小白学数据分析:怎么做流失分析
最近看了很多关于流失分析的文章，也构建了一些模型，流失这个问题看似有些让人抓不住一根主线来做，这几天也有几个朋友问我怎么来做流失的分析，但是最近工作变动，外加上很忙，就没有很好的跟他们说说这个问题。说到流失分析，很多人都知道使用决策树算法，C5.0、Chaid、Quest或者贝叶斯，也有用聚类分析的，总的来说流失分析的方法很多，但这些都是技术层面的，也算不上是一个流失模型。
前几天看到一篇文章来讲述怎么分析永恒之塔的流失（http://www.dmacn.com/viewthread.php?tid=31&extra=page%3D1），方法和过程真的很不错，不过流失分析远比这个还要多，其原因在于，那篇文章中，作者是选取了1-10级的新手作为研究对象，而实际上，流失分析面向的对象不仅仅就是新手（废话，谁都知道！），这句话是句废话，现在看，做数据分析的都明白，然而一旦真的做数据分析，研究流失率时，往往就忽略了我们要对那些人进行流失分析，眉毛胡子一把抓。
早先写过一篇关于流失分析设计的文章（http://www.cnblogs.com/yuyang-DataAnalysis/archive/2012/04/17/2454180.html），但是后来反映设计的过于复杂和繁琐，没必要这么分析。其实，我觉得很有必要。流失分析不是你信手拈来就开始做你的流失分析的。在之前的文章中，主要设计的是历史用户的流失分析方式，把历史用户的流失分成了留存、沉默、流失、回流、植物等几类情况，实际上这种分类的形式是由玩家的游戏生命进程（生命周期）决定的，原因我觉得有以下几点：
- 游戏进程不同，用户的反馈不同；
- 不同阶段的流失用户，不同的挽留措施；
- 不同生命进程，流失用户特征不同。
正如文章所言，流失分析很多情况下只是告诉你谁会流失，流失的人有什么特征，而这两点对应的是流失分析的两个方面：
1． 谁会流失->流失用户的预测，告诉你流失的可能；
2． 流失特征->流失用户的特征，告诉你流失的特征。
而流失分析最终的目的是通过这两点，仅仅结合业务分析流失的原因（再好的算法，模型不会告诉你原因），而解决了谁会流失，流失特征，流失的原因，那么就可以进行挽留措施的实施，到此一个完整的流失分析闭环才形成。
形成闭环的原因在于，新的一批用户会继续检验我们的流失分析模型，我们希望在同样的游戏进程时期或者状态下，能够通过不断的修正模型，使之具有普适性。这样的一些模型最后组合起来，就可以比较全面的描述玩家不同的游戏生命进程的流失特征。当然这需要不断的实验和分析，因为用户的质量也是要考虑的。最后，建立在反复使用模型分析的基础上，得到显著性的模型框架。
而这个过程中，值得我们注意的是，往往我们很多时候做的是这其中一小部分，而我们恰恰把这一小部分放大认为是流失分析的全部，比如我们做了40级-50级的流失用户，找出流失用户可能性，流失特征，但是往往忽略做一些挽留的措施，挽留的措施有的是软性的，比如通过活动，奖励等实施，也有通过更改系统设计来弥补，但是这要看你做的流失分析用户流失的严重程度，换句话说如果这一阶段的流失是一部分客群引起的高流失，而这部分客群不代表我们整体客群（流失客群的特征与之前历史客群在该阶段流失特征不符合，那么这就不是系统设计的因素造成的），此时就不能轻易使用更改系统设计的办法，多数情况下采取软性的手段，帮助用户过度。
然而，回头来看，站在一个高度来看我们是根据了玩家的游戏进程到什么阶段（处于的状态）来确定我们的流失分析对象和方法的。
看了永恒之塔的流失分析我发现，之前的针对新手的流失分析没有深入的做过研究，PRARA模型关注的很多也是用户保有留存的问题，可以看得出一批新用户，我们关注更多的是留存问题，而那些历史用户我们关注的流失问题。
针对用户流失的设计我们大概有月流失，周流失，沉默，然而我们在这块的分析远远没有达到一个高度，毕竟我们的收入主体还是来源于这些历史用户，本身来说付费转化，游戏学习成本都很低了，专注这些用户，做好挽留发挥的效益更大。
然而新用户正如文章也提及的情况，新用户对游戏的学习，操控，熟悉还不完全，即使我们获取了信息，流失特征，流失可能性，大概我们想找出来玩家为什么还是会离开难度就会比较大，即使我们有最好的新手体验流程和新手缓冲期，但不能避免的用户流失（当然这不是说新用户的留存、流失分析不重要）。然而反过来当玩家游戏生命周期进入稳定期或者提升期，却面临了很大的流失，那么我们获取流失特征，分析流失可能性，最后做出挽留得到的效益远远大于新手的流失分析。