使用者流失分析的兩大誤區:“辛普森悖論”和“倖存者偏差”
因為,即使是在同一款遊戲中,既有比其他人更重視遊戲內排名的使用者,也有比起競爭、認為用包裝角色更有價值的使用者,情況多樣。因此,詳細的資料分析是很重要的。
第一個錯誤“辛普森悖論”:在某個條件下的兩組資料,分別討論時都會滿足某種性質,可是一旦合併考慮,卻可能導致相反的結論。
假設有一款名字為A的遊戲,為把握遊戲A今後的發展方向,分析留存率圖表是非常重要的事情。但在這裡,如果只分析下圖中兩類使用者的流失曲線,就很容易發生辛普森悖論。
如下圖,隨著時間的推移,兩類使用者在慢慢流失,呈現出了不同的曲線。如果只根據這兩類玩家的流失資料制定對策,就會顯得缺乏針對性。
因為,如果按照消費習慣對使用者進行細分,可以看出每個分類下使用者的流失曲線都有著明顯的差異。因此,如果開發者能更全面一些,對使用者進行更細化的劃分,可以更容易地瞭解不同型別的使用者不喜歡什麼,以及為防止流失應該採取什麼方法。
第二個錯誤是“倖存者偏差”:經過某種篩選而產生的結果,但沒有意識到篩選的過程,因此忽略了被篩選掉的關鍵資訊,進而得出錯誤的結論。
最具代表性的案例就是二戰時,安全返回的戰鬥機的機翼和機尾處有很多彈痕,英美軍方決定哪裡彈痕多就加固哪裡。然而,一個統計學家力排眾議,指出應該注意彈痕少的部位,因為要把在戰鬥中未能存活下來的飛機也包含在內。
分析遊戲時也很容易產生“倖存者偏差”的錯誤。很多人認為“把水平一般高的使用者喜歡使用的角色推薦給新手是不是更好”,但實際上並不全是這樣。因為,他們收集遊戲上線第一天流失玩家的資料,以及遊戲上線一段時間後流失的“水平一般高的玩家”的資料,對比後發現,這兩類玩家對角色的取向顯示出了完全相反的結果。
因此,分析使用者資料,尤其是留存玩家的資料時,不僅要從時間的角度,還要從其他角度分析留存玩家的取向和流失玩家的取向,以對遊戲進行更好的調整。
來源:遊戲陀螺
地址:https://mp.weixin.qq.com/s/HqJRQ3J-wroxnMwEFUYwYw
相關文章
- 使用者資料中的倖存者偏差
- 遊戲心理學研究:倖存者偏差遊戲
- 資料分析中不進行資料分組會產生辛普森悖論 - TivadarDanka
- 軟體定義儲存的兩大誤區
- 遊戲流失分析方法4_流失和留存使用者對比分析法遊戲
- 迷人又詭異的辛普森悖論:同一個資料集是如何證明兩個完全相反的觀點的?
- 使用者為何流失—流失使用者研究方法及流程
- 【因果推斷論文】中國新冠死亡率更高?- 新冠死亡率的辛普森悖論
- 大資料行業地震中“倖存者”的現狀大資料行業
- APP流失使用者的高效召回策略APP
- Python資料分析與機器學習-使用者流失預警churmPython機器學習
- 99%的人都不會的使用者流失分析,到底應該怎麼做?
- React的併發悖論React
- 手機遊戲流失使用者研究報告遊戲
- 網際網路產品使用者研究的四大誤區
- 費米悖論新解決方案有兩個原因令人不安
- 對“芝諾悖論”的思考
- 通俗易懂講解貝葉斯論和頻率論兩者之間的區別?
- python 多元列表操作兩大誤區Python
- 大資料分析的誤區有哪些大資料
- 華為分析服務 | 一文了解解除安裝分析,降低使用者流失率
- [遊戲]深巖銀河倖存者 --修改實現無敵遊戲
- 機器學習中的Bias(偏差),Error(誤差),和Variance(方差)有什麼區別和聯絡?機器學習Error
- 極光:手機遊戲流失使用者研究報告遊戲
- jumpserver 使用者,系統使用者和管理使用者 普通使用者和特權使用者 區別Server
- 如何安全的儲存使用者密碼?(中)理論篇密碼
- 使用者許可權的兩個檢視的區別
- 悲催的程式設計師悖論程式設計師
- 開發人員的測試悖論
- 終於有人講透了使用者分析方法論
- Firefox:2021年7月Firefox瀏覽器活躍使用者為2億 兩年流失4400萬使用者Firefox瀏覽器
- 使用者態和核心態的區別
- 【決策樹】泰坦尼克號倖存者預測專案
- Maven和Ant簡介以及兩者的區別Maven
- 揭秘APP使用者大量流失根源:效能問題導致使用者體驗下降APP
- 機器學習中偏差bias和方差variance區別機器學習
- 從儲存、處理和分析角度看大資料和雲端計算的區別大資料
- 自動化測試經驗的悖論