼光对待；因为各家对相关数据定义不同，算法不同；在对数据进行分析时需要我们看清分析误区，综合其他数据进行分析，根据自己的数据分析思路制定相应的分析方案，切不可盲目分析，粗暴分析。
最后值得注意的是精细化的运营数据分析工作，思维不能乱，思维乱了，全盘皆乱；这时候的数据分析也无法提供正确的考量价值，如果觉得数据分析毫无头绪，杂乱无章；冷静下来，理顺思路，有大概的数据构思之后再做行动；只有这样才能培养自己严谨的逻辑分析能力。
您可能关心的：
文章来源：
行业精彩推荐
月关注排行榜
最新加入文章
历史关注排行
十大数据是企业品牌信用指数（见会员等级和服务）以及几十项数据统计计算真实呈现的结果，无需企业申请申报，不存在评定评选的过程，企业不需要交纳任何费用，无偿服务于广大消费者 |
本页面内容不代表十大品牌网观点或支持购买，仅提供参考使用 | 查询数据是为了消费者选购到市面上最好的品牌(品牌消费)，不是认定认证，不是竞价排名，不是表彰评选，不是评奖评比 |
R/TM/C图形文字为公司或相关单位商标版权,受法律保护 请勿转载 | 复制请注明出处 未经授权 禁止转载本站名单(数据)，深圳市睿弘网络有限公司版权所有。
分享&手游线上运营流程规范之数据分析
手游线上运营流程规范之数据分析
日09时56分来源：
一、数据定义1.用户1)日新增用户数（DNU）Daily New Users，每日注册并登录游戏的用户数。
&&&&目的：
分析渠道贡献的新用户份额情况
观察宏观走势，是否需要进行投放
渠道是否存在作弊行为
&&&&备注：
周新增用户数为本周7天日新登用户数累计之和；
月新增用户数统计同上，按30天统计；
根据推广与否，可细分为自然增长用户（非推广期）和推广用户（推广期）；
新增用户统计以进入游戏主界面为准。
2)日活跃用户数（DAU）Daily Active Users，每日登录过游戏的用户数，需要去重。
计算方式：DAU=DNU+DOU
&&&&目的：
分析游戏的核心用户规模
分析游戏的产品周期变化趋势
渠道活跃用户生存周期
&&&&备注：
月活跃用户数（MAU）统计同上，按30天统计，汇总需去重；
对于核心用户规模的衡量需要谨慎回流用户在活跃用户中的变化情况，具体需要依据细分活跃用户才能够了解用户规模和质量。
3)老用户活跃（DOU）Daily Old Users，每日登录过游戏的非新增用户数。
&&&&目的：
分析游戏的核心用户规模
分析游戏的产品周期变化趋势
游戏产品老用户流失与活跃情况
游戏产品的粘性如何（与MOU结合）
4)新增占比（NLR=DNU/DAU）&&&&目的：
游戏用户留存是否足够
渠道用户质量检验
新增用户占比越小，老用户（即DAU-DNU，DOU）比例就越多，相对的留存质量越好。
在游戏足够吸引用户或者流量足够理想的情况下，随着不断新用户被带入到游戏中，游戏中DOU的比例则会越来越高，DAU才会不断的成长。
目前新增用户占比的行业标准为：一线：&10%/二线：&20%/三线：&30%/四线：&45%
/行业平均水平：28%。注：游戏上线初期的1~3天不具备参考意义。
5)日回流活跃用户数（DBAU）Daily Backflow Active Users，截至当日，前7天无登录（不含当日）但当日有登录的非新建用户数。
&&&&目的：分析运营活动推送效果等&&&&备注：月回流活跃用户数（MBAU）统计同上，按前30天无登录（不含当日）但当月有登录来统计。
6)日核心用户数（DKAU）Daily Kernel Active Users，每日的非新增核心活跃用户数，一般按角色统计（去重）。
计算方式：DKAU=DOU-DBAU
&&&&目的：分析了解真实的核心活跃用户数&&&&备注：月核心活跃用户数（MKAU）统计同上，按30天统计，汇总需去重。
7)日一次会话用户数（DOSU）Daily One Session Users，一次会话用户，即新登用户中只有一次会话，且会话时长低于规定阈值。
推广渠道是否有刷量作弊行为
渠道推广质量是否合格
用户导入是否存在障碍点，如：网络状况、加载时间等
分析游戏引导设计
&&&&备注：
周一次会话用户数为本周7天日一次会话用户数累计之和；
月一次会话用户数为自然月日一次会话用户数累计之和；
DOSU有助于评估新登用户质量，进一步分析则需要定义活跃用户的月一次会话用户数。
2.在线1)最高同时在线人数（PCU）Peak Concurrent Users，在一个瞬间同时在线的用户总数。每5min或10min取一次同时在线人数，其中最大值为这段时间PCU。
&&&&目的：
在压力测试阶段，最高同时在线人数可以作为衡量服务器、系统架构的重要指标。
正式运营阶段，可作为游戏的受欢迎程度考量之一。
可分析活动开展的效果，如BOSS战，公会战等。
&&&&备注：只是一个极点的同时在线数，不能反映真实水平，具有局限性。2)平均同时在线用户数（ACU）Average Concurrent Users，一段时间内（日/周/月）各时间点在线用户数的平均。每隔5分钟或10分钟取一次同时在线用户数，其平均值为这段时间的ACU，一般按角色来统计。
&&&&目的：分析反映游戏同时在线真实水平、游戏活跃度、用户在线时长等。3)日登陆次数（DLC）/平均登陆次数（ALC）Daily Login Count，日登陆用户总登陆次数。
Average Login Count，统计时间内，每登陆用户的平均登陆次数。按ALC=DLC/DAU计算。
&&&&目的：
分析产品粘性
分析版本更新影响
分析渠道推广刺激效果
4)平均登陆天数（ALD）一般按月计算，该段时间内平均每登陆用户的登录天数。
&&&&目的：分析阶段性用户活跃度
5)日均在线时长（DAOT/AT）Daily Average Online Time，活跃用户平均每日在线时长。即：日总在线时长/日活跃用户数。
&&&&目的：
用户的游戏参与度如何
与单次使用时长结合分析留存和流失问题
用户持续游戏能力如何
&&&&备注：平均单次使用时长：一定时间内，平均单次使用时长=AT/DLC。3.留存/流失1)用户留存（DRR）统计时间区间内，新登用户在随后不同时期的登录使用情况。
次日留存率（DRR）（Day 1 Retention Ratio）：日新登用户在次日（不含首次登录当天）登录的用户数占新登用户比例。
三日留存率（Day 3 Retention Ratio）：日新登用户在第三日（不含首次登录当天）登录用户数占新登用户比例。
七日留存率（Day 7 Retention Ratio）：日新登用户在第七日（不含首次登录当天）登录用户数占新登用户比例。
月留存率（Monthly Retention Ratio）：日新登用户在第三十日（不含首次登录当天）登录用户数占新登用户比例。
留存率需要进行长期跟踪，根据需要可设定30日、60日或者90日。
&&&&目的：
用户对于游戏的适应性如何
评估渠道用户质量
投放渠道效果评估
用户对于游戏的粘性如何
新登用户什么时期流失会加剧
&&&&备注：
留存率一定意义上代表了新登用户对游戏的满意度；
关注留存率的同时需要关注用户流失节点；
次日留存率代表了游戏满意度，主要反映游戏初期新手对于游戏引导和玩法的适应性。
2)用户流失（DCR）统计时间区间内，用户在不同时期离开游戏的情况。
日流失率（Day 1 Churn Ratio）：统计日登录游戏，但随后七日内未登录游戏的用户占统计日活跃用户比例，此定义按需求可延长观测长度；
周流失率（Day 7 Churn Ratio）：上周登录过游戏，但本周未登录游戏的用户占上周周活跃用户比例；
月流失率（Day 30 Churn Ratio）：上个月登录过游戏，但本月示登录过游戏的用户占上个月月活跃用户比例。
活跃用户的生命周期是多少
哪一个渠道的流失率比较高
拉动收入的运营手段，版本更新对于用户的流失影响是多大
什么时期的流失率比较高
&&&&备注：流失率+留存率不等于100%，此处留存率遵循上文定义标准；
日流失率的定义可发根据需求进行调整，比如统计当日登录游戏，但随后14日或者30日未登录游戏的用户数；
流失率在游戏进入稳定期是值得关注的，稳定期的活跃和收入都比较理想，如果流失率波动较大，就需要引起警惕。需要仔细关注是哪一部分用户离开了游戏，流失率作为一个风向标，具有预警作用。
4.付费/收入1)日付费用户数（DPU）/日付费次数（DPC）/收入（Revenue）日付费用户数（Daily Pay Users），每日成功付费的用户，需去重。
日付费次数（Daily Pay Count），每日成功付费次数。
收入（Revenue），每日成功付费总付费额。
&&&&目的：分析付费引导是否合理
用户付费倾向与意愿、付费用户规模
&&&&备注月付费用户数（MPU）/月付费次数（MPC）/收入（Revenue）统计同上，MPU需去重。
2)日付费率（DPR）Daily Paid Rate，日付费用户占日活跃用户数的比例
计算方式：DPR=DPU/DAU
3)日首次付费用户数（DFPU）/日核心付费用户数（DKPU）日首次付费用户数（Daily First Pay Users），每日成功首次付费用户数（以往没有付费过）。
日核心付费用户数（Daily Kernel Pay Users），再次付费的核心付费用户数（以往有付费过）。
&&&&目的：分析付费构成分布&&&&备注：其中日首次付费用户数还可分解为日首次付费新增用户数（当天新增付费用户数DFPNU）和日首次付费活跃用户数（非当天新增用户首次付费NFPAU）。
DPU=DFPU+DKPU=DFPNU+DFPAU+DKPU
4)日新增用户价值（DNUV）Daily New User Value，日新增用户产生的平均收入，为日新增用户收入/DNU。
&&&&目的：分析衡量投放质量、盈亏&&&&备注：
其中日新增用户收入必须为当日新增用户产生的收入；
月新增用户价值（MNUV）统计同上；
5)新增用户付费转化率（PCR）Pay Conversion Ratio，统计时间区间内，日新增用户中成功付费的用户占日新增用户的比率（一般按账号来统计）。
计算方式：PCR=DFPNU/DNU
&&&&目的：分析渠道质量、贡献6)平均每用户收入（ARPU）Average Revenue per Users，统计时间区间内，活跃用户对游戏产生的平均收入。 一般以月计。
计算方式：游戏总收入除以游戏的总活跃用户数，一般按照月来计算，即ARPU=月总收入/月活跃用户数（MAU）
不同渠道获取的用户质量如何
游戏收益贡献如何
游戏活跃用户与人均贡献的关系
游戏人增收益水平如何
&&&&备注：ARPU用于产品定位初期不同规模下的收入预估。
7)平均每付费用户收入（ARPPU）Average Revenue per Paying User，统计时间区间内，付费用户对游戏产生的平均收入。一般以月计。
计算方式：ARPPU=月总收入/月付费用户数（MPU）
&&&&目的：
游戏付费用户平均的付费水平如何
付费用户整体的付费趋势如何
对鲸鱼用户的分析
&&&&备注：
ARPPU容易受到鲸鱼用户、小鱼用户的影响，分析时需谨慎；
ARPPU与APA、MPR等结合可对付费用户的留存情况，特定付费群体的流失进行深度分析，保证付费质量和规模。
8)生命周期（LT）/生命周期价值（LTV）生命周期（Life Time）：一个用户从第一次参与游戏，到最后一次参与游戏之间的时间，一般计算平均值。一般以月为单位。
生命周期价值（Life Time Value）：用户在生命周期内为该游戏创造的收入总计。可以看成是一个长期累计的ARPU值。
计算方式：LTV=ARPU*LT（按月计平均生命周期）
其中LT为Life Time，即生命周期，按照月统计，也就是玩家留存在游戏中的平均月的数量。
例如，一款游戏的ARPU=2元，LT=5，那么LTV=2*5=10元。
&&&&目的：用户在游戏中会待多久
用户对于游戏的贡献价值是多少
用户群与渠道的利润贡献如何（LTV&CAC)
&&&&备注：ARPU遵循严格的定义术语，即总收入/总活跃用户数；
LTV是针对活跃用户的计算，没有付费与非付费用户之分。
9)投资回报率（ROI）Return on Investment，投入产出比。
计算方式：（周期产出/周期投入）*100%，也可以以单玩家的生命周期价值与投入比，LTV/CPA或CPC。
衡量产品推广盈利/亏损状态
筛选推广渠道，分析每个渠道的流量变现能力，衡量渠道投入性价比
结合其他数据（新增、流失、留存、付费等）调整游戏，进行流量转化与梳理
评估后续推广活动的成功与否
二、数据分析1.基础数据基础数据是每天都要观察的数据，例如全服的人数（注册，在线，登陆，充值，消费…）、钱数（充值数，消费数，ARPU…）。观察宏观数据来了解事件（活动、版本更新、开服合服、渠道推广等）的效果，并从中发现“异常数据”和“趋势数据”加以分析。
2.数据异常基础数据的突变，当异常数据产生时，需对数据进行细分，从付费额度、等级、服务器、消费点、时间点……来了解并解决问题。
细分数据流程如下，细分数据时应以客观数据为主，不要直接主观论断问题原因。
在通过数据无法得知原因时，可以在数据之上进行主观分析。主观分析流程如下：
三、数据报告形式根据需要，一般周期性发布数据报告，形式有以下几种：
1.游戏数据日报1)制作目的监控重点数据，是否存在异常情况
了解渠道数据，实时了解渠道表现
2)关注指标&&&&用户数据
日活跃用户（DAU）：日活跃是否波动很大，比如受到节日、推广、版本更新、事故、老用户流失影响。
日新增用户（DNU）：日新登是否波动很大，比如推广、事故、节日刺激。
新增有效用户（每日注册的玩家并保证登录过游戏的玩家）：建立时间序列的数据源，分宣传期与非宣传期数据，可结合ACU，PCU等数据，观察游戏对用户的黏着度。
最高在线人数（PCU）：建立时间序列的数据源，观察并得出属于自己游戏的波动范围
平均在线人数（ACU）：建立时间序列的数据源，观察并得出属于自己游戏的波动范围。列出当日及前一日的同期对比曲线，并分析原因。
日均在线时长（AT）：在线时长是否稳定，是否新用户大量倒入，例如一次性用户，导致在线时长变低。
次日留存率（Day 1 Retention Ratio）：新增用户次日是否登录游戏，可以看出游戏是否符合用户预期，留存率波动是否存在特殊因素，比如网络问题、运营事故、新增渠道，等等。
客户端下载量
官网/论坛/新媒体PV
&&&&收益数
日充值额（Revenue）：每日充值金额的变化情况，比如充值活动、节日刺激、新道具或者版本上线。
日充值用户数（DPU）：每日充值用户数的变化情况，比如充值活动、新版本等是否拉动充值人数变化。建立时间序列的数据源，对比业内平均水准，测试游戏消费引导能力。
充值ARPU：每日平均充值金额，建立时间序列的数据源，测试游戏消费点挖掘能力。
每日新增充值用户（DFPU）
每日消费金额（Consume）：每日消费金额变化情况。
每日购买人数
&&&&流失数据
日流失帐号：统计日内有登录但统计日后7天都未登录的账号数
日流失率：统计日内有登录但统计日后7天都未登录的账号数/统计日的活跃帐号数
日流失充值帐号数：统计日前30天有充值行为，但统计日内无登录，且无充值行为
&&&&渠道情况
渠道每日充值总量：了解每天每个渠道充值总量、把握渠道收益情况。根据需要还可关注重点渠道新增充值量。
渠道每日新用户份额：对比了解，各个渠道每日的新用户增长情况，是否存在异常，渠道用户在推广与非推广时期的表现，版本、事故等影响范围。
渠道次日留存率：日常监控指标，对渠道用户质量衡量的标准之一。
2.游戏数据周/月报1)制作目的
了解周期性变化趋势，快速响应制定策略
重点渠道、用户跟踪，分析转化、质量等
周期性数据分析总结，制定下个周期计划
2)关注指标&&&&用户数据
周活跃用户（WAU）及历史平均WAU
WAU 在较短一个周期内（每周/月），可以快速衡量目前游戏处于极度活跃期的用户规模，新登用户和老用户在每周的活跃是一个相对完整的周期性循环，通过同期数据对比（上周，上个月同周，去年同期）， 有效衡量游戏用户的稳定性。
周新增用户（WNU）及历史平均WNU
WNU 为该周7天内新增用户数累计之和，新增占比（WNU/WAU）助于分析目前周活跃用户的大致结构（新增为主or老用户为主）。此外WNU的对比分析帮助了解目前推广、自然增长期（非推广阶段）、版本更新、事故、节日因素的干扰和影响，从周期性数据的角度了解游戏的生命力。
周参与天数（WED Weekly Engagement Day）及历史平均WED
周参与天数就是用户一周内有几天登录过或者参与过游戏，统计该数据宏观了解在以周为周期的时间内，用户的活跃程度及具体活跃的时间（比如很多的游戏用户集中活跃在周五、周六），有效制定活动策略。
通过用户的细分，比如新登用户、老用户、回流用户等具体分析每个群体的参与习惯和来源，有助于典型用户的寻找，例如用户一周参与天数达到某个标准， 即为忠诚用户，衡量该群体的规模以及渠道来源。
7 天DAU&DNU趋势数据
WAU和WNU只能是了解用户的规模，以周为周期，还要了解这一周DAU和DNU的变化趋势同时可加入上期及历史同期数据对比， 找出本周趋势变化较大的原因。同时，结合其他数据挖掘用户的上线活跃习惯。
&&&&流动性
留存率主要可以针对新用户在本周内的表现进行分析，因为每一周都会有相应的事件发生诸如版本、事故等，这些因素可能会对新用户的留存造成影响，此外渠道在这方面的影响也比较大，留存率可作为用户周期性流动的指标予以关注。
流失率（典型用户流失率）
可以针对典型用户进行流失率的分析和控制。典型用户就是活跃天数达到一定标准，在线时长达到一定标准的用户，还可以根据是否付费对典型用户进行进一步的细分，确定流失率和评估用户流动性，因为这部分用户是周活跃用户的核心群体，是最容易产生和转化消费的群体。
&&&&用户收入
ARPPU&ARPU
周期性付费用户与活跃用户的人均贡献收益，帮助分析周期性调整或者事件效果的评估。
周付费率（WPR）
通过与历史数据进行对比，判断趋势，付费率是否正常。必要可进行付费率的二度分析。
付费用户（WPU）
了解周期性的付费用户规模，长期趋势跟踪，了解游戏目前付费设计是否符合玩家口味。
新增付费用户（WFPU）
了解周期内新贡献的付费用户有多少，跟踪了解目前游戏的付费潜力如何。调整策略是否奏效，营销活动是否合理。
新增用户价值（DNUV）
了解游戏周期性收入中，核心收入贡献规模，新增WFPU的贡献收入属于不稳定收入，确定此部分的比例，利于运营管理者有效了解下一阶段收入走势。
了解目前付费用户的流失情况，有效的制定下阶段的挽留策略，稳定收入。例如是鲸鱼用户、海豚用户还是小鱼用户流失。
近期精品稿件阅读：}