隊列分析
隊列分析
隊列分析根據單個啟動事件對對象（通常是用戶）進行分組，並比較它們保持活躍和價值的時間和時間。這種方法將系統中的時間效應（季節，股票）與隊列年齡效應（從開始的日子）分開。
1）基本定義
隊列（cohort）：由「出生」事件組成的眾多玩家-註冊，第一筆押金，第一場比賽，第一筆購買。
日歷軸（日歷時間）：實際日期（2025-10-01，……）。
隊列年齡軸（cohort age）：從「出生」（D0，D1，……）開始的日子/周。
保留度量：D1/D7/D30 （Exact and Rolling）、WAU/MAU、Stickiness （DAU/MAU）。
貨幣化：ARPU/ARPPU，累積的LTV（在D7/D30/D90上）。
核算單位：用戶（user/master_id）-記錄在護照上。
2）隊列種類以及何時選擇
Acquisition隊列：按註冊/首次訪問的日期-評估吸引和追趕渠道。
Activation/Monetization隊列：按首次存款/購買-評估早期貨幣化和促銷。
功能隊列：在首次使用fici/遊戲類別時,發布效果。
行為隊列：根據RFM/啟動模式（例如「夜間移動」）。
3）軸和網格： 如何觀察矩陣
隊列矩陣：行是隊列（日歷），列是年齡（D0…… D90）。
季節性：比較對角線（相同的日歷）以分離季節性影響。
正常化：相對度量（CR，分數）+累積度（LTV），顯示兩者。
4）隊列護照和指標（template）
5）Pseudo-SQL： retention矩陣（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天活動）
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）隊列LTV和貨幣化
累計LTV （Dn）：每個隊列用戶Dn的收入之和。
ARPU/ARPPU：每個用戶/Dn付款人的收入。
支付的百分比：≥1支付給Dn的份額。
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/危險以保持
Kaplan-Meier：非模型生存曲線（S（t））是非「解凍」的比例。
危險模型（每天Soch/logit）：特征（頻道，國家，平臺，獎金，內容）對流出風險的影響。
實踐：逐段構建KM，然後用危險模型解釋差異。
8）季節性,TZ和日歷
TZ：將事件存儲在UTC中，在本地TZ市場中進行分析；保持一致。
日歷：假期/薪水/比賽/發行-作為旗幟；比較類似星期的隊列。
滾動窗口：對於周/月隊列-假期和報告周期的倍數。
9）分割和歸屬
細分市場：吸引渠道，平臺/OS，地理，第一內容，價格/限制，支付方法。
隊列歸因：「誰引用」用戶-捕獲算法（最後不直接,數據驅動）。
LTV加權：不僅要比較CR,還要比較LTV （D30/D90）的頻道/段。
10）可視化
熱卡矩陣隊列（CR/LTV）。
趨勢線D1/D7/D30日歷。
生存/危險圖形。
Bridge「將LTV更改為D30」：付費，頻率，平均支票的貢獻。
11）實驗與因果關系
A/B：onbording，tutorials，paywall，offers。主要指標是D7/D30 retention和LTV（D30）。
準實驗：DiD/合成控制在市場上推出。
Uplift模型：瞄準重新激活的收益收益（Qini/AUUC，uplift@k）。
12）運營和Hovernance
轉化：「RET_D7_vN」，「LTV_D 30_vN」；更改活動/貨幣定義時的changelog。
SLO新鮮：每日隊列-準備到06：00 lock。數據差≤ 1小時。
質量：事件覆蓋，重復比例，機器人/同類人群之外的人群比例。
訪問：RLS/CLS，PII偽裝；導出-僅限聚合。
Runbooks： D1 （bording）、D7（內容）、事件/身份報廢。
13）經常出錯（反模式）
軸混合：比較不同季節不同年齡的隊列而未修正。
滾動vs Exact：被解釋為相同。
單位混合：分母中的會話，分子中的用戶。
聚合「平均均值」：代替分子/分母的總和。
忽略TZ/日歷： D1在天/假期邊界上的偏移。
沒有機器人/兄弟/QA過濾器。
未記錄的重啟：沒有身份橋的帳戶拆分/merge。
14）隊列報告發布前的支票清單
- 已定義出生事件,單位,TZ,活動窗口
- 不包括機器人/兄弟/質量保證；身份混合（金唱片）
- 構建了CR （Exact/Rolling）和LTV矩陣D7/D30/D90
- 包括日歷/假期；通道/平臺/地質部分
- 添加了生存/危險圖形和橋梁LTV
- 記錄指標版本和歸因算法
- 定制SLO新鮮度,監視覆蓋/重復/錯誤
- runbooks準備在D1/D7的瀑布和事件的懸崖上
底線
隊列分析是兩個軸和學科：固定的「出生時刻」，正確的窗口和TZ，保留矩陣和LTV，細分和因果關系更改檢查。這種方法不僅有助於觀察曲線，還有助於做出決定：在哪裏進行盤旋，擴展哪些渠道，哪些內容和離群值使玩家保持更長的時間並增加LTV。