“網賺”，百度百科對它的定義是指網絡賺錢，一般是利用電腦、服務器等設備通過Internet（因特網）從網絡上獲利的賺錢方式。在互聯網行業，“網賺”可以用於新聞，比如看新聞賺錢的模式；用於金融，比如一些P2P模式；用於遊戲，比如近期大火的“網賺遊戲”。
在遊戲市場上，網賺遊戲是一類特殊的存在，一些人面對它持續霸榜的現象忍不住下水嘗試；一些人卻不認可“它屬於遊戲”。所以，所謂網賺遊戲吸引的更多並不是遊戲玩家，而是下沉市場的“想賺錢”的人羣。針對“網賺遊戲”這個特殊品類，雖然爭議很多，但火熱程度也讓人不能忽視。
既然“網賺”模式應用到了“遊戲”中，那我們還是可以從遊戲數據分析的角度來做一番解讀。
一款靠廣告變現的遊戲上線後是否值得加大預算投放市場，測試期的數據很關鍵，用於指導產品經理優化用戶留存及變現場景設計。待優化ROI>1後，進入用戶增長期，只要控制好渠道用戶質量和獲客成本，這款遊戲的流量生意便成功了。
毫無疑問，留存率是衡量產品質量的最基礎最關鍵的指標之一，畢竟用戶留存下來收入纔有可能嘛。今天就來和大家分享一套我們基於網賺遊戲的運營模式，總結出來的可複用的提升用戶留存率的方法。
「本文使用數數科技的數據分析平臺 ThinkingAnalytics（以下簡稱 TA 系統），部分數據爲脫敏數據或 DEMO 數據，不具備真實運營參考價值」
場景 1 ：投放初期，如何優化用戶流失前最後一個行爲場景
此方法適用於遊戲投放初期，需收集 7 天以上的用戶行爲數據，重點分析用戶退出遊戲前最後一個行爲場景，降低用戶流失率即達到了提升留存率的目的。
遊戲 A 背景說明：答題闖關+網賺遊戲，投放測試期 8 天，日新增 400+。次留存處於 30%-35% 之間，3 留 15%-20% ，次留、3 留均不及格，需儘快提出優化方案，否則有停投風險。以下是針對性進行優化的分析過程：
▍第一步：快速找到用戶流失原因
快速定位用戶流失原因，是提升留存的必要條件。
遊戲 A 流失用戶定義：根據 3 日未活躍用戶的召回推送點擊率和領取召回獎勵的比例低於 0.5%，因此定義 3 天內未活躍的用戶爲流失用戶。
首先，通過【用戶分羣】功能，新建一個條件分羣，將最後一次活躍時間是在 3 天前的用戶定義爲“流失用戶人羣”；
再使用【屬性分析】功能，查看流失用戶羣在流失前的最後一個事件行爲主要集中在哪些事件；
由此，我們得出結論，即關卡難度、紅包金額和獲取體力場景的廣告是造成用戶流失的主要原因。
▍第二步：提出留存優化策略對症下藥
通過以上 2 步，我們快速定位到了用戶流失的原因，逐一解決即可提升留存。以下是具體的優化方案：
1. 更換流失率較高的關卡
針對關卡難度問題，使用 TA 系統的【屬性分析】功能確認流失用戶關卡分佈，找到凸點後，安排運營更換流失佔比較高的關卡題目。
2. 優化紅包策略
針對紅包金額導致用戶流失的問題，通過分析留存超過 3 天的用戶第一天的紅包金額可以瞭解到，新增用戶首日獲得金額 > 8 元留存率超過 80%，因此需將紅包在關卡中前置，讓用戶更容易得到紅包從而建立提現信心。
3. 優化體力卡點
針對體力場景流失原因，通過查詢玩家離開遊戲時的體力分佈，可看出體力值爲 0、1、2、3、4 的各用戶數如下圖。結合體力恢復推送的點擊率在 8% 左右，我們可以得出結論：有 75% 的用戶在體力爲 0 時選擇退出遊戲，等待體力恢復後繼續遊戲。
因此我們的優化策略是：給新用戶體力大幅度提升，次日恢復正常。讓新用戶首日能更加深入的體驗遊戲的樂趣，達到上癮目的，提升第二日留存。
通過 A/B 測試，我們發現，不僅留存提升，而且還變相增加了其他場景視頻廣告的請求數量，促進了 ARPU 的上升。
▍第三步：優化效果驗證，數據會說話
以上優化策略上線後測試 3 天，很快便驗證了數據分析的價值：新用戶留存提升了 10%，5 關、10 關通關率分別提升了 10% 和 5% ，人均日使用時長增加了 10 分鐘，用戶的活躍深度、留存意願都達到了優秀投放產品的數據指標。
場景 2 ：增長期，如何找到產品的 Aha Moment
此方法適用於遊戲增長期，用戶量越多越有助於分析出遊戲中激勵用戶留存下來的的關鍵行爲，提煉出忠實用戶的共同行爲特徵，從而引導更多用戶完成該行爲來達到提升留存的目的。
遊戲 B 背景說明：消除+網賺遊戲，用戶增長期，日新增 2000+，合理控制成本下獲取更多用戶，注重用戶質量。
相信大家都聽過“Aha Moment”，用《增長黑客》裏面的定義，Aha Moment 實際上就是用戶接觸產品後的一些特定行爲，這些特定行爲對於產品留存率有着決定性的影響，可以說是產品爆發的拐點。最典型的案例就是 Facebook把新註冊用戶在 10 天內關注 7 個好友，作爲 Facebook 的 Aha Moment。原因是 Facebook 在對用戶行爲進行分析後發現，好友數是影響用戶留存和活躍的關鍵指標。
每一款產品的 Aha Moment 都不同，如何使用數據分析快速找到你 Aha Moment 呢？
▍拆解新用戶進階路徑的關鍵行爲，製作多個自定義留存報表
以遊戲 B 爲例，新用戶通過各渠道下載了 APP 之後的行爲路徑見下圖：
根據以上行爲路徑，拆解出影響用戶留存的關鍵行爲，並新建多個完成不同行爲的用戶留存報表。
-
完成 10 關用戶留存報表（遊戲上癮對留存的影響）；
-
領取 3 個/ 5 個闖關紅包留存報表（紅包數量對留存的影響）；
-
完成簽到行爲留存報表（簽到活動對留存的影響）；
-
紅包挑戰成功1次以上的用戶留存報表（紅包挑戰玩法對留存的影響）；
-
領取分時段紅包留存報表（分時紅包對留存的影響）；
對比不同行爲留存報表，找出與留存相關性最強的行爲，可初步認定該行爲是產品的 Aha Moment。
▍加強用戶行爲引導，通過 A/B Test 驗證因果性
通過對比分析，我們可以看出“參與紅包挑戰成功 1 次以上”的用戶留存報表，次留曲線 60%，3 留40%，7 留20%，留存率遠高於平均留存率。因此我們需要圍繞着“如何提高用戶參與紅包挑戰的成功率”提出優化留存策略：
-
首頁強化【紅包挑戰】入口
-
降低紅包挑戰題目難度
-
延長挑戰時長
-
進入遊戲時贈送道具
上線2天后，對比數據發現新用戶挑戰人數佔比提升 5%，挑戰成功率提升 20%，新用戶留存也上升了 3%，驗證了改優化策略有效，接下來就可以面向全量用戶更新此策略。
以上 2 種提升用戶留存率的分析方法，分別是根據當前用戶規模和數據量使用了 TA 系統的【用戶分羣】【屬性分析】【事件分析】【分佈分析】【自定義留存】等分析模型，通過降低用戶流失和提高用戶轉化行爲的方法來提升留存。
雖然本文是基於“網賺遊戲”的運營總結出的提升用戶留存的方法論，對不同遊戲產品來說需要構建的數據指標也不太相同，但數據分析的思路都是可借鑑的。對於休閒、超休閒類的小遊戲來說，別人在拼野蠻增長的時候，我們換個角度，用體系化、精細化的運營模式來驅動增長，會有意想不到的驚喜。