球员保留分析
玩家保留分析
保留是产品经济的核心：玩家保持活跃的时间越长，LTV越高，收入就越稳定，规划就越可预测。下面是一个完整的框架：从正确的定义到生存模型和重新激活回路。
1）会计定义和单位
单位：玩家（user/master_id）-默认值；对于短期任务，可以使用"帐户/设备"，但是将其固定在指标护照上。
活动：返回标准（≥1会议/≥1利率/≥1存款）-记录。
重组Dn：参考日期后第n天返回的队列比例。
滚动/碎片：滚动D7（在1-7的任何一天）vs Exact D7（恰好在第7天）。
丘恩（流出）：≥T天无活动（例如14/30）；指定为产品规则。
队列：按注册日期/首次存款/第一场比赛-选择市场营销/产品任务。
2）基本分析： 队列和回归曲线
队列热卡：D1/D3/D7/D14/D30/D60；发行版和广告系列之间的对角线是可比的。
存活曲线：从白天0到N（生存曲线）的活动比例。
曲线几何形状：假期/发行版的"垫脚石"；早期的"崩溃"→爬坡问题，"长尾巴"→忠诚者的核心。
Pseudo-SQL： 队列D7
sql
WITH regs AS (
SELECT user_id, DATE_TRUNC('day', ts) AS cohort_day
FROM event_register
),
act AS (
SELECT user_id, DATE_TRUNC('day', ts) AS act_day
FROM event_activity
),
d7 AS (
SELECT r. cohort_day,
COUNT(DISTINCT r. user_id) AS cohort_size,
COUNT(DISTINCT CASE WHEN a. act_day = r. cohort_day + INTERVAL '7 day'
THEN r. user_id END) AS retained_d7
FROM regs r
LEFT JOIN act a ON a. user_id = r. user_id
GROUP BY 1
)
SELECT cohort_day, cohort_size,
retained_d7::decimal / NULLIF(cohort_size,0) AS cr_d7
FROM d7
ORDER BY cohort_day;3）存活率和危险模型
Kaplan-Meier：非模型生存评估（S（t））；对于曲线和生命中位数的"消除形状"有用。
Cox PH/加速失败时间：可解释的特征影响模型（国家，频道，平台，奖金，内容）对hazard（流出风险）的影响。
Discrete-time hazard（按天数排列）：灵活地进行杂货分析,并使用日历。
"重新激活"事件：分别建模（匹配风险）或作为马尔可夫链中的过渡。
4）马尔可夫和半马尔卡模型
状态：New → Active → Dormant → Churned → Reactivated。
过渡：期间（天/周）的概率。
价值：将"Active"中停留的可能性乘以平均支票/频率-获得对LTV的预期贡献。
5）保留韧带和LTV
LTV ≈ Σ （Retention_t × ARPU_t ×折扣）。
弹性：D7增加X个百分点→ LTV增加Y％（来自历史数据/模型）。
优先级：影响早期保留（D1-D7）的改进几乎总是收入最高的。
6）保留细分
追逐队列：第0天的第一个内容/游戏类别/行为模式。
地理/平台/频道：UX和期望的差异；调整日历/假期。
行为/价值：RFM （Recency-Frequency-Monetary）,流出风险,盈利能力。
对刺激的反应：对离子/符号化的uplift反应段。
7）因果关系和实验
A/B：bording，tutorial，push策略；主要指标是重新D7/D14/D30，guardrails是投诉，响应时间，RG。
准实验：DiD/合成控制,当随机化是不可能的（例如区域性拔出）。
Uplift模型：针对收益增加而不是活动概率；评估Qini/AUUC。
8）重新激活： 触发器和策略
信号：频率下降，没有N日存款，支票异常低，没有第二届会议就完成了划船。
决策表（示例）
磁滞：信号的输入/输出阈值不同,以免出现"闪烁"。
频道：应用程序,push, e-mail, SMS,呼叫中心-具有极限和优先级。
9）保留度量
D1/D7/D30 (Rolling/Exact), WAU/MAU, Stickiness (DAU/MAU).
生存中位数/分位数；间隔的危险。
Reactivation rate (R30), Dormancy share.
ROMI重新激活，NNT（每1次返回有多少个联系人）。
公平：按国家/平台划分的指标差异；从策略中排除无效特征。
10）Dashbords保留
队列热卡+趋势线D1/D7/D30。
生存/危险图形按细分。
早期生活漏斗：install→reg→KYC→1-我igra→1存款。
操作图：signal→resheniye→kanal→iskhod（转换为返回）。
Guardrails：数据新鲜度、覆盖事件、投诉、RG指标。
11）数据和质量
事件：规范方案（UTC，版本），等效性，滞后性。
身份：用户/设备/电子邮件/电话-桥梁和金条目。
窗口和TZ：存储在UTC+本地视图中；一个假期日历。
过滤器：机器人/QA/frod-排除队列和活动。
测试指标："RET_D7_vN"与changelog。
12） Pseudo-SQL/蟒蛇食谱
滚动D30队列
sql
WITH base 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 d
FROM event_activity
),
roll30 AS (
SELECT b. cohort_day,
COUNT(DISTINCT b. user_id) AS cohort_size,
COUNT(DISTINCT CASE WHEN a. d BETWEEN b. cohort_day AND b. cohort_day + INTERVAL '30 day'
THEN b. user_id END) AS any_1_30
FROM base b LEFT JOIN act a ON a. user_id = b. user_id
GROUP BY 1
)
SELECT cohort_day, any_1_30::decimal/cohort_size AS rolling_d30
FROM roll30;Kaplan-Meier（草图）
python t_i - time to outflow or censorship; e_i - event indicator
S(t) = Π_{t_i ≤ t} (1 - d_i / n_i)Discrete-hazard（按日计）
python
For each user, create records before the event/censorship by day:
target = 1 if there was an outflow on that day; characteristics: calendar, activity, promo, etc.
Training logistic regression/GBM; forecast p_t - probability of outflow on day t.13） Uplift定向保持
区域：Persuadables（如果我们接触，将返回），Sure things（返回等），Lost causes，Do-not-disturb（接触会伤害）。
度量：uplift@k，Qini/AUUC；政治-按预算联系前K。
Guardrails： cap to contact频率,RG/道德,可解释联系原因。
14）操作操作
SLO： 重建达什堡更新≤ 06：00 lock。后期风险评分≤ 300毫秒；Decision→Action ≤ 5 с.
监视：沿段移动曲线，特征漂移PSI，"事件悬崖"。
Runibuki：D1（提取/发布）下降，D7（内容/频率）下降，本地通信渠道中断。
15）经常出错
单位（sessii↔polzovateli），TZ，活动窗口的混合。
Rolling和Exact指标之间的比较相等。
忽略机器人/朋友→夸大的D1/D7。
关于无因果关系的结论。
缺乏滞后/放电→接触疲劳。
没有与LTV的结合-我们优化CR，但没有价值。
16）保留路径发布前的支票清单
- 护照指标（活动触发器,窗口,TZ,版本）
- 按部门分列的队列报告和生存/危险报告
- 通道流出和uplift、caps和guardrail风险模型
- A/B和/或准实验干预计划
- Dashbords 新鲜/覆盖/投诉/RG
- Runibuki事件、滞后和政策中的限制性
- 与LTV和ROMI的固定韧带；按预期价值排列优先顺序
底线
保留分析不仅是"热卡队列"，而且是可管理的系统：正确的定义，生存/危险模型，价值关系，定向和道德干预，严格的效果评估和操作护卫。你建立了一个"观察→理解→决定→行动→学习"的循环，稳步提高LTV并减少流出。