球員保留分析
玩家保留分析
保留是產品經濟的核心：玩家保持活躍的時間越長，LTV越高，收入就越穩定，規劃就越可預測。下面是一個完整的框架：從正確的定義到生存模型和重新激活回路。
1）會計定義和單位
單位：玩家（user/master_id）-默認值；對於短期任務，可以使用「帳戶/設備」，但是將其固定在指標護照上。
活動：返回標準（≥1會議/≥1利率/≥1存款）-記錄。
重組Dn：參考日期後第n天返回的隊列比例。
滾動/碎片：滾動D7（在1-7的任何一天）vs Exact D7（恰好在第7天）。
丘恩（流出）：≥T天無活動（例如14/30）；指定為產品規則。
隊列：按註冊日期/首次存款/第一場比賽-選擇市場營銷/產品任務。
2）基本分析： 隊列和回歸曲線
隊列熱卡：D1/D3/D7/D14/D30/D60；發行版和廣告系列之間的對角線是可比的。
存活曲線：從白天0到N（生存曲線）的活動比例。
曲線幾何形狀：假期/發行版的「墊腳石」；早期的「崩潰」→爬坡問題，「長尾巴」→忠誠者的核心。
Pseudo-SQL： 隊列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）存活率和危險模型
Kaplan-Meier：非模型生存評估（S（t））；對於曲線和生命中位數的「消除形狀」有用。
Cox PH/加速失敗時間：可解釋的特征影響模型（國家，頻道，平臺，獎金，內容）對hazard（流出風險）的影響。
Discrete-time hazard（按天數排列）：靈活地進行雜貨分析,並使用日歷。
「重新激活」事件：分別建模（匹配風險）或作為馬爾可夫鏈中的過渡。
4）馬爾可夫和半馬爾卡模型
狀態：New → Active → Dormant → Churned → Reactivated。
過渡：期間（天/周）的概率。
價值：將「Active」中停留的可能性乘以平均支票/頻率-獲得對LTV的預期貢獻。
5）保留韌帶和LTV
LTV ≈ Σ （Retention_t × ARPU_t ×折扣）。
彈性：D7增加X個百分點→ LTV增加Y％（來自歷史數據/模型）。
優先級：影響早期保留（D1-D7）的改進幾乎總是收入最高的。
6）保留細分
追逐隊列：第0天的第一個內容/遊戲類別/行為模式。
地理/平臺/頻道：UX和期望的差異；調整日歷/假期。
行為/價值：RFM （Recency-Frequency-Monetary）,流出風險,盈利能力。
對刺激的反應：對離子/符號化的uplift反應段。
7）因果關系和實驗
A/B：bording，tutorial，push策略；主要指標是重新D7/D14/D30，guardrails是投訴，響應時間，RG。
準實驗：DiD/合成控制,當隨機化是不可能的（例如區域性拔出）。
Uplift模型：針對收益增加而不是活動概率；評估Qini/AUUC。
8）重新激活： 觸發器和策略
信號：頻率下降，沒有N日存款，支票異常低，沒有第二屆會議就完成了劃船。
決策表（示例）
磁滯：信號的輸入/輸出閾值不同,以免出現「閃爍」。
頻道：應用程序,push, e-mail, SMS,呼叫中心-具有極限和優先級。
9）保留度量
D1/D7/D30 (Rolling/Exact), WAU/MAU, Stickiness (DAU/MAU).
生存中位數/分位數；間隔的危險。
Reactivation rate (R30), Dormancy share.
ROMI重新激活，NNT（每1次返回有多少個聯系人）。
公平：按國家/平臺劃分的指標差異；從策略中排除無效特征。
10）Dashbords保留
隊列熱卡+趨勢線D1/D7/D30。
生存/危險圖形按細分。
早期生活漏鬥：install→reg→KYC→1-我igra→1存款。
操作圖：signal→resheniye→kanal→iskhod（轉換為返回）。
Guardrails：數據新鮮度、覆蓋事件、投訴、RG指標。
11）數據和質量
事件：規範方案（UTC，版本），等效性，滯後性。
身份：用戶/設備/電子郵件/電話-橋梁和金條目。
窗口和TZ：存儲在UTC+本地視圖中；一個假期日歷。
過濾器：機器人/QA/frod-排除隊列和活動。
測試指標：「RET_D7_vN」與changelog。
12） Pseudo-SQL/蟒蛇食譜
滾動D30隊列
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（草圖）
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（按日計）
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
區域：Persuadables（如果我們接觸，將返回），Sure things（返回等），Lost causes，Do-not-disturb（接觸會傷害）。
度量：uplift@k，Qini/AUUC；政治-按預算聯系前K。
Guardrails： cap to contact頻率,RG/道德,可解釋聯系原因。
14）操作操作
SLO： 重建達什堡更新≤ 06：00 lock。後期風險評分≤ 300毫秒；Decision→Action ≤ 5 с.
監視：沿段移動曲線，特征漂移PSI，「事件懸崖」。
Runibuki：D1（提取/發布）下降，D7（內容/頻率）下降，本地通信渠道中斷。
15）經常出錯
單位（sessii↔polzovateli），TZ，活動窗口的混合。
Rolling和Exact指標之間的比較相等。
忽略機器人/朋友→誇大的D1/D7。
關於無因果關系的結論。
缺乏滯後/放電→接觸疲勞。
沒有與LTV的結合-我們優化CR，但沒有價值。
16）保留路徑發布前的支票清單
- 護照指標（活動觸發器,窗口,TZ,版本）
- 按部門分列的隊列報告和生存/危險報告
- 通道流出和uplift、caps和guardrail風險模型
- A/B和/或準實驗幹預計劃
- Dashbords 新鮮/覆蓋/投訴/RG
- Runibuki事件、滯後和政策中的限制性
- 與LTV和ROMI的固定韌帶；按預期價值排列優先順序
底線
保留分析不僅是「熱卡隊列」，而且是可管理的系統：正確的定義，生存/危險模型，價值關系，定向和道德幹預，嚴格的效果評估和操作護衛。你建立了一個「觀察→理解→決定→行動→學習」的循環，穩步提高LTV並減少流出。