研究目的：找到用戶次日留存影響因素，創建客戶畫像，構建留存用戶預測模型。

結論：對于數據集來說，我們首先考慮渠道gb_guangdiantong可能存在刷單操作。對于模型來說，游戲活動，使用app時長，注冊時間，綁定賬戶，下載渠道等因素對模型具有顯著影響。客戶畫像：注冊時間較短，app停留時間及app打開次數均位于中游——潛在用戶；注冊時間同樣較短，但各項指標均明顯高于其余兩項——核心用戶；注冊時間較長，但其余各指標均低——大眾用戶。預測模型見附件(已保存為.xml格式文件，spss軟件可直接調用)。

分析流程：

一．數據處理

上圖可以看出該軟件總下載渠道共200+，有些渠道下載人數過少，較為冗余，所以先將各小渠道屏蔽，研究各大渠道之間差異。

如圖可以看出gb_baidu，gb_douyin，gb_qutoutiao，gb_withdraw等渠道數據量過少，gb_guangdiantong渠道數據過多，不排除這幾個渠道對總體數據模型產生影響。

二．總體描述

1.次日是否登陸

有效統計量188057，缺失0，次日登陸人數占比39.2%。

2.渠道分析

我們首先考慮將數據過少或過多的下載渠道屏蔽，觀察模型效果。

可以看出來除了gb_invite渠道之外，其他渠道流失均大于留存，且流失率基本無差異，但gb_invite該渠道留存大于流失，有些特殊，但由于數據較少無法確定明顯特征，可以提高該渠道投入量，提高數據量，觀察數據是否符合規律。

可以看到有0單元格期望計數小于5，所以Pearson卡方可以使用，p值小于0.05，各個渠道之間次日留存率有差異。

接下來研究所有渠道下數據特征，取消之前屏蔽掉的數據量過少的渠道。

可以看出由于gb_guangdiantong該渠道數據量過大，導致其他渠道數據體現不明顯，但還是可以看出該渠道流失留存比例明顯與其他渠道不同，流失用戶遠遠多于留存用戶，可以加以深入研究，不排除該渠道下有刷單行為。

接下來看交叉表，由于6單元格期望小于5，所以采用fisher精確檢驗，可以看出所有渠道間仍存在差異。

3.注冊日期分析

由上圖可以看出，以上幾個注冊日之間，每天注冊人數差距不大，且流失均大于留存。

上圖p值小于0.05，不同日期注冊的客戶注冊次日流失留存之間存在差異。

4.綁定賬戶分析

可以明顯看出綁定方式為1的賬戶最多

上圖表明不同綁定方式用戶流失留存間存在差異。采用方式一進行綁定的用戶次日登陸率較高。

三．流失分析

上圖為采取因子分析提取三個因子后的各因素抽取比例，可以看出除了停留時長及金幣總額兩個因素之外，其余因素提取率都達到了85%以上，模型較為優秀。

KMO檢驗值為0.827，遠大于0.5，可以繼續進行后續分析。

可以看出三個因子共解釋了因變量變化的88.198%，較為充分。

根據因子分析結果，判斷第一個因素為游戲活動因素，第二個為使用app時長因素，第三個為注冊時間因素。

四．歸因分析

可以看出游戲活動，使用app時長，注冊時間，綁定賬戶，下載渠道等五個因素對第二天是否登陸有明顯影響，其中最重要的因素是游戲活動與使用app時長。

五．用戶聚類

將用戶分為三類：

第一類注冊時間較短，app停留時間及app打開次數均位于中游，將之劃分為潛在用戶。

第二類注冊時間同樣較短，但各項指標均明顯高于其余兩項，劃分為核心用戶。

第三類用戶注冊時間較長，但其余各指標均低，故劃分為大眾用戶。

判別結果正確率為97.9%，類別真實存在，核心用戶特征明顯。

接下來對分類結果進行卡方檢驗。

從上圖可以看出，不同用戶類群之間存在顯著擦差異，核心用戶次日登陸率遠遠高于潛在用戶與大眾用戶，但核心用戶人數較低。

對用戶類型與綁定方式做對應分析。

可以看出核心用戶和潛在用戶與綁定方式1關系較為密切，大眾用戶則與綁定方式0，2關系較為密切。

六.預測

上圖可見，分類標準值為0.12時，對第二天登陸玩家的預測率達到了98.5%，模型整體正確率43.5%，該模型可以保證第二天有登陸可能的用戶基本全部被抓取，但為了減少工作量，我們可以進一步優化。

在將分類標準值調整為0.238時，對第二天登陸玩家的預測率達到了88.1%，

模型整體正確率61.4%，同時省下了約三分之一的工作量，模型達到最優。

禁止轉載

總結

以上是生活随笔為你收集整理的node爬取某app数据_某APP次日留存数据报告的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。