二、量化“社交行为”
通过初步观察数据，我们发现流失的用户大都是在开始游戏后的 1 周内就不再来访了，因此可以设立假设：用户是否会长期来访游戏取决于用户在开始游戏后的 1 周内的行为。接着就要思考如何用数值来量化上述社交行为。首先应当想到的就是这些社交行为在用户开始游戏后的 1 周内发生了多少次。通过这些数值的大小，就可以得知用户从该游戏中寻求的“乐趣”。
（1）战斗次数很多的情况：喜欢在游戏中对战其他用户；
（2）协作次数很多的情况：喜欢在游戏中通过和其他用户协作击败敌方首领；
（3）发送消息次数很多的情况：喜欢和游戏中的其他用户交流。
当我们明确了大多数用户的需求后，就可以制定针对性更强的游戏运营策略，从而促使更多的用户长期来访问游戏。
接着需要考虑各个社交行为是在用户开始游戏几天后首次发生的，根据这些数值就可以得知各个社交行为的下述情况。
（1）用户从第 1 天起就发生这种社交行为。
（2）用户在开始游戏几天后再发生这种社交行为。
例如，对战其他用户和与其他用户协作共同打败敌方首领的社交行为一开始就有会比较好，而从开始游戏第 1 天起就给其他用户发送消息就不太好。
整理上述内容，如表 5-2-1 所示。
表 5-2-1 社交行为
根据表 5-2-1 中的内容，分析得出具有什么样行为的用户更容易长期访问游戏。具体处理流程如下：
A. 开始游戏后 1 周内用户的稳定来访率比较低（事实）；
B. 根据初次访问游戏时用户行为的不同，其稳定来访率也不一样（战斗？协作？发送消息？）×（次数？时间段？）（假设）；
C. 分析的结果是 OO 的行为模式比较容易促使用户稳定来访游戏（假设）；
D. 为了使得用户养成 OO 的行为模式，需要实施 XX（解决方案）。
根据上述处理流程，在本例中，如果我们可以通过数据分析找出“战斗”“协作”和“发送消息”这些社交行为和“稳定来访”之间的关系，那么之前不确定的问题就会自然明确了。在分析对象中，社交行为是很容易被量化的，而“稳定来访”却很难量化。因此，首先需要考虑如何量化“稳定来访”。
我们考虑了多种量化“稳定来访”的方法。例如，在社交游戏中，“N 日持续率”就是一种常用的指标。
N 日持续率＝初次来访游戏 N 天后再次来访的用户数/初次来访游戏的用户数
这个指标适用于宏观倾向的把握，而在本例中，我们需要的并非整体的倾向，而是希望发掘和社交行为之间的关系，因此需要将每个用户稳定来访的情况进行量化。很显然，N 日持续率无法计算每个用户的情况，因此这个指标不适用于本例。于是，本例中考虑使用“登录密度”，通过这个指标可以计算每个用户的情况。
N 日登录密度＝N 日内用户到访的天数/N
从上述定义可以得知，N 日登录密度的取值范围在 0 到 1 之间，越接近 1 表示该用户越可能是稳定来访的用户。在分析中，我们将用户开始游戏后 1 周内（第 0 天至第 6 天）的行为作为自变量，而作为因变量的登录密度则由下一周（第 7 天至第 13 天）的数据得到。
根据表 5-2-1 中的内容，分析得出具有什么样行为的用户更容易长期访问游戏。具体处理流程如下：
A. 开始游戏后 1 周内用户的稳定来访率比较低（事实）；
B. 根据初次访问游戏时用户行为的不同，其稳定来访率也不一样（战斗？协作？发送消息？）×（次数？时间段？）（假设）；
C. 分析的结果是 OO 的行为模式比较容易促使用户稳定来访游戏（假设）；
D. 为了使得用户养成 OO 的行为模式，需要实施 XX（解决方案）。
根据上述处理流程，在本例中，如果我们可以通过数据分析找出“战斗”“协作”和“发送消息”这些社交行为和“稳定来访”之间的关系，那么之前不确定的问题就会自然明确了。在分析对象中，社交行为是很容易被量化的，而“稳定来访”却很难量化。因此，首先需要考虑如何量化“稳定来访”。
我们考虑了多种量化“稳定来访”的方法。例如，在社交游戏中，“N 日持续率”就是一种常用的指标。
N 日持续率＝初次来访游戏 N 天后再次来访的用户数/初次来访游戏的用户数
这个指标适用于宏观倾向的把握，而在本例中，我们需要的并非整体的倾向，而是希望发掘和社交行为之间的关系，因此需要将每个用户稳定来访的情况进行量化。很显然，N 日持续率无法计算每个用户的情况，因此这个指标不适用于本例。于是，本例中考虑使用“登录密度”，通过这个指标可以计算每个用户的情况。
N 日登录密度＝N 日内用户到访的天数/N
从上述定义可以得知，N 日登录密度的取值范围在 0 到 1 之间，越接近 1 表示该用户越可能是稳定来访的用户。在分析中，我们将用户开始游戏后 1 周内（第 0 天至第 6 天）的行为作为自变量，而作为因变量的登录密度则由下一周（第 7 天至第 13 天）的数据得到。