队列分析
队列分析
队列分析根据单个启动事件对对象（通常是用户）进行分组，并比较它们保持活跃和价值的时间和时间。这种方法将系统中的时间效应（季节，股票）与队列年龄效应（从开始的日子）分开。
1）基本定义
队列（cohort）：由"出生"事件组成的众多玩家-注册，第一笔押金，第一场比赛，第一笔购买。
日历轴（日历时间）：实际日期（2025-10-01，……）。
队列年龄轴（cohort age）：从"出生"（D0，D1，……）开始的日子/周。
保留度量：D1/D7/D30 （Exact and Rolling）、WAU/MAU、Stickiness （DAU/MAU）。
货币化：ARPU/ARPPU，累积的LTV（在D7/D30/D90上）。
核算单位：用户（user/master_id）-记录在护照上。
2）队列种类以及何时选择
Acquisition队列：按注册/首次访问的日期-评估吸引和追赶渠道。
Activation/Monetization队列：按首次存款/购买-评估早期货币化和促销。
功能队列：在首次使用fici/游戏类别时,发布效果。
行为队列：根据RFM/启动模式（例如"夜间移动"）。
3）轴和网格： 如何观察矩阵
队列矩阵：行是队列（日历），列是年龄（D0…… D90）。
季节性：比较对角线（相同的日历）以分离季节性影响。
正常化：相对度量（CR，分数）+累积度（LTV），显示两者。
4）队列护照和指标（template）
5）Pseudo-SQL： retention矩阵（Exact Dn）
sql
WITH regs AS (
SELECT user_id, DATE_TRUNC('day', MIN(ts)) AS cohort_day
FROM event_register
GROUP BY 1
),
act AS (
SELECT user_id, DATE_TRUNC('day', ts) AS act_day
FROM event_activity
),
ages AS (
SELECT r. user_id, r. cohort_day, a. act_day,
(a. act_day - r. cohort_day) AS age_days
FROM regs r
JOIN act a ON a. user_id = r. user_id
),
exact AS (
SELECT cohort_day,
age_days,
COUNT(DISTINCT user_id) AS users_active
FROM ages
GROUP BY 1,2
),
coh_size AS (
SELECT cohort_day, COUNT(DISTINCT user_id) AS cohort_size
FROM regs GROUP BY 1
)
SELECT e. cohort_day,
e. age_days,
e. users_active::decimal / NULLIF(c. cohort_size,0) AS exact_retention
FROM exact e
JOIN coh_size c USING (cohort_day)
WHERE age_days IN (1,7,30,90)
ORDER BY cohort_day, age_days;Rolling Dn （1天活动）
sql
WITH days AS (... as above...),
roll AS (
SELECT cohort_day,
CASE WHEN age_days BETWEEN 1 AND 7 THEN 7
WHEN age_days BETWEEN 1 AND 30 THEN 30 END AS bucket,
COUNT(DISTINCT user_id) AS any_active
FROM days
WHERE age_days BETWEEN 1 AND 30
GROUP BY 1,2
)
SELECT r. cohort_day, r. bucket AS Dn,
r. any_active::decimal / s. cohort_size AS rolling_retention
FROM roll r
JOIN (SELECT cohort_day, COUNT(DISTINCT user_id) cohort_size FROM regs GROUP BY 1) s USING (cohort_day)
ORDER BY cohort_day, Dn;6）队列LTV和货币化
累计LTV （Dn）：每个队列用户Dn的收入之和。
ARPU/ARPPU：每个用户/Dn付款人的收入。
支付的百分比：≥1支付给Dn的份额。
sql
WITH reg AS (
SELECT user_id, DATE_TRUNC('day', MIN(ts)) AS cohort_day
FROM event_register GROUP BY 1
),
pay AS (
SELECT user_id, amount, DATE_TRUNC('day', ts) AS pay_day
FROM fact_payments
),
ltv AS (
SELECT r. cohort_day,
(pay_day - r. cohort_day) AS age_days,
SUM(amount) AS rev
FROM reg r JOIN pay p USING (user_id)
WHERE pay_day >= r. cohort_day
GROUP BY 1,2
),
cum AS (
SELECT cohort_day, age_days,
SUM(rev) OVER (PARTITION BY cohort_day ORDER BY age_days ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW) AS rev_cum
FROM ltv
)
SELECT c. cohort_day, c. age_days,
c. rev_cum::decimal / NULLIF(sz. cohort_size,0) AS ltv_per_user
FROM cum c
JOIN (SELECT cohort_day, COUNT(DISTINCT user_id) cohort_size FROM reg GROUP BY 1) sz USING (cohort_day)
WHERE age_days IN (7,30,90)
ORDER BY cohort_day, age_days;7）生存/危险以保持
Kaplan-Meier：非模型生存曲线（S（t））是非"解冻"的比例。
危险模型（每天Soch/logit）：特征（频道，国家，平台，奖金，内容）对流出风险的影响。
实践：逐段构建KM，然后用危险模型解释差异。
8）季节性,TZ和日历
TZ：将事件存储在UTC中，在本地TZ市场中进行分析；保持一致。
日历：假期/薪水/比赛/发行-作为旗帜；比较类似星期的队列。
滚动窗口：对于周/月队列-假期和报告周期的倍数。
9）分割和归属
细分市场：吸引渠道，平台/OS，地理，第一内容，价格/限制，支付方法。
队列归因："谁引用"用户-捕获算法（最后不直接,数据驱动）。
LTV加权：不仅要比较CR,还要比较LTV （D30/D90）的频道/段。
10）可视化
热卡矩阵队列（CR/LTV）。
趋势线D1/D7/D30日历。
生存/危险图形。
Bridge"将LTV更改为D30"：付费，频率，平均支票的贡献。
11）实验与因果关系
A/B：onbording，tutorials，paywall，offers。主要指标是D7/D30 retention和LTV（D30）。
准实验：DiD/合成控制在市场上推出。
Uplift模型：瞄准重新激活的收益收益（Qini/AUUC，uplift@k）。
12）运营和Hovernance
转化："RET_D7_vN"，"LTV_D 30_vN"；更改活动/货币定义时的changelog。
SLO新鲜：每日队列-准备到06：00 lock。数据差≤ 1小时。
质量：事件覆盖，重复比例，机器人/同类人群之外的人群比例。
访问：RLS/CLS，PII伪装；导出-仅限聚合。
Runbooks： D1 （bording）、D7（内容）、事件/身份报废。
13）经常出错（反模式）
轴混合：比较不同季节不同年龄的队列而未修正。
滚动vs Exact：被解释为相同。
单位混合：分母中的会话，分子中的用户。
聚合"平均均值"：代替分子/分母的总和。
忽略TZ/日历： D1在天/假期边界上的偏移。
没有机器人/兄弟/QA过滤器。
未记录的重启：没有身份桥的帐户拆分/merge。
14）队列报告发布前的支票清单
- 已定义出生事件,单位,TZ,活动窗口
- 不包括机器人/兄弟/质量保证；身份溷合（金唱片）
- 构建了CR （Exact/Rolling）和LTV矩阵D7/D30/D90
- 包括日历/假期；通道/平台/地质部分
- 添加了生存/危险图形和桥梁LTV
- 记录指标版本和归因算法
- 定制SLO新鲜度,监视覆盖/重复/错误
- runbooks准备在D1/D7的瀑布和事件的悬崖上
底线
队列分析是两个轴和学科：固定的"出生时刻"，正确的窗口和TZ，保留矩阵和LTV，细分和因果关系更改检查。这种方法不仅有助于观察曲线，还有助于做出决定：在哪里进行盘旋，扩展哪些渠道，哪些内容和离群值使玩家保持更长的时间并增加LTV。