关于流失用户，我们首先想到的是选择怎样的时间跨度才能准确定义玩家为一个流失用户。通常在游戏中，会有对流失玩家召回活动，假如流失玩家的流失期限定义太短，比如3天未登录游戏，即算流失；这样虽然能够覆盖更多的真实流失玩家，但同时也将许多非真实流失玩家，在召回活动中大量发放奖励，不仅浪费资源，也破坏了一定的游戏平衡性；假如流失玩家的流失期限定义太长，比如60天未登录游戏，即算流失，这样覆盖全部真实流失玩家的比例较低，召回活动显得没有太大的意义；所以玩家流失多久才能定义为流失玩家至关重要。在这里先介绍一下流失用户回归率及拐点理论。
参考链接：https://zhuanlan.zhihu.com/p/83703833
流失用户回归率
流失用户回归主要指玩家流失之后的用户再次登陆游戏，根据回归用户数可以计算得到用户回访率，即：流失用户回归率= 回归用户数 ÷ 流失用户数 × 100%
流失用户回归率在流失用户定义合理的情形下，通常数值比较低，移动游戏的用户回归率通常在5%以下。用户流失的流失期限长度与流失用户回归率通常成反比，即随着流失期增大，流失用户回归率递减，并逐渐趋近于0。
拐点理论
X轴上数值的增加会带来Y轴数值大幅增益（减益），直到超过某个点之后，当X增加时Y的数据增益（减益）大幅下降，即经济学里面的边际收益的大幅减少，那个点就是图表中的“拐点”。
假设我们以一天为单位定义用户流失期限，及用户某日登陆游戏，在此后一天内没有继续登陆，我们就认为它已流失；再假设以三天为单位，那么在用户某日登陆游戏，在此之后三天内没有继续登陆游戏，我们就认为它已流失。以此类推，我们也可以以周为单位。下图是以3天为单位的流失用户回归率曲线，我们可以看到，当流失期限超过15天的时候，曲线逐渐平滑，我们可以认为当一个玩家连续15天没有登陆游戏，可以判断它已经流失；
《游戏A》用户流失期限确定
我们可以将上述方法应用到《游戏A》中，来确定该游戏的用户流失期限。随机地选取三个时间点的登陆用户，观察他们连续1天不登陆，连续2天不登录，连续3天不登录直至连续30天不登录的流失回归率数据。在这里我们选取5月1日、6月1日、7月1日的登陆用户，分别计算他们在不同流失天数的流失回归率，具体数据见下表。
下面三张图分别为三个随机日期登陆用户的流失回归率曲线，从下面三张图中我们可以看到5月1日登陆用户的曲线拐点发生在21天， 6月1日登陆用户的曲线拐点发生在18天，7月1日登陆用户的曲线拐点发生在19天，因此我们可以认为3周定义为该游戏玩家的流失周期是合理的，即玩家3周不登录游戏，即认定为流失。
那我们不禁要问，是不是所有的游戏的玩家流失周期都是类似的呢？下面我们再看一下另一款动作卡牌游戏《游戏B》。同样我们随机选取3个时间点的登陆玩家，在这里我们选取7月15日、7月25日、8月5日登陆玩家，观察他们连续1天、连续2天直至连续30天不登录的流失回归率，见下表。
下面三张图为《游戏B》三个时间点的流失用户回归率曲线图，从图中可以看到，三个时间点的拐点分别产生在9天、10天、10天，我们可以认为该游戏的用户流失周期为10天，即玩家10天不登录游戏就算作流失。
从以上两款游戏的流失回归率拐点我们可以看到，不同游戏的玩家流失期限还是有很大差异的。该方法可以从游戏发行开始持续跟踪玩家的流失期限，随着时间的推移，在游戏不同的生命周期阶段，玩家的流失回归率也可能存在一定差异。因此我们在分析用户流失多少天算流失时，要根据实际情况，集体问题具体分析。
解读原文中具体日期的n日流失回归率的问题
- 如上图，6月1日的1日流失率，即从6月1日开始往后数1日（即第二日6月2日），我们得知，在A、B、C三个用户中，只有A、B两个用户流失。我们开始讨论流失的回归，即在具体日期往后退n日的后1天，即月3日，在已流失的A和B用户中，A用户回归，即6月1日的1日流失回归率=1/2*100%=50%
- 同理：6月1日的2日流失率，即从6月1日开始往后数2日，即6月3日（中间的6月2日不管发生了什么都和后续计算的流失回归无关）；在6月3日，只有B用户流失。讨论用户的流失回归问题，即在6月3日的基础上再往后退一日，即6月4日（只看6月3日的流失用户即B用户，而无需考虑A和C用户）B用户回归，即6月1日的2日回归率=1/1*100%=100%
- 6月3日的1日流失率，即从6月3日开始往后数1日（即第二日6月4日），我们得知，在A、B、C三个用户中，只有A、C两个用户流失。我们开始讨论流失的回归，即在具体日期往后退n日的后1天，即6月5日，在已流失的A和C用户中，C用户回归，即6月3日的1日流失回归率=1/2*100%=50%
大家可以根据这个方法计算一下6月3日的2日流失率为多少？评论区告诉我吧！
