用户流失原因分析

本文可以结合新用户与留存率分析这篇文章一起来看(不过现在回过头去看当时写的笔记,显得比较简单),毕竟用户来和用户走是两个相反的过程,但是能被吸引来就已经过滤出了大部分用户。有些思考的模式和方法可以互用。

本文主要是对用户流失原因进行分析,不涉及太多如何补救挽回的措施方法(预计下一篇整理会写到)。

本篇是我参考知乎上的一些回答以及百度文库一遍关于游戏行业的流失分析的整理,外加自己的思考写的。

 

1. 事前两个维度分析:拟定流失的时间和可能的流失原因

以下参考知乎的一个答案(链接见参考),分析的案例是游戏行业。结合在分析用户留存时考虑多个时期(振荡期、选择期、平稳期),分析原因时也需要考虑时间因素,不同时期/阶段下用户流失的原因占比是不同的(时间是一个很重要的维度)。我们先从流失的时期开始分析。

1.1 流失的时间

相比留存的三个时期(振荡期、选择期、平稳期),原因分析有四个时期:适应期,成长期,追求期,疲惫期,这四个时期分别对应玩家在游戏中的状态变化的四个阶段。有其他不同种类的分法便于后面的分析,我们暂且采用这种分类方法

1.1.1 适应期

处于进入游戏的初期,从进入游戏第一分钟到第一次登出。这个时期玩家需要做的就是适应游戏,对游戏的内容,操作,人物,以及画面,美术风格等产生兴趣慢慢接受。在这个时期需要争取到玩家的认可(这是目标),当玩家觉得这游戏能玩,决定第二次登陆看看,那么基本上就算是成功的度过了适应期。

因此,一种划分这两个阶段(适应期、成长期)的方法是观察用户是否有二次登陆的行为。

1.1.2 成长期

根据玩家不同而长短不同,在这个过程中玩家开始接受并了解游戏各个环节的内容设计,体验游戏乐趣,追逐更快的成长,同时逐步了解游戏的核心系统。根据游戏不同,游戏的等级段可能是前期,中期,甚至满级之前。

两个阶段的划分(成长期、追求期),我想的一种方法也是类似前面通过规则(是否达到指定等级,比方25级、游戏模块环节的探索,比方某些技能或者模块的使用行为次数、地图的探索范围等等)一刀切的方法划分。

规则的值选取乍一看还挺困难,不过可以通过分析所有用户的同一行为数据,观察这个行为数据的中位数、众数、阶段百分比位置的值(25%、50%、75%),选的时候可以参考这些统计量。

1.1.3 追求期

当玩家进入一个比较稳定的时期后,追求游戏的更多内容,装备,技术(比方探索新的技能),探索更多的场景区域挑战游戏极限(和朋友玩儿最新的副本)组建玩家群体(成立工会、小组等),在这个时期内玩家之间的交互攀比就会以一种比较主要的形式出现。这部分玩家群体是游戏的主要推动力,也是游戏特色设计、核心设计的最大受用者

我个人觉得这两个阶段(追求期、疲惫期)不好划分,因为追求期的用户一般已经达到满级或者接近满级,练级是一个追求,更多兴趣是对新内容的体验和聊天发呆,因为结识了很多朋友,成立了工会,更多的是线上用户的交流等。有可能追求期的用户出现疲惫期描述的行为,但是我觉得每天上线时间这个是一个很重要考量两个阶段的数据。

1.1.4 疲惫期

玩家丧失了游戏核心玩法新内容体验欲望,或者不在追逐更好的游戏收益,每天上线时间逐渐减少,仅仅是聊聊天,做做小任务,发发呆。疲惫期的玩家极易产生流失,也容易受到市场和环境的影响转投别的游戏,但仍存在挽回的余地。

以上只是游戏行业用户流失问题在时间上的划分,因为不同时期/阶段下用户流失的原因占比是不同的(时间是一个很重要的维度)此外,还有其他不同种类的分法

1.2 流失的原因

横向分析完了用户不同的流失时期,下面还需要纵向分析(用户流失原因)。我们仍旧是对游戏行业分析。一般来说,主要有4个大的流失原因:刚性流失,挫性(受挫)流失,自然流失,市场(环境)流失。下面分别介绍一下这几个流失出现的特点和阶段。

1.2.1 刚性流失

  • 含义:难避免,需较大设计改动才能调整的因素造成的流失
  • 细分举例:比如界面功能不符合用户的口味;用户体验差;信息内容质量差……
  • 出现阶段:刚性流失主要集中出现在游戏初期(游戏的最开始阶段,适用期前)。通过数据能够看这款游戏对适应期玩家的适应能力要求是高是低,只有平稳的度过适应期才能让玩家进入到游戏内容中。
  • 特点:主要集中在游戏初期,(进入游戏的)半数人或以上离开,刚性流失曲线高得惊人。导致原因是进入游戏的不适应。
  • 案例:一个喜欢Q版卡通风格的玩家进入一个写实MMORPG里,一个崇尚唯美的玩家看到铁血硬派的角色造型,如果无法度过最初几分钟的适应期,那么这种流失就属于较为刚性的流失。喜欢古代题材的不喜欢科幻,欧美FAN玩家不适应武侠等等,反之亦然。
    键盘玩家不习惯鼠标,用惯了全视角不习惯视角锁定。在服务器上,用户过于集中造成的延迟,掉线,排队等,这些都是可能产生刚性流失的因素。但是玩家普遍具备一定的适应能力和对新鲜事物的需求,只要玩家进入游戏,那么多数人就会抱着一种认真的态度进行这种适应和改变,也就给了我们机会将他留住。

1.2.2 挫性(或受挫)流失

  • 含义:适用期后,玩家流失的一个主要原因,这种流失因素纷繁复杂。当玩家在游戏中受到了超过自身承受的不舒适感和理解难度的内容就会形成受挫感,当受挫感累计到一定程度玩家就会选择离开。不论从玩家还是从游戏工作者的角度都会且也应该将这种流失的责任归结于游戏的内容设计本身,也就是策划的责任。
    尽管原因多,可归为两类
    1. 过程受挫(游戏中遇到理解难度较大,说明不够清晰,指引不够准确的游戏内容,即“玩不懂”,或者投入了参与但对趣味性和新鲜感产生了厌倦和反感,即复杂繁琐而无趣的内容;玩懂了,却没意思。”);
    2. 结果受挫(付出低于心里预期而产生):控制产出是游戏设计的一个重要环节,但是过分的挫败玩家的预期收益也是一种潜伏的隐患。
  • 细分举例:比如收费项目多;社交体验差;占用时间多、花费精力大;隐私泄露……
  • 出现阶段:过程受挫更多的集中在适应期和成长期,因为这两个时期接受新事物的机会更多因此相应受挫机会也会更多。而结果受挫则贯穿于游戏进程的始终,玩家每熟悉游戏的一个系统设定,在游戏中会有所斩获,有所追求,就出现了对结果不满的受挫感。
  • 特点:主要发生在适应期后,原因复杂,但容易发现和弥补,
  • 分析要点:受挫流失的特点一般来源于不合理的设计,当这种设计产生的受挫面积过大则会在某个时间点形成大规模的玩家流失,这是需要分析观察流失率曲线,仔细寻找受挫的来源,并剔除产生受挫的原因。

    受挫流失率的特点是受挫设计点的前后出现明显高于周围时期的流失率
    ,而且流失率曲线较突兀,与自然流失的平滑形成鲜明的反差,这就说明在这个阶段出现了令玩家受挫并流失的设计。
  • 案例:重复枯燥的杀怪,跑腿任务,繁琐的合成和强化操作,各种无用功,迂回,庞大却不实用的城市设计,等等。这些都属于过程受挫,在游戏的过程中体验不到游戏的乐趣,产生厌烦。
    再比如:WOW早期的8职业套装掉落,每个人只有1/8的概率获得收益,在后来调整到1/3概率掉落兑换品换取套装就是对减少结果受挫的一种改善。类似任务经验不合理,掉落物品不合理,甚至商城定价不合理,以及一些突破玩家普遍认同的付出收益底线标准的都属于结果受挫,都是打击玩家游戏兴趣的因素,严重的甚至会让玩家对游戏本身质量和设计合理性产生质疑,丧失了对之后游戏的其他内容的尝试欲望。《寻仙》的法宝合成就是一个隐约带有结果受挫感的设计,在游戏初期这种模式虽然带来的可观的收益,但过低的失败率对玩家的心理承受能力造成了比较恶劣的挫折感,以玩家流失的代价换短时间的经济效益得不偿失。

1.2.3 自然流失

  • 含义:当玩家稳定在游戏中一段时间后,发现游戏本身没什么可玩的,或者各个系统都无法提起自己的兴趣,渐渐的从追求期和成长期进入了疲惫期,那么自然流失也就是不可避免的了。没什么可玩包括以下两种情况:1.对内容不敢兴趣或者无法尝试,只能说我们的核心系统不具备很强的包容性,周边系统不够丰富。2.无内容可玩,只能说我们的核心及周边系统缺乏深度,缺乏迭代性和持续性,游戏更新频率缓慢。
  • 流失根本因素:来源游戏整体的设计水平,也就是游戏的核心内容或者多个核心群,能不能牢牢的抓住玩家的兴趣,同时周边系统能不能很好的达到补漏和协调的作用,让玩家始终能够找到自己在游戏中定位和追求的目标。
  • 简要分析:看似自然流失更多的出现在疲惫期的玩家中,属于一种生老病死的常态,但将玩家一步一步推向疲惫期的正式枯燥无趣的游戏设计和缺乏竞争力的核心内容。一个设计优秀的游戏应该具备更强的生命力,他的核心系统需要经受住更大的考验,结合周边系统的辅佐具有更强的生命周期。
  • 流失率特点:不容易被察觉,他可能显现在中高等级玩家的身上,这个数量相对稳定。如果一个设计合理的游戏并且已经被市场认可进入良性循环后,自然流失率相对较低,但却是普遍存在的。
    在一段较长的时间内,流失率居高不下,始终难以进入相抵较低的状态,也是自然流失的一个状态,也就是说这款游戏再设计内容上缺乏吸引人之初,在达到了相对平稳的状态后,玩家迅速进入疲惫期,从游戏中流失掉了。总之不论高低,曲线相对平滑的流失模式多数都属于自然流失
  • 细分举例:比如玩腻了;朋友都不玩了……
  • 出现阶段:看似自然流失更多的出现在疲惫期的玩家中,但也有可能在后期的多个时期阶段出现。
  • 挽救措施:推陈出新,来不断的使自己能够焕发活力。
  • 案例:因为核心竞争力不够,核心系统趣味性贫乏的游戏往往在进入峰值之后,迅速衰退,很多国内代理的韩国存在这种问题,当玩家成长到一定阶段后,找不到下一步应该追求的目标,也就失去了活力。比如,龙之谷,画面风格,上手难度都不成为他流失的因素,但是再等级达到一定级别之后缺乏核心内容的深化,玩家发现所作的事情仍然是之前重复的,而且看不到这些事情还需要持续多久才会发生改观,这种迷茫迅速将成长期的玩家拖入疲惫期,之后有时间上去打几个怪,看两眼也就不闻不问了。而生命周期较长,或者在其核心系统运转稳定的时间内表现优越的游戏就比较多了。
    比如WOW和征途都成功将玩家很好的引导到各自的较有竞争力核心设计特点上,使得游戏的寿命延长,大大的减少了自然流失。(WOW,其核心系统无疑是优秀战斗系统,不论是丰富且高质量的PVE副本,还是平衡的PVP战场,都合理的服务于这个核心。同时丰富的战斗系统又让玩家乐于尝试不同的职业,更多小号则增加了PVE和PVP资源的利用率,达到一种良性的循环,延长了玩家的追求期,延缓了自然衰老造成的流失,看看TBC撑了多久,多少小号,就知道这种优秀的核心系统设计能够为游戏的生命周期带来多么令人发指的延长。(其实在这点上DNF的良性循环更加的优秀)周边的任务,生活技能,声望等设计很好的丰满了游戏内容,增加了游戏的包容性,也为不同层次的玩家提供了相对舒适的游戏环境,很好的包容了各种边缘玩家。不论玩家层次如何只要能够在游戏中多待一天就能够多一次机会体验游戏核心内容,让小白也能体验核心,最终成为大师。征途,其核心内容恰恰与常规游戏不同,处于一种本末倒置状态,征途的核心系统是装备。玩家升级是为了穿高等级的装备,打怪杀人是为了收获装备提升带来的快感,所有的一切,都是为了装备,而装备产出,强化,升级的整个过程就是游戏的核心。所有其他的一切都是为了验证装备强大和给人带来的成就感而存在的。至于战斗平衡性,任务的合理性,怪物的AI等等,只好达到能够满足核心系统的最低标准就可以了。)

1.2.4 市场流失

  • 含义:属不可控范围因为市场和运营环境的种种变化造成人员的流失
  • 细分举例:比如出现了其他更好产品
  • 出现阶段:不可控。
  • 特点:出现阶段和特点都不属于游戏本身的问题,是一种市场外因,因此流失率看上去很不稳定,只能结合实际情况分析。
  • 案例:比如游戏运营好好的,结果突然开了巫妖王,跑了一批人。

1.3 阶段流失对照表

有了玩家在不同时期的特点,也有了流失原因的分类。就可以将二者进行相比对找出不同时期最能够影响玩家的流失因素,在设计上最大可能的避免这些情况的发生。

具体细节原因,就需要搜集用户反馈和数据支持,慢慢分析了。总的来说,第一步就是挖坑捏模子,分析不同阶段时期下可能的几大原因

  • 参考:https://www.zhihu.com/question/21297253/answer/47657039
  • 大量参考:关于网络游戏用户流失原因的简单分析_百度文库  http://wenku.baidu.com/link?url=Fnf1bYy41AOpEkHtVIM7bWVZVpiApfs3LFrREzujqu6OmII32HoaA42ZJzstX4gEsUpFIuCB8B6bvAWmXdWFzsdDHAWMck30duBikn279KK&qq-pf-to=pcqq.group

2. 从两个案例说起

2.1 案例1:阅读APP用户在内容方面的流失原因

在简单分析了几个主要原因后,我们需要分别分析大的主要原因,建立主要原因和数据之间的映射关系(找特征)。

比方说,对于阅读类APP,其中一种主要的用户流失原因是:用户对内容不满意(少、没有)。那么我们要知道他们想要什么内容,通过分析用户搜索query中的关键词是一种方法。反之,也可通过已有图书数据中的【内容】可以证明留存用户在【内容方面】留存的一个【主要原因】。

而用户查询的关键词在图书数据中找不到,若对大量用户查询失败(没有找到内容,或者找到了把页面关闭了,但没有进一步点击下一层级的页面)的query进行分析,对查询结果进行聚类或分类,就可知道这几类的图书内容是大众感兴趣,但我们没有的。

后续,我们可以更多引进这类图书(用户大多感兴趣但比较少的),或者将这类没有的图书检索量和(图书数据库里)已有的最热检索query进行对比,看是不是这类(或几类)缺少的图书反而比我们现有的最热图书还要火。

同时,对用户的query进行分析可以得知其【最近的喜好、或说是即时的需求】(后续可以做推荐,用户画像给该用户打tag)。

多说一点,我觉得用户画像主要是怎么“画”的问题,我个人认为画像随着时间会发生变化的(一个用户随着时间的推移,对感兴趣的东西会发生变化)。你想自己的情况,你买了这一种产品,然后给你打了对这类商品(或者这类商品的一级类目)感兴趣的tag,但可能这类商品是家具并非日用品,你买过一次下次就不会买了或者可能性很小,但日用品易耗品就不一定了,人们习惯持续用同一品牌的产品,甚至因(对品牌的偏爱)而辐射到同品牌下的其它类产品。所以我想,画出的也是短时间的画像或者标识,但是item的属性是不变的(这里想强调一下用基于item的协同过滤更好一些)。

但可以对用户长时间序列下类似的查询进行推荐,比方说在一年时间里,对该商品有5次查询,最后都购买了,一种可能是易耗品或者日用品。

2.2 案例2:游戏用户的流失原因

【这里待写】【未完待续ing】

如何进行用户流失原因调研? – 王玮的回答 – 知乎  https://www.zhihu.com/question/26225801/answer/33133761

3. 分析方法论

还是书库的例子,仍然是从内容导致的流失原因进行分析,分为三个角度:

3.1 用户角度

  • 第一,从用户角度去分析(用户角度),给用户贴上标签,每个用户都有属性,他的属性决定他喜欢什么类型的作品,所以给用户贴上标签是很重要的一件事,取决于你怎么贴,怎么执行,怎么设计产品?

贴标签的话,我个人想的是根据用户浏览的类目,用户查询的关键词(我们把关键词也做分类,分到类目下),另外就是类目要划分地比较细致,不单纯是一级类目,二级类目,可以具体到三级类目,甚至是给出这一类目的有区分度的关键词来描述这个三级类目。

这个区分度做的话可能就比较深了,类间关键词的区分度,类内的区分度等等。需要考虑用什么方法计算词语之间的相近程度和距离。这方面工作也有很多,比方说根据词上下文,将词把句子分成两部分,左上下文和右上下文,可以做一些统计,或者用一些word2vec等模型类做距离的计算等等。

同时,人的维度也是有多个,可以把一个人的维度扩展到书的所有类目,比方八个类别的书,人也划分为八个,每个维度的值根据浏览的频次,时长来决定。

3.2 产品角度

  • 第二,从书籍内容角度去分析(大点地说,就是产品角度),给书籍贴上标签,从书籍的标签来说,能折射出大部分的用户属性,用户喜好,用户行为,这样也会做到位。

我们希望标签是可以将user和item连接起来的,这里item就是书,人有tag或者关键词来描述,书也有,但是书的维度是固定不变的。但其实我们也知道,虽然我们对一个本书的划分是固定的,但即使如此,一本书实际也是分布式的表征,可能不同类目下都有值,而不是one-hot(不是0就是1,[0, 0, 0, 1])的。可能一本书的内容涵盖了很多类目下的关键词。比方说可以根据涵盖内容的比例对这本书表示为[0.1225, 0.6541, 0.8752, 0.1248]。

这样在考虑关于内容上的时候,我们希望用户更多的看到自己喜欢感兴趣的书,或者推荐的时候给他推更相近的书,那么就可以计算书和人的相似程度,进行推荐或者对流失用户进行推荐召回。

此外,这方面还可以分析竞品的特点,与我们有竞争关系的阅读类APP,他们在内容上有什么特点(内容上有哪几类,点击浏览量火热的程度,用户有哪几类,用户的类型与内容上是否对应),甚至是用户评价怎么样等等,我们与他们的差距,这方面业内的平均水平,我们处于平均水平的或高还是或低。这方面就需要技术人员去写爬虫抓取别家网站的数据了。

3.3 市场角度

  • 第三,是市场角度(整个市场角度)去分析(从新用户的查询就可以反映出用户的喜好,进行分析),你的书库内容有多少,覆盖率多少,你可以大致的能够预估到。

最后来说,我的建议是连接用户需求与书籍,构建一个合理的生态链,用户-书籍,书籍-用户,这样最为合理的拆分出你想要的基础数据。

  • 参考:https://www.zhihu.com/question/23078960/answer/49122933

4. 实际情况中缺乏需要的数据

实际情况中,有很难将我们拟定的大类原因和数据对应起来的情况,这时候就很难分析,我觉得可以进一步发问卷以及深度访谈,二者并进的方式进行。让问卷和访谈里的问题建立和我们拟定的可能原因的映射关系,说白了就是让采集到的数据可以反映流失原因。(这也是为什么会有问卷——因为找不到要解决问题的特征数据)

当然还可分析有用户评论的地方,比方找该产品的评论区,如果自己产品内没有意见提交或者产品评论的留言区,可以查看第三方应用APP下载中心、贴吧、豆瓣小组等等用户聚集的地方(能产生评论的地方),分析评论和打分,发现问题的关键词。

如果要从数据来看,主要还是要看流失问题原因和已有数据,这二者之间是否存在映射关系。

5. 关于用机器学习的方法来分析用户流失原因

对于这一点当然是可以的,好处就是不需要太关心特征(其实还是需要的,但是相比上面的做法会好一些),比方说用树模型或者随机森林,效果必然好。但更重要的是,要得到流失用户的流失原因,首先必须对数据标记用户是什么原因流失的。用监督学习的方法来训练(数据要标记),这样才可行。

但问题就在于数据要标注,这个标注的要求就很高甚至是不可能的,除非我们调研或者对已流失的用户发问卷等等,但是这个也不现实。这就好比你把360安全卫士卸载了,然后弹出窗口或者网页问你为啥卸载,原因是什么,肯定有人写,但数据质量和规模也是问题。

但如果单纯是二分类,该用户会不会流失,那么我们可以首先定义什么是流失用户和未流失用户,这样对历史的用户根据定义的规则进行标注(用规则一刀切),从而得到了标注数据,进行训练从而得到分类模型。虽无法得知流失原因,但可以得到用户流失的一个概率-可能性。

发表评论

电子邮件地址不会被公开。 必填项已用*标注