Խաղացողների պահպանման վերլուծություն

Խաղացողների պահպանման վերլուծություն

Պահպանումը ապրանքի տնտեսության սրտն է. Որքան երկար է խաղացողը մնում ակտիվ, այնքան ավելի բարձր է LTV-ից, այնքան ավելի կայուն է եկամուտը և կանխատեսելի պլանավորումը։ Ներքևում ամբողջական շրջանակ է 'ճիշտ սահմանումներից մինչև գոյատևման մոդելներ և ռետրո ակտիվացում։

1) Սահմանումներ և հաշվապահական հաշվառման միավորներ

Միավորը 'խաղացողը (user/medter _ id) լռելյայն է։ կարճաժամկետ խնդիրների համար եկեք թույլ տանք «հաշիվ/սարք», բայց արձանագրեք դա մետրիկայի անձնագրում։

Ակտիվություն 'վերադառնալու չափանիշը (241 նստաշրջան/241 դրույքաչափ/241 դեպոզիտ) - տեղադրեք։

Retenshn Dn 'կոգորտի մասը, որը վերադարձվել է n-րդ օրը վերֆերենտ ամսաթվից հետո։

Rolling/Bracket: Rolling D7 (ցանկացած օր 1-7) vs Exact D7 (հենց 7-րդ օրը)։

Churn (արտահոսք) 'T օրվա մրցույթի գործունեության բացակայությունը (օրինակ, 14/30); սահմանվում է որպես կանոն ապրանք։

Կոգորտներ 'գրանցման/առաջին ավանդի/առաջին խաղի ամսաթվով ընտրեք մարքեթինգի/ապրանքի խնդրի տակ։

2) Ռուս վերլուծաբան 'կոորդինատներ և retention-կորեր

Կոգորտային ջերմային քարտեզներ ՝ D1/D3/D7/D14/D30/D60; ամբիոնները համեմատելի են թողարկումների և քարոզարշավների միջև։

Գոյատևման կորերը '0-ից N (survival curve)։

Կորի երկրաչափությունը 'արձակուրդների/ֆորումների «քայլերը»; վաղ «փլուզումը» բացատրում է ուռուցքաբանության խնդիրները, «երկար պոչը» ՝ հավատարիմ կորիզը։

Կեղծ-SQL 'cogore 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) Գոյատևումը և hazard մոդելը

Kaplan-Meier: survival (S (t) ոչ ճիշտ գնահատական; օգտակար է կորի ձևի վերացման և կյանքի մեդիայի համար։

Cox III/Accelerated Failure Time: բացատրված նշանների ազդեցության մոդելները (երկիր, ջրանցք, պլատֆորմ, բոնուսներ, բովանդակություն) hazard-ում (արտահոսքի ռիսկը)։

Medcrete-time hazard (logit օր) 'ճկուն սննդի վերլուծության և օրացույցի ավարտի համար։

«Ռե ակտիվացում» իրադարձությունը 'մոդելավորեք առանձին (competing risks) կամ որպես անցում Մարկովի շղթայում։

4) Մարկովի և Պոլումարկովի մոդելները

Վիճակը ՝ New Windows Activated Churned Pro Reactivated։

Անցումներ 'հավանականություն ժամանակահատվածի համար (օր/շաբաթ)։

Արժեքը 'բազմապատկեք Active-ում մնալու հավանականությունը միջին ստուգման/հաճախության վրա, կստանաք LTV-ի ակնկալվող ներդրումը։

5) Պահպանման կապը և LTV

LTV no Pro (Retention _ t no ARPU _ t)։

Առաձգականություն 'D7 աճը X p.p.-ում աճել է LTV աճը Y տոկոսով (պատմական տվյալներից/մոդելներից)։

Գերակայություն 'բարելավումներ, որոնք ազդում են վաղ պահպանման վրա (D1-D7), գրեթե միշտ առավել եկամտաբեր են։

6) Պահպանման հատվածը

Onbording-cogorts: Առաջին բովանդակությունը/խաղային կատեգորիան/վարքագծային տեսակը օրական 0։

Գեո/պլատֆորմ/ջրանցք 'UX և ակնկալիքների տարբերությունները։ ուղղեք օրացույցը/արձակուրդները։

Վարքը/արժեքը ՝ RFM (Recency-Frequency-Monetary), արտահոսքի վտանգը, շահութաբերությունը։

Դրդապատճառների պատասխանը 'uplift ռեակցիայի հատվածները օֆերի/նոտացիայի վրա։

7) Պատճառներ և փորձեր

A/B 'Onbording, Toutorials, ռազմավարություն; հիմնական մետրը D7/D14/D30 retenshn է, guardrails - բողոքներ, պատասխանելու ժամանակը, RG։

Quaziexperimens: DiD/սինթետիկ վերահսկումը, երբ ռանդոմիզացիան անհնար է (օրինակ, տարածաշրջանային արտանետումները)։

Uplift-մոդելները 'targetates աճի աճը, ոչ թե գործունեության հավանականությունը։ գնահատեք Qini/AUUC-ը։

8) Ռե ակտիվացում 'ձգումներ և քաղաքականություն

Ազդանշաններ ՝ հաճախականության անկում, N օրվա ավանդների բացակայություն, աննորմալ ցածր ստուգում, ավարտված ուռուցքաբանություն առանց 2-րդ նստաշրջանի։

Decision table (օրինակ)

Հիստերե)։ Տարբեր շեմեր/ազդանշանների համար, որպեսզի չխառնվեն։

Ալիքները ՝ in-app, 112, e-mail, SMS, զանգի կենտրոն 'rate-limit և գերակայություններով։

9) Metriks պահպանելու

D1/D7/D30 (Rolling/Exact), WAU/MAU, Stickiness (DAU/MAU).

Survival Median/quanali; azhard ընդմիջումների ժամանակ։

Reactivation rate (R30), Dormancy share.

ROMI-ի ակտիվացումը, NNT-ը (որքա՞ ն շփումներ 1)։

Fairness: Երկրի/պլատֆորմների տարբերությունները։ բացառեք քաղաքական գործչի անթույլատրելի նշանները։

10) Dashbords պահպանման

Կոորդինատային ջերմաչափը + D1/D7/D30 միտումների գծերը։

Survival/hazard գրաֆիկները հատվածներում։

Վաղ կյանքի 'install medreg no KYC 351-րդ խաղը 241-րդ դեպոզիտը։

Գործողությունների քարտեզը 'ազդանշան ռուսական որոշումը վերջնական արդյունքի (conversion to return)։

Guardrails: Տվյալների թարմություն, իրադարձությունների coverage, բողոքներ, RG-ազդանշաններ։

11) Տվյալները և որակը

Իրադարձությունները 'կանոնական սխեմա (UTC, վարկածներ), idempotention, dedup։

Ինքնությունը 'user/device/e-mail/հեռախոսը կամուրջներ և ոսկե ձայնագրություն է։

Պատուհաններ և TZ 'UTC + տեղական ներկայացումներ; արձակուրդների միասնական օրացույց։

Ֆիլտրեր 'բոտեր/QA/ֆրոդ, բացառեք կոգորտից և գործողություններից։

Մետրի տարբերակումը '«RET _ D7 _ vN» changelog։

12) Կեղծ-SQL/Պիտոն բաղադրատոմսեր

Rolling D30 կոորդինատներ

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 (ուրվագիծ)

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 (օրեցօր լոգիթ)

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-targeting պահպանումը

Գոտիները ՝ Persuadables (կվերադառնան, եթե մենք շփվենք), Sure things (կվերադառնանք և այլն), Lost causes, Do-entt-disturb (կապը վնասում է)։

Մետրիկները ՝ uplift @ k, Qini/AUUC; քաղաքականությունը, մենք կապում ենք առաջին uplift-ը բյուջեի համար։

Guardrails: cap շփման հաճախության, RG/էթիկայի, կապի պատճառների բացատրությունը։

14) Վիրահատական վիրահատություն

SLO 'retenshn-dashbord թարմացում 2406:00 lok; ռիսկի կարատենցիա 300 մզ; Decision→Action ≤ 5 с.

Տե՛ ս ՝ կորերի տեղաշարժը հատվածներով, PSI dreef նշաններ, «իրադարձությունների կոտրվածք»։

Ռունիբուկի 'D1 (onbording/Express), D7 (բովանդակություն/հաճախականություն), տեղական հաղորդակցման ալիքների ձախողումները։

15) Հաճախակի սխալներ

Միավորների խառնուրդը (խորհրդատվական օգտագործողներ), TZ, գործունեության պատուհաններ։

Rolling և Exact ցուցանիշների համեմատությունը հավասար է։

Բոտերի/ֆրոդի անտեսումը բացատրվում է D1/D7-ով։

Առանց պատճառահետևանքային ստուգման։

Հիստերեզիսի/կուլդաունների բացակայությունը հաստատեց շփումներից հոգնածությունը։

LTV-ի հետ կապ չկա 'CR-ի լավատեսությունը, բայց ոչ արժեքը։

16) Չեկ-թուղթ նախքան կանոնավոր պահպանումը

• Metric անձնագիր (ակտիվություն, պատուհան, TZ, տարբերակը)
• Կոգորթի հաշվետվությունները և survival/hazard հատվածները
• Արտահոսքի և uplift, գլխարկների և guardrails ալիքների ռիսկի մոդելները
• Պլանը A/B և/կամ quaziexperiments միջամտության համար
• Dashbords թարմ/coverage/բողոքներ/RG/RG
• Runibuki no, histereae և rate-limits քաղաքականության մեջ
• Պահպանելու կապը LTV և ROMI-ի հետ; գերակայություն ակնկալվող արժեքի վերաբերյալ

Արդյունքը

Պահպանման վերլուծությունը ոչ միայն «ջերմային քարտ» է, այլ կառավարվող համակարգը 'ճիշտ սահմանումներ, survival/hazard մոդելներ, կապ արժեքների, թարգետիկ և էթիկական միջամտությունների հետ, ազդեցության խիստ գնահատում և վիրահատական guardrails։ Դուք կառուցում եք մի ցիկլ «Դիտեք, թե ինչպես կարող եք որոշել, թե ինչ է կատարվում», որը կայուն բարձրացնում է LTV-ն և նվազեցնում արտահոսքը։