最近在與不少游戲開發(fā)者交流時發(fā)現(xiàn)，不少游戲開發(fā)者特別看重游戲的DAU/MAU，認(rèn)為這項指標(biāo)直接說明游戲的質(zhì)量如何，如果這個指標(biāo)的表現(xiàn)不好，就認(rèn)為這款游戲做的不好。
這種觀點是片面的，移動游戲的運營數(shù)據(jù)分析是一個比較復(fù)雜的工作，每項指標(biāo)都有其應(yīng)有的作用，并且各項指標(biāo)、維度，需要綜合評估。單憑一項指標(biāo)，就下定論，并不可取。這里，我們來簡單的分析一下，DAU/MAU究竟能為我們表達游戲運營中的哪些表現(xiàn)。 首先DAU/MAU這個指標(biāo)最早主要用在社交類游戲以及網(wǎng)站上，用于評估用戶粘性。隨著移動游戲數(shù)據(jù)化運營的不斷發(fā)展，目前這一指標(biāo)也逐漸開始使用在其他類游戲的用戶粘性評估上。 在討論這一指標(biāo)是否能夠比較有效的評估移動游戲用戶粘性之前，我們先來明確這一指標(biāo)中的兩個關(guān)鍵因素：DAU和MAU。參照《TalkingData移動游戲運營數(shù)據(jù)分析指標(biāo)白皮書》中對這兩項指標(biāo)的定義如下： DAU:：Daily Active Users日活躍用戶數(shù)，即每日登錄過游戲的用戶數(shù) MAU： Monthly Active Users 月活躍用戶數(shù)，即截止當(dāng)日，最近一個月[含當(dāng)日的30天]登錄過游戲的用戶數(shù)，一般按照自然月計算 DAU/MAU是以每日登陸游戲用戶為基準(zhǔn)，展示月活躍用戶中登陸游戲的用戶百分比，是一種計算玩家參與度的方法。 但是，如果我們只有DAU和MAU的數(shù)據(jù)并不能計算玩家留存率。因此這一指標(biāo)并不能直接反映游戲的用戶留存情況，但可以從用戶活躍的角度與用戶留存互為印證。 另外，由于游戲上線初期都會做各種形式的推廣以拉動用戶數(shù)量，因此有效的DAU應(yīng)該取3個月左右之后，游戲運營平穩(wěn)后的數(shù)據(jù)，才能有效展現(xiàn)真實的游戲內(nèi)用戶活躍情況。 那么，如何使用DAU/MAU對我們的游戲年度進行考量呢? 首先，我們來假設(shè)兩種極端的情況： 1. 所有用戶只登陸一次即流失 這種情況下，MAU=DAU之和，并且DNU(Daily New User)=DAU。在游戲已經(jīng)處于自然穩(wěn)定的情況下，每日的DAU近似相等，那么DAU/MAU≈1/30≈3.33333% 我們可以認(rèn)為這是DAU/MAU的下限。 2. 所有用戶天天活躍 這種情況下，MAU=DAU，那么DAU/MAU=1。 這就是DAU/MAU的上限。 不難看出，DAU/MAU的上下限介于3.33%到100%之間，但顯然這兩種情況現(xiàn)實中基本不可能出現(xiàn)。 就目前的實際情況來看，目前大多數(shù)移動游戲DAU/MAU在10%～30%之間。如果低于10%的話，游戲很可能已經(jīng)處于衰退期了;高于20%的則可以從一個側(cè)面反映出游戲的留存還不錯。 以下是兩款粘度不錯的游戲的DAU/MAU趨勢圖： 目前來看，一些成功的Facebook游戲擁有百萬級的用戶群，而其DAU/MAU通常介于10%～20%之間。雖然也有一些游戲的DAU/MAU比值甚至超過了50%，但其用戶規(guī)模卻較為有限。 這種游戲往往是受眾題材選擇比較單一卻擁有大批硬核玩家。 DAU/MAU確實能夠反映游戲的粘度如何。但并不精確，需要輔助其他指標(biāo)才能更完整全面的體現(xiàn)出游戲的用戶粘性。比如，一款新上線的游戲，在第一天有1000個玩家登陸，隨后在這1000人當(dāng)中，每天只有固定的100個人活躍。 這樣算下來DAU/MAU的值是0.1，顯示出玩家的參與度很低，但事實上這100個玩家的游戲參與度卻是100%。正是因為有日新登用戶(DNU)的存在，才會使得DAU/MAU是一項判斷玩家參與度的重要指標(biāo)。但也僅限于參與度。 所以正確理解DAU/MAU的意義是很重要的。DAU/MAU的值越高，那么毫無疑問，游戲的粘性很強，表示有更多的玩家愿意參與到游戲中;反之如果DAU/MAU的值很低并不能直接說這款游戲就是失敗的。 我們還需要結(jié)合活躍用戶數(shù)量、ACU、ARPU值、在線時長、付費轉(zhuǎn)化率等多個條件進行多維分析，才能得出結(jié)論。 所以說DAU/MAU并不能直接作為評判游戲是否合格的標(biāo)準(zhǔn)，DAU/MAU實際上是一項反映玩家參與度的指標(biāo)，不可忽略，亦不可完全依賴。
1.從DAU/MAU看游戲用戶粘性的觀點是片面的