遊戲玩家
1 新增玩家
1.1 新增裝置啟用：當日新增加的啟用裝置量。新增玩家賬戶：當日新增加的玩家帳戶數
1.2 玩家轉化：安裝遊戲的玩家中（即啟用裝置）有註冊賬戶的玩家比例，1人多次註冊，只記1次有效轉化。例如：共5臺啟用裝置，其中3臺每人1次註冊，1臺沒有註冊，1臺註冊了3次賬戶，共註冊了6個不同賬戶；註冊轉化率=（3+1）/5=80%，而不是用6次註冊/5臺裝置
1.3 單裝置賬戶數量分析（小號分析）：您所選時間內啟用的裝置，到當前為止的註冊賬號數目分佈情況。通過小號分析能幫助瞭解多少比例的裝置會反覆註冊多個賬戶，多少比例至今還未進行註冊，分析刷小號情況
1.4 玩家賬戶型別：新增玩家帳號的帳戶型別分佈情況。比如遊戲廠商自有賬號、匿名賬號、QQ賬號、新浪微博賬號等等
1.5 地區：新增玩家帳號的地區分佈情況
1.6 渠道：新增玩家帳號的渠道分佈情況，每個玩家始終歸入首次裝置啟用時的渠道。比如iOS、安卓
1.7 性別：新增玩家帳號的玩家性別情況，根據您的遊戲中傳入的性別確定玩家的性別
1.8 年齡：新增玩家帳號的年齡分佈情況，根據您傳入的年齡確定玩家的年齡段
2 活躍玩家
2.1 DAU（Daily Active User）日活躍使用者：在當天登入過遊戲的使用者。有效反映和衡量一款遊戲核心使用者數。
2.2 WAU（Weekly Active User）周活躍使用者：當日的最近一週（含當日的倒推7日）活躍玩家，將進行過遊戲的玩家按照帳戶進行排重。
2.3 MAU（Monthly Active User）月活躍使用者：當日的最近一月（含當日的倒退30日）活躍玩家，將進行過遊戲的玩家按照帳戶進行排重。
2.4 DAU/MAU：可體現玩家的總體粘度，衡量這30天內每日活躍玩家的交叉重合情況。此比例越趨近於1，代表月活躍中有更多玩家多日活躍；比例越趨近0，則代表大量玩家只在一日中活躍。當比例小於0.1時，遊戲的自傳播性將很差。DAU/MAU×30也用於大致衡量玩家平均每月活躍天數。
2.5 活躍玩家已玩天數：所選時期的活躍玩家的活躍日期減新增日期的日數差（即其已進行遊戲的天數）的分佈情況。
2.6 活躍玩家等級：所選時期每日活躍玩家的等級分佈情況，由每日資料組成的時期趨勢可觀測等級的總體走勢。
2.7 活躍玩家地區：所選時期排重活躍玩家的地區分佈情況。
2.8 活躍玩家渠道：所選時期排重活躍玩家的渠道分佈情況，渠道按照其最初新增時的渠道確定。
2.9 活躍玩家性別：所選時期排重活躍玩家的性別情況。
2.10 活躍玩家年齡：所選時期排重活躍玩家的年齡分佈情況。
3 玩家留存
3.1 新增賬戶留存率：某日新增的玩家/裝置中，在該日後的第N日中，還有進行遊戲的玩家/裝置比例。
例如：5月3日新增玩家為100人，這100人中有24人在5月10日這一天內還有玩過遊戲，5月3日的7日留存率=24/100=24%
3.2 啟用裝置留存率：某日新增的玩家/裝置中，在該日後的第N日中，還有進行遊戲的玩家/裝置比例。
例如：5月3日新增玩家為100人，這100人中有24人在5月10日這一天內還有玩過遊戲，5月3日的7日留存率=24/100=24%
3.3 留存使用者分析：
使用者群：次日留存使用者，7日留存使用者，30日留存使用者
分析方式：新增日的等級，新增日的遊戲次數，新增日的遊戲時長，新增日是否付費，玩家性別，玩家年齡。
4 付費轉化
4.1 新增付費玩家：當日新增加的充值玩家。
4.2 累計付費玩家：截至當日，累計的充過值的玩家數。
4.3 總體付費率：截至當日，累計付費玩家佔累計總玩家的比例（累計付費玩家/累計玩家帳戶）。
4.4 新玩家-首日付費率：所選時期的新增玩家中，在新增當日即進行充值的玩家數和其佔比。
4.5 新玩家-首周付費率：某自然週中進行付費的玩家（排重）佔該自然周活躍玩家的比例。
4.6 新玩家-首月付費率：某自然月中進行付費的玩家（排重）佔該自然月活躍玩家的比例。
4.7 新玩家首付的遊戲天數：所選時期內的新增付費玩家，按照其已經玩遊戲的天數（首付日期-新增日期）進行分佈。
4.8 新玩家首付的累積遊戲時長：所選時期內，玩家首次付費時在遊戲中累計的遊戲時長分佈情況。
4.9 玩家首付等級：所選時期內，玩家首次付費時的等級分佈情況。
4.10 玩家首付金額：玩家在遊戲中首次充值時，支付的單比金額的分佈情況。
4.11 首付充值包型別：玩家在遊戲中首次充值時，所選擇的充值包的型別分佈情況。
DAU
DAU 日活躍使用者(Day Active User)：在當天登入過遊戲的使用者。有效反映和衡量一款遊戲核心使用者數
DAU分類
•新使用者：當天註冊的使用者 此分類視具體產品而定，但對DAU細分是為了看使用者群體大體情況
•7天活躍使用者：7天內登入過的使用者。如7月10日DAU中的7天活躍使用者是指7月10日登入過遊戲，並且在7月3日至7月9日曾經登入過遊戲的使用者。
•迴歸殭屍使用者：7天前沒有登入過遊戲的使用者（不包括新使用者）。如7月10日DAU中的迴歸殭屍使用者指的是7月10日登入過遊戲，但是在7月3日至7月9日沒有登入過遊戲的使用者。
DAU/MAU 日活躍使用者和月活躍使用者進行比較來看使用者每月訪問遊戲的平均天數是多少。如果遊戲擁有50萬DAU，100萬MAU，其DAU/MAU比值就是0.5，也就是說玩家每月平均體驗遊戲的時間是15天，說明遊戲粘度比較強。 DAU/MAU比例是社交遊戲的重要引數，同社交遊戲成敗息息相關。一般最低極限是0.2。這保證遊戲能夠達到臨界規模的病毒式傳播和使用者粘性。
每日流失使用者 • 當天登入，後續7天內不登入遊戲。如7月10的DAU中，在7月11日至7月17日不登入遊戲的使用者。[可分為新使用者，有效活躍使用者和迴歸殭屍使用者來求]
新使用者
次日留存（率） •註冊後第二天登入遊戲的使用者。如7月10日的新使用者中，在7月11日登入遊戲的人數。
三日留存（率） 兩種方式：
•點三日留存：註冊後第三天登入遊戲的使用者。如7月10日的新使用者在7月12日登入遊戲的使用者。
•區間三日留存：註冊後三天內登入過的使用者。如7月10號的新使用者在7月11號-13號登入過的使用者
7日留存（率） 兩種方式：
•點7日留存：註冊後第七天登入遊戲的使用者。如7月10日的新使用者在7月16日登入遊戲的人數。
•區間7日留存：註冊後七天內登入過遊戲的使用者。如7月10號的新使用者在7月11號-7月17號登入過的使用者。
流失（率） •留存的反義詞。即不登入遊戲的人數。
新手引導轉化率 新手引導每一步的轉化率=進行本步的使用者除以進行上一步的使用者
新手無操作（率） •新手無操作率=無操作的新使用者數/總的新使用者數。
•各平臺的定義都不同。一般情況下，指的是沒有完成載入過程，或者是無任何操作的新使用者。(具體定義方法由各平臺確定)
WAU
WAU •周活躍使用者(Weekly Active User)：周活躍使用者，在一週之內登入過遊戲的
WAU細分
•忠實使用者：連續三週登入的使用者 這個分類只能據具體情況而定，且結果僅為了檢視使用者的型別結構。具體情況依不同產品而定。
•迴歸殭屍使用者：本週登入過，上週沒有登入過的使用者
•留存殭屍使用者：WAU-迴歸殭屍使用者-新使用者-本週新使用者
•新使用者：本週註冊的使用者
•留存新使用者：上週註冊且本週登入的使用者
WAU細分（登入頻次）
•輕度使用者：每週登入1~2次的使用者。 這個只能是對周使用者的一般結構解釋
•中度使用者：每週登入3~5次的使用者。
•重度使用者：每週登入6~7次的使用者。
**注：登入次數是1次/天
周流失率 本週登陸下週不再繼續登陸的使用者
各級別周流失率 本週各級別使用者在下週不再繼續登陸的使用者
流失使用者級別分佈 本週登陸下週不在繼續登陸的使用者在本週的級別分佈
忠誠使用者數量 本週登陸3次以上（當天重複登陸算一次），最高角色等級超過15級，線上時長超過14小時的使用者 視具體遊戲情況而定
忠誠度 忠誠使用者數量/WAU*修正值（新進人數的變化比例）
忠誠流失率 本週忠誠使用者下週未繼續登陸的使用者/本週忠誠使用者
轉化率 本週登陸的使用者在下週轉化為忠誠使用者的比例
MAU
MAU 月活躍使用者(Monthly Active User)：月活躍使用者，在一個月之內登入過遊戲的。使用者測量一款遊戲的總體範圍水平
高活躍使用者 每月規定超過一定規定的線上時間的使用者
嘗試使用者 未達到高活躍使用者且未消費的使用者
MAU細分
•新使用者：本月註冊的新使用者 僅為了檢視MAU使用者基本結構
•上月活躍使用者：上個月登陸過在本月繼續登陸的使用者
•迴歸流失使用者：上個月之前登陸過但在上個月流失掉，本月重新繼續登入的使用者
WAU細分：登陸頻次 登陸一天算一次；高活躍使用者的定義
使用者線上
CCU：實時線上曲線
平均線上時長 平均線上時長=總的線上時長/總登入人數
ACU（Average concurrent users）:平均同時線上人數。如果每5分鐘採集一次瞬時的線上玩家數，一日中全部採集點的平均值即ACU。一天當中就會有60/5*24=288個點構成一個線上人數曲線.
每小時線上人數 每個小時的登入使用者數。
每小時註冊使用者 每個小時註冊的使用者數
PCU（Peak concurrent users ）：最高同時線上玩家人數。如果每5分鐘採集一次瞬時的線上玩家數，一日中最高的一個值即ACU
ACU/PCU：通常稱為線上平高比，比值越大則每日線上越平穩，玩家活躍時間更長，遊戲伺服器也更有效率；而極低的平高比則意味著玩家集中上線，但總體活躍性並不強。某些限時活動可能會拉低平高比，但屬正常情況
病毒性
傳送邀請人數 時間段內，成功傳送邀請的使用者數
接受邀請人數 時間段內，收到邀請信的使用者，點選了接受邀請
傳送率 傳送邀請人數/活躍使用者數
接受率 接受邀請的使用者/收到邀請的使用者；點選接受的信數/接受到邀請的信數
K-Factor K-Factor=（感染率）X（轉化率）。用於衡量產品的病毒傳播率。感染率是形容某個使用者向其他使用者傳播遊戲的程度。轉化率是指將感染使用者轉化成新註冊使用者的比例。 1KFactor表示平均1個使用者帶來1個新使用者。KFactor越高，社交遊戲發行商越受益，因為這是個獲取新使用者的有效工具。
被邀請使用者比例 每天新使用者中，被邀請來的使用者佔新使用者的比例
付費/充值
APA：付費使用者 時間段內有過付費行為的使用者數量
付費額 時間段內付費使用者消費總額
ARPU值 時間段內，消費額除以活躍使用者數。日ARPU值：日消費額除以DAU；月ARPU值：月消費額除以MAU 用來衡量每一使用者帶來的平均收益
ARPPU值 時間段內，消費額除以付費使用者數。日ARPPU值：日消費額除以日付費使用者；月ARPU值：月消費額除以月付費使用者。 使用者衡量已轉化成付費使用者的那部分使用者，帶來的平均收益
付費率 時間段內，付費使用者數除以活躍使用者數。日付費率：日付費使用者除以DAU；月付費率：月付費使用者除以MAU
LTV 新使用者後續付費能力指標。例如：14日LTV是指今天註冊的新使用者在後續14天內付費額除以註冊的新使用者數
新增付費使用者 日新增；周新增；月新增
付費使用者流失數量 本週付費使用者下週未登陸的使用者;依次，可算月付費流失使用者數量
付費流失率 本週付費使用者下週未登陸的使用者比例；依次，可算月付費流失率
註冊轉付費 某一天註冊的使用者在一週後付費的使用者數量及比例(其實就是7天LTV)
活躍付費使用者 視遊戲情況而定
使用者終生價值 Kontegent公式：使用者終生價值=1/（1-K）X日ARPU X使用者壽命（使用者平均生命週期：累計，非連續）。
流失
前期流失率 使用者從進入遊戲到消費階段之時間內，流失的使用者站全體使用者的比率。 這是指社交遊戲活躍使用者的更換率。社交遊戲的活躍程度很高，其使用者基礎變幻莫測，這是因為玩家時常放棄體驗某款遊戲或刪除遊戲。使用者流失指的就是使用者持續增損
自然流失率 使用者在進入付費期後，流失的比率
使用者自然增長率 可用等級來度量
一般流失率 每日流失使用者、周流失率，月流失率（前面有）
使用者自然增長率 可用等級來度量