图片说明：MusicWatch最新研究显示，TikTok音乐用户流向Meta、Google

该研究调查了美国音乐用户使用社媒平台的时长。数据显示，2024年第四季度，TikTok在这一类别中的占比从34%下降至29%；Meta旗下的Instagram和Facebook的份额总和升至36%，甚至超过了TikTok此前的市场占比，Google旗下的YouTube也增长至26%。

在年轻人群体中，这一变化尤为明显。TikTok的市场份额从51%骤降至 42%。这意味着，虽然TikTok仍占据了一定的市场，但该平台的核心用户正被Meta和Google收入囊中。

在45岁及以上的用户群体中，TikTok的市场份额也下降了4个百分点，其他社媒平台的份额则相应上升。

导致这一局面的因素是多方面的。TikTok美国禁令无疑是促使部分用户转向其他平台的一个重要原因。用户出于对平台可能被封禁的担忧，纷纷选择了其他替代品，Meta旗下的相关平台自然成为了热门选择。随着竞争加剧，TikTok的优势正逐渐被削弱，对市场格局的影响力也远不如最初设想的那般强大。

TikTok市场份额下滑、年轻用户流失这一严峻形势，也让其竞争对手看到了抢占市场的契机。

图片说明：《信息报》报道，Instagram或将为其短视频功能Reels推出独立应用

据美国媒体《信息报》报道，Instagram负责人亚当·莫塞里本周向员工表示，Instagram考虑为其短视频功能Reels推出一款独立应用程序。这款应用程序将模仿TikTok，媒体形容为这是Instagram为利用TikTok在美国不确定处境而采取的最激进举措。

2020年8月，美国政府首次试图封禁TikTok时，Instagram立刻推出了Reels短视频功能。

一直以来，Instagram都在尝试吸引更多年轻用户和创作者。今年1月，在TikTok“不卖就禁”法即将生效之际，Instagram果断出手，开始每月向创作者提供数万美元，鼓励他们只在Reels上发布内容，以抢夺优质内容资源。同时，Instagram还宣布推出一款新的视频编辑应用程序Edits，以与字节跳动旗下的同类型产品CapCut竞争。

上个月，Meta首席财务官苏珊·李在与分析师交流时，特意强调了全球用户在Instagram上观看视频的时长增长。

通过上面的信息图中可以看到消费者在“掐线”过程中所需要考虑的问题，包括硬件和服务方面，但是可以看到随着智能电视、家庭游戏主机、Chromecast等电视棒等相关产品不断丰富我们的家庭娱乐环境，不再仅仅局限于传统的有线电视，而且在未来这种进程必然会进一步加剧。

不知如何才能找到用户真正的流失原因？

不知如何把调研结果应用到产品改善中？

到底要怎样才能做好用户流失原因研究呢？

在做了一些用户流失原因调研项目后，笔者总结了用户流失原因调研四步经。

　　第一步：了解调研目的

无论做什么调研，研究员首先要确认调研目的，只有知道需求方最终想要解决什么问题才能做好调研。用户流失原因调研不只是简单的了解用户流失的原因就可以，产品经理提出用户流失原因调研需求，最终目的一般有两个：（1）防止用户流失；（2）挽回流失用户。

最终目的不一样，调研需要解答的问题也不一样：

　　（1）防止用户流失

用户为什么会流失？（用户流失原因）→用户会继续流失吗？（现有用户的不满意点与流失原因是否一致？）→如何防止用户流失？（应采取什么样的改善措施）

　（2）挽回流失用户

用户为什么会流失？（用户流失原因）→流失用户回流的可能性？→什么情况下他们愿意回来？（回流触点）→如何挽回流失用户？（应采取什么样的改善措施）

　　第二步：找出用户流失的真正原因

无论产品经理最终的目的是什么，他们提出用户流失原因调研需求证明他们都非常关心用户为什么会流失，所以找出用户流失的真正原因非常重要。但要找出用户流失的真正原因并不容易，有时问用户为什么不再用某产品，他们会用“没钱”or“没时间”等借口敷衍我们，用户因为“没钱”不用我们的产品了，但其他价格一样的产品却销售得如火如荼，这合理吗？“没钱”or“没时间”这些借口我们当然不接受，那我们要如何找出真正的原因？笔者总结了三种方法：

　　（1）深入追问——5个WHY

连续问用户5个问题以获得深度递进的答案，这个方法能有效的使用户表达出深层的想法和原因。

案例：以一款休闲游戏用户流失原因调查为例

访问员：为什么最近一段时间没登录过***了？

用户：***（游戏角色）病了。

访问员：为什么***病了就不登录了？

用户：因为一登录***就会死，不想见到它死。

访问员：既然害怕***病死，那为什么没带***看病（指的是在游戏中看病）？

用户：没钱，看不起病。

访问员：为什么没钱？

用户：***很容易生病，让***打工挣的钱不够它看病。

访问员：为什么不带***看免费医生（游戏中可免费看病）？

用户：不知道可以免费治病。

该案例最后了解到导致用户流失的原因有两个：***（游戏角色）打工挣钱少、用户不知道可以免费冶病。

注：图片来源于IDEO方法卡

　　（2）侧面对比相关产品

有时用户也意识不到他们行为背后的真正原因，直接追问他们可能问不出具体原因，这个时候可以通过侧面对比去激发用户潜意识，挖掘出真正的流失原因。

案例：

访问员：为什么不续订*钻了？

用户：没钱啊。

访问员：您目前有没有开通其他的包月业务？

用户：开通***。

访问员：为什么开通***却没有开通*钻？

用户：因为觉得***更实用，特权更多。

访问员：***里的哪些特权最吸引您？

用户：红名、魔法表情

该案例了解到用户并不是因为“没钱”而不再继订*钻，而是由于*钻的特权没法吸引用户继续开通，而用户喜欢什么类型的特权呢，这需要我们继续深挖。

　　（3）行为分析

当我们通过网络问卷的方法调研时，很难实现层层深入追问，对于用户来说，原因类题目他们很难回答，而行为类题目较容易回答，且行为类题目回答真实性较高，有些深层的流失原因，不一定需要层层深入追问为什么，有时可以通过行为分析解决。

　案例：

您的***（游戏角色）挣钱的方式主要是：

数据交叉分析发现，因为挣钱难而流失的***游戏用户主要的挣钱方式是“打工”，而我们和产品经理沟通后了解到实际上***（游戏角色）“打工”不但不能挣钱、而且会赔钱，因为“打工”会让***（游戏角色）损耗，***（游戏角色）会更容易脏、更容易饿，用户就要花更多的钱去养它们，成本大于收益。但很多用户不知道这个情况，所以一直选择“打工”挣钱，最后没办法维持游戏角色在游戏中的生存，导致流失。

　　第三步：解答两大最终目的其他问题

（1）用户会继续流失吗？——了解现有用户与流失用户的差异

要了解用户是否会继续流失，就需要对现有用户进行调研，如果现有用户和流失用户是同一类用户，那现有用户会继续流失。

怎么知道现有用户和流失用户的差异呢？那就需要了解现有用户的态度，现有用户不满意的方面是什么，如果现有用户不满意方面与流失用户流失原因一致，那证明现用用户和流失用户没明显差异，如果导致用户流失的问题没解决，用户会继续流失。

（2）用户什么情况下才愿意回来

首先要知道流失用户回流的可能性，如果大部分用户表示无论产品怎样改变也不会再尝试使用，那在挽留用户上投放更多资源也没作用。

其次是了解用户在什么情况下愿意回来，这包括但不限于流失原因改善，除了流失原因改善外还需要相关的促销活动，需要询问流失用户进行了解。

最后是确认进行挽回改善措施会不会引起现有用户的不满，要了解现有用户满意及不满意的方面，确保挽回流失用户的措施不会对现有用户产生影响。

　　第四步：设计改善措施

知道了用户侧反馈的产品问题，那具体要怎么改善产品呢？建议可以参考“GAP模型”了解缺口在哪里，在哪个环节出现问题。

（1）认知缺口：产品经理不知道用户想要的是什么。若出现了认知缺口，则首先是让产品经理清楚知道用户流失的真正原因。

（2）执行缺口：产品经理知道用户想要什么，但实际做出来的产品与设计中的不一致。若出现了执行缺口，则要了解具体哪个执行步骤出现问题，是资源的欠缺还是技术难以实现。

（3）传递缺口：产品的宣传和指引不能让用户对产品真正认知了解若出现了传递缺口，则要了解用户现在的感知是怎么样的，在哪些宣传和指引上出现了问题。

（4）流失缺口：用户体验到的产品和期望的不一样。

案例：

导致用户流失的原因主要是社区游戏单调更新慢

用户期望：多种多样的游戏，希望至少每月推出一款新游戏。

产品经理认知：知道用户期望多种多样的游戏，游戏更新频率越快越好。

设计执行：每周更新一款新游戏、不同类型的游戏上百款。

用户认知：觉得快半年没更新过游戏了，来来去去就只有几款游戏。

从这个案例可以发现，整个过程中主要是用户认知出现了问题，也就是出现了传递缺口，说明产品的宣传指引做得不好，那我们的改善措施就应放在产品的宣传指引上，增加新游戏的宣传，或在指引中明确告诉用户游戏更新的频率。

而我们的目标是研究新用户为何早早退出游戏，并尝试预测哪些用户会提前离开。在此，我们以MMOPRG游戏《永恒之塔》为研究案例，但其研究结果也适用于多种服务和游戏类型。虽然这款游戏在调查期间是一款纯订阅游戏，并采用7天免费试玩至20级的模式，多数流失用户还不到付费阶段就已经离开游戏。我们主要研究的是促使用户离开的游戏内部因素。

行为研究表明，休闲玩家的注意力很有限。他们可能今天离开游戏，明天甚至就想不起来自己曾安装并玩过这款游戏。如果玩家离开游戏，我们就得立即采取措施让他们返回游戏。

但究竟该如何区分那些只是有事暂时无法登录游戏的玩家和真正的休闲玩家？最理想的方式恐怕就是在玩家仍在玩游戏时，就提前预测他们离开游戏的可能性——这种预测甚至要早于他们产生离开游戏的念头。

我们的目标很现实——在新玩家登录游戏当天就预测他们离开的概率。我们将7天处于非活跃状态的玩家定义为流失用户，目的并不是等待7天结束，确认玩家不会重返游戏，而是在他们最后一天玩游戏时预测其流失可能性。

技术支持

我们已经掌握大量数据。所幸《永恒之塔》这款韩国网游拥有理想的记录系统，它几乎可以追踪玩家每一步操作，支持查询玩家前10级，或者10小时内的玩游戏数据，可以锁定50%以上的早期流失用户。

我们使用的是两个Dual Xeon E5630 blades，它们都运行MS SQL 2008R2，其中一者作为数据仓库使用，另一个作为MS Analysis Services。我们只使用标准的微软BI软件栈。

第1阶段：误认为自己无所不知

身为富有经验，并且经历100多次测试的游戏设计师，我确信自己的能力足以解答所有关于用户流失的问题。玩家若不知如何在游戏世界中进行超时空传送，他可能就会退出游戏。首个敌人带来的致命一击，也可能让他退出。《永恒之塔》拥有绝妙的视觉效果，技术也很过硬，但却并不是一款适合新玩家的游戏。

所以我就先扮演“普通玩家”，在游戏试玩期中体验了两个种族的不同职业，详细记录了游戏玩法中的问题，并初步假设以下因素可能导致用户流失：

*种族和职业。我认为这是最主要的因素，因为发挥辅助作用的祭司的游戏玩法与强大的法师截然不同，这会影响玩家的游戏乐趣。

*玩家是否尝试过俄罗斯运营商Innova代理的其他游戏？（Innova游戏使用的是同一个帐号）

*玩家在不同程度和职业中尝试过多少个角色？

*玩家在试玩期间每个等级以及总体游戏过程中的死亡情况。

*与其他玩家的组队情况（包括高级和低级玩家）。

*玩家接收到的邮件及加入公会情况（以此检测是否存在铁杆玩家所掌握的“小号”）。

*每个等级及整个过程中完成的任务。

*在战斗中使用的技能种类。

这个列表描述了许多可能导致玩家离开游戏的因素。

我们的第一个数据挖掘模型的理念很简单，就是将布尔型变量视为一个离开用户，它可以指出用户今天会离开游戏，还是继续在游戏中逗留一段时间：

Data Mining Lift Chart(from gamasutra)

以上图表底部直线是一个简单的随机猜测。上方飙升的线段命名为The Transcendent One，它代表未来情况。这两者间有一个波动线段，代表我们的数据挖掘模型。我们的线段越接近The One，就说明预测结果越准确。这个图表主要针对第7级用户，但对第2至9级的玩家来说并无差别。

不幸的是，从中可以看出，我们的首个模型就像是抛硬币看正反面来预测未来情况。所以我们需要抽取其他假设进行分析：

Data Mining Lift Chart (from gamasutra)

现在情况略有好转，但预测的准确性仅超过50％，误报率仍然达到了惊人的28％。

注：准确率越高，这个模型检测到的真实流失用户也就越多。误报率是指将某些玩家预测为流失用户，而实际上并非如此。

第1阶段结果：我所有的初步想法都错了。

第2阶段：发现自己完全是新手

第一个也是最简单的数据挖掘算法就是Naive Bayes（朴素贝叶斯分类器），它极具人性化并且通俗易懂。但它表明原先的假设参数无法与真实的流失用户对应。第二种方法是Decision Trees（决策树），它指出我的一些想法确实很管用，但并不足以最大化提升预测准确率。

数据挖掘算法知识：Naive Bayes在初步数据集分析以及指出参数之间关联性这方面作用很大，Decision Trees则擅长将数据集归纳为不同的子集，有利于区分流失用户及满意用户。这些方法都易于理解，但它们内部的数学原理及实用价值却极为不同。Neural Network（神经网络）本质上是一个能够计算复杂变量关系的黑盒，它可以产生更准确的预测结果，但却不易为开发者所理解。

我和《永恒之塔》团队在头脑风暴过程中讨论了新手玩家的类型，游戏行为以及其他特征。我们都知道自己的亲友初次进入游戏的过程，以及他们的感受。

这番讨论结果使我重新修订了影响新手玩家的一些游戏内部因素列表（游戏邦注：例如，玩家是否扩展了仓库大小，跳过了复活点，使用了加速移动卷轴？），以及衡量玩家在游戏中一般活动的想法。

我们使用了如下参数：

*每个等级的杀敌数

*每个等级所完成的任务

*每个等级的游戏时间（以分钟为单位）

此时我们也完全修正了ETL部分（包括数据提取、转换以及加载）的内容，我们的SQL工程师也制作了一个高级的SSIS游戏记录处理器，提升了可扩展性，有利于添加新游戏事件。记录系统的容量已达千兆字节，所以我们可以轻松添加新的假设命题。

我们载入和处理新数据，审核了数据挖掘模型，并分析了结果。为了让结果更为简洁明了，在此我只发布修正后的结果：

precision & recall per level(from gamasutra)

注：第9级的准确率异常高，这与调查时期的游戏活动有关，所以可以忽略这个数据。

在此阶段，我们的模型准确率大为提高——尤其是第2级至第4级，不过6到8级的准确率仍然很不乐观。这种不准确的数据几乎没有用处。

Decision Tree表明一般活动参数正是关键的预测考虑因素。在这种情况 下，每级的游戏时间、每级杀敌数和每级完成任务等参数组成了我们预测模型的核心。其他参数对整体准确率的贡献率不足5%。另外，Decision Tree很简短，只有两三个分枝，这意味着它缺乏相关参数。我仍然无法理解为何这三个算法在不同等级的准确/召回率会如此不同。

第2阶段结果：我们通过一般活动参数取得了相当进展，虽然准确率仍然有待改进，但我们找到了正确的分析方法，即先使用Naive Bayes，之后再使用Decision Tree。

第3阶段：步入正轨

看到数据挖掘结果的准确率明显提升，我设置了三个发展向量，更多一般活动参数，更多游戏特定参数，以及更深入掌握微软BI工具。

经过对一般活动的试验之后，我们最终确定了以下关键因素：

*当前等级、之前等级及整体游戏时间

*每分钟杀敌数（包括当前/之前/整体等级情况）

*每分钟完任任务（同上）

*平均每天游戏时长

*玩游戏天数

*缺勤率（游戏邦注：这里指玩家在七天免费试玩期间缺席的天数）

这些参数极大提升了召回率（因此降低了误报率），Decision Tree最终开始尽情扩散出分枝。我们也看到不同数据挖掘算法针对所有等级的一致性，这表明预测过程已经趋于稳定，降低了随机性。Navie Byes在准确性上比Tree和Neural算法相差了足足10%。

新加入的个体参数实际上非常难以管理，手动分离自动攻击使用情况要涉及一些数学知识，SQL查询的第75百分位计算也是如此。但我们标准化了数据，因此可以对比不同的游戏职业，数据挖掘模型接受的是分类索引数据而非原始数据。标准化和索引化新个体参数使整体预测精确度又提升了3-4%。

注：在网络游戏中，角色要使用技能及能力进行攻击。自动攻击是最基本和自由的招式。资深玩家使用所有技能时他们的自动攻击比率就会较低，不过游戏及职业机制也会深刻影响这一参数。在《永恒之塔》中，法师这一比率的中间值是5%，而战士则是70%，即使是在同个职业中，标准偏差也会很高。

下一步就是参考《Data Mining with Microsoft SQL Server 2008》这本书，从中查找使用分析服务的决窍。这本书很有助于解释Decision Tree微调的复杂原理，它还让我认识到了正确数据离散化的重要性。

在以上例子中，我们通过手动操作实现了自动攻击参数的离散化。我刚开始处理这些数据时，就发现SQL Server的自动离散化是可以并且应该进行微调。手动调整数据会极大影响Tree的形状和精确度（对其他模型也同样会有影响，但是对Tree的影响更明显）。

我花了一整周时间挨个调整9个挖掘结构的30多个维度（每个游戏等级有一个结构，一共有9个等级）。从这一试验中可以发现一些有趣的模式，并且可轻松将7级和8级之间的精确度提升2%。例如，杀敌数是20，整体游戏时长是12，而每级游戏时长是7。

微调之后的结果极大减少了误报率，将Tree的数据提升至与Neural Network相当的水平：

precision & recall per level (from gamasutra)

第3阶段结果：我们终于得到了一些合适的数字，也搜集了大量关于玩家的有趣数据。

第4阶段：获得成功

坦白说，我认为我们已经到达到准确预测的极限。新参数和假设并没有再度提升精确度，这些模型已经稳定。78%的精确度 VS 16%的误报率已经足以展开预测流失用户的工作。

以免费订阅或高价值道具刺激他们重返游戏并不一定奏效（因为在俄罗斯这些赠品也支带来一些增值税），但向他们发个邮件总不会有什么问题吧？

当我们的数据挖掘项目进入第三个月时，我们发现数据有点过时了，因为那时的游戏已经更新了数次补丁。

重新载入这三个月所有更新、更大的数据集时，我发现了梯度图表发生了一些变化。虽然精确度/召回率仍然保持原状，但数据表现略有差别。

需要再次重新编写ETL程序，此时每个等级处理时间不足1分钟，所以增加一个数据集的等待时间是我们尚可接受的5分钟。但不幸的是，所以手动微调工作都要重做，不过从以下图表可以看出，增加数据集后，我们极大提升了模型的有效性！

precision & recall per level(from gamasutra)

但针对第1级的情况，我们确实无能为力。正如网络分析大师Avinash Kaushik所言，“我来，我吐，我闪”（I came, I puked, I left）。这些玩家创建了自己的角色之后就退出了游戏，我们针对他们的行动记录也非常之少。

以上所有数字均出自历史数据以及我们挖掘模型的一个学习数据集。但我是一个非常多疑的人，我还想要战斗测试结果。所以我们采用了新玩家（今天才注册的用 户）数据，将其引进预测模型，并保存结果。7天之后，我们对比了一周前的预测流失用户以及他们真实的行为，获得了如下结果：

prediciton results(from gamasutra)

结果

我们终于成功实现了预测玩家是否将退出游戏的这一最初目标。看到如此之高的精确度/召回率，我们确信自己的积极和专注获得了回报。

但我们是否实现了第二个目标，判断玩家为何离开？没有。对我来说，这也是最有趣的结果——我们已经知道玩家可能离开的概率，却仍然不晓得他们为何离去。我在本文开篇列出了可能导致玩家早早离场的假设因素：

*种族和职业

*玩家是否尝试过其他的Innova游戏（我们用同一个帐号）

*玩家尝试过的种族和职业角色数量

*在免费试玩期间每级和整体死亡情况

*以及其他多种因素

我们测试了60多种个体及游戏特定参数。发现没有一者是导致用户离开的主因！也就是说，我们没有发现阻碍用户享受游戏乐趣的主要因素。

这个调查中的关键参数比较适用于试玩游戏首天的所获等级的情况，但低于考查7级游戏情况的需求，这相当于3个小时的游戏时间，意味着此时的用户流失率极高。另一批预测流失率的参数主要与整体活动有关：

*每级杀敌数

*每级完成任务

*每级游戏时长（分钟）

*每天游戏时长

总结

我们历时三个月，研究了两本书，并投入大量精力和热情从头创建了这个数据挖掘项目。团队中没有人曾有这方面经验。我们为Innova被动的分析系统中制造了一个富有前瞻性的预测工具。我们可以及时接收潜在的流失用户信息，并给予他们一些极富个性化和关联性的决窍以提升游戏体验。

这个项目是针对《永恒之塔》这款MMOPRG而创建，但它也适用于其他游戏类型，甚至是一般的网络服务。

这是我们的首个数据挖掘项目，结束时间是2011年9月，并已根据我们现有的预测经验，聚类及分散分析，以及对用户群体的深入了解进行了重新编写，所以这个数据挖掘历程仍远未结束。

via：gamerboom