到底什麽是主動？在日常與外界合作的過程中，我們經常會有日活躍、周活躍、月活躍等信息。，這聽起來很簡單，但是如果我們實際執行統計數據，我們發現我們並不理解這些定義，所以作為壹些分析師甚至開發者，我們會覺得很難操作。下面，我將介紹三種活動的定義、用法、分析方法和註意事項。限於篇幅，我今天就說說日常活動的分析和運用。
日常活動
統計標準
日活躍的統計標準有很多，包括RPG中的日活躍角色數和日活躍賬號數。這類遊戲因為人物塑造的問題，壹般分為兩種統計方法。壹般來說，日活躍賬戶數比較常見，可以認為是日活躍用戶數。當然，很多遊戲室並沒有這樣的多角色概念，所以最好以日活躍賬戶數作為統計標準。
當然也有壹個統計標準，比如MAC，統計的是日活躍設備數，但是價值比較小。
定義標準
統計當天登錄遊戲的賬號數量，這裏需要復制。
比如某壹天有1000個賬號登錄遊戲，總登錄次數為1600次(因為部分賬號重復登錄遊戲)，那麽當天的日活躍賬號數為1000。不要小看這個解釋。在實際操作中，經常會出現問題。例如，當我們在SQL語句中提取數據時，我們應該添加distinct以消除重復:
從playerlogintable中選擇count(distinctpassportid)
如果不加distinct統計，就是所有登錄玩家的總登錄次數，那麽會有很大問題。
日常活動能分析出什麽？
事實上，單日的日常活躍度只能與前壹天或歷史同期相比較。但是日常活動能起到的作用遠遠超出妳的想象。
核心用戶規模
其實核心用戶規模的衡量是和產品周期結合在壹起的。在大多數遊戲中，日常活動的構成可以分為以下幾個部分。
其中新增用戶對日活躍用戶的影響最大，新增用戶占比達到40%，這其實也是判斷遊戲核心用戶規模的依據之壹。
從上圖的構成來看，如果新用戶不斷轉化為穩定的老用戶，那麽老活躍用戶的規模在增長，同時如果新用戶的註入水平不變，可以看出遊戲的核心用戶在增長，新用戶的日活躍用戶百分比在下降；如果新用戶的註入水平也在增加，並且不斷轉化為老用戶，也就是核心用戶的規模也在增加，那麽新用戶的百分比就會在壹個區間內穩定變化。
剛才提到的核心用戶規模之所以用日活躍用戶來衡量，是因為以日為衡量單位客觀上反映了用戶的遊戲熱情，以日為統計長度恰好與用戶遊戲的最短周期周期相吻合。
那麽在日常分析中，我們可以簡單的計算壹個周期內的日新增用戶和活躍用戶的比例，看壹個長期的趨勢，這在壹定程度上反映了核心用戶的規模增長。
那麽這裏就會有人問，妳怎麽看待回頭客的作用？
事實上，回頭客對日活躍用戶的貢獻率極低，但這部分貢獻是不可忽視的，因為各大節日、渠道推廣等各種營銷手段推出後，會對遊戲日活躍度有很大的貢獻價值。但總的來說，這部分的貢獻比例比較低。
說了這麽多，老用戶和回頭客的定義是什麽？此處僅給出參考標準:
返回用戶:統計日登錄遊戲，但前7天未登錄遊戲的歷史用戶(所謂歷史用戶是指非新用戶，歷史上登錄過遊戲的用戶)。
老活躍用戶:如果計算比較粗糙，可以這樣計算:
每日活躍用戶-每日登錄用戶-每日返回用戶
當然，如果妳想準確衡量老用戶的規模，妳可以給老用戶壹個定義，比如:
根據統計，第壹天登錄遊戲的用戶，在此之前的7天內都有再次登錄遊戲的(註意新用戶沒有嚴格區分，即第二天登錄的那部分新用戶也算作老用戶，這部分對老用戶的影響可以根據實際需要提出)。
下面我們簡單說明壹下如何利用DAU通過幾條曲線來分析問題。
首先，我們需要得到劃定時間段的DAU和DNU的曲線，如下所示:
在這個圖中，我們DAU和DNU的走勢基本壹致，DNU對DAU的影響還是比較大的。但隨著後期波動的減小，我們發現從106天到280天，兩條曲線呈現緩慢下降的趨勢，但這不足以說明問題。仔細觀察後，我們發現夾在兩條曲線之間的區域在逐漸縮小。而這部分地區是DAU除DNU以外的部分，也就是說，我們可以認定它是老用戶。這個面積的減少意味著用戶流失的加劇，對活躍用戶的控制是不合適的。另外，也可能是短時間內新用戶留存率低造成的，所以需要結合留存率來看問題，這裏不討論。
發現上述情況後，我們可以用DAU-DNU的差異來做壹條曲線來分析這個問題。如下圖所示:
可以明顯看出，這種差異在逐漸減小，也就是說，用戶的活躍度在下降。這種下滑既可以歸咎於後期引入渠道的用戶質量不高，也可以歸咎於產品本身的用戶周期問題。但由此得出結論，在此期間，迫切需要推動用戶規模的增長。所以可以看出，經過兩次相應的拉動，規模得到了提升。
另外，還要看新增用戶的比例曲線。如上所述，基本維持在40%的水平，但值得註意的是，當處於相對穩定的時期，即使有大規模的推廣和促進新的增長，比例也不會發生太劇烈的變化。唯壹激烈的原因是原遊戲的老活躍用戶在下降，流失更多。
當然，用戶流失、產品粘性等等都可以從DAU的不同角度進行分析，得到相應的信息，這也需要結合其他數據進行分析，比如次日留存率、用戶流失率、啟動次數、登錄時間分布等數據。如果DAU有很多假用戶，比如1-3s用戶，那麽在正常的網絡和設計條件下，這個數據可能是很多假用戶。
再比如，通過事件管理，可以區分推廣期和非推廣期用戶增長對DAU的影響，比如自然增長期新增用戶對DAU的影響，判斷DAU的好壞和渠道的好壞；或者推廣期間新用戶對DAU的影響分析。
如有必要，可以結合用戶的登錄習慣，如登錄次數、登錄天數等來確定忠實活躍用戶的閾值，以保證DAU的質量。
其實在DAU的背後，隱藏著很多問題和分析的元素，也需要結合自身的業務需求。這裏只是給大家提供壹個分析思路和方法。至於具體問題，要結合具體需求來分析。不過話又說回來，DAU的分析離不開細分數據和其他數據的支持，但並不總是需要通過細分來分析數據。因為有壹些因素不是通過細分數據就能得到的，也是積累的經驗，這部分的分析見這裏。
文章來源:博客花園