流失分析对网络游戏的重要性是毋庸置疑的，对《永劫无间》这种匹配对战类型的游戏则更为重要。第一，当匹配等待时间超过一定界限，会导致更多的流失，并继续拖累等待时间。第二，《永劫无间》这类游戏的火爆，也受益于各类平台的直播和教学视频。一旦游戏本身流失率较高，up主可能会迁移去其他游戏，加剧目前玩家的流失。

对流失玩家的分类方面，从笔者个人角度理解，大概可以分为三类：

● 第一类是系统性流失，玩家对游戏一些固有内容或机制产生了明显的不满，导致玩家对游戏的兴致下降；

● 第二类是事件性流失，这种大多是由游戏近期的一些改动造成的，可能会引起玩家群体不满而离开；

● 第三类是趋势性流失，这种情况是很难避免的，也很难只通过一款游戏的内部数据去分析解决。因此我们在工作中重点关注前两种流失情况。

我们经常在新闻中看到，某些疾病在人群中的生存率是多少。如某些癌症的5年生存率、10年生存率等等，这些都是生存分析的一些基础表现形式。经过生存分析后，有时候我们想要的也是这样类型的数据，尤其是当用于预测或估计时。

生存分析非常适合用于带有时间特征的事件。它既可以用于预测，也可以注重对已有事实的评估，发现哪些特征与玩家的流失相关性更大。生存分析在合适的条件下，经常可以得到比普通二分类模型更为丰富的结论。如果要做流失预警、关注游戏内系统性流失的情况，那么基于生存分析的思想出发也是一种比较合适的途径。而相对机器学习一些黑盒模型，又具有更好的解释性，这也是传统统计方法的优势。

首当其冲的就是随机对照试验，它将玩家样本分为两组，观察在干预或不干预的情况下（这个干预可以是我们感兴趣的可能对流失有影响的因素），玩家的流失率是否上升。随机对照实验之所以最好是因为通过随机分组，使得两组人具备相似的特征，保护结果因果性。

另外有一些观察性研究方法。队列研究大致是在不经过事先分组或分组不够随机的情况下，一组人接触干预，而另一组人没有，经过一段时间的跟踪之后，再去比较两组的区别。

病例对照实验是从已经出现结果的情况出发，研究流失的人和未流失的人，各自曝光在不同干预事件下的情况。

● 首先是PSM，倾向性得分匹配。这种方法的思路比较简单，就是直接从未经过较好随机分配的“实验群体”和“对照群体”当中找出两组人来，通过一一对应等方法使得他们重要特征较为接近，然后对其表现进行比较。相当于在实验后去进行随机对照试验要求的随机分组。

● 其次是DID，双重差分法。分别记录下干预发生前后“实验组”和“对照组”的两次差值，然后用干预后的差减去干预前的差。如果在干预前后，这两组对象之间差值的变化仅仅来自于干预活动的话，那么这个“差值的差”就是干预所带来的因果效应。

在生存分析中，最为基础和常用的方法之一便是KM估计，如图所示，这边看到几条曲线，不同颜色分别代表使用不同类型的硬盘存放《永劫无间》游戏的玩家，有SSD、HDD和未知三种情况。

这张图横轴是新增的天数，纵轴是未流失率，可以理解为接近留存率的一个指标。可以看到将《永劫无间》装在SSD固态硬盘（绿线）的玩家，留存相对来说是三组里最好的，并且随着时间的推移越发明显。相应的可以使用Log-rank检验，来检验各组间的差距是否显著。这里p值小到几乎忽略不计，表明这种活跃率区别是统计意义上显著的。

用PSM方法来进行分组。比如我们想看是否偏好不同英雄的玩家之间，有不同的流失率表现。因为我们数据统计发现在单排赛场中有些英雄的胜率表现相对较好，我们想看一下这样的英雄平衡性下，是不是真的偏好弱势的英雄留存会比较差。

那么分析的时候，最好要分组出一群其他特征都相似，但英雄偏好不同的玩家来。首先要确定出一批合适用于分析的特征来。可选的特征如玩过的游戏局数、武器使用偏好、游戏模式偏好、设备情况、游戏版本等等。在完成较好的分组之后，再对玩家进行流失等情况的分析，看各组间差异是否明显。

要使用行为数据来理解玩家喜欢的和玩家想要的，关注异常，提早发现游戏的系统性问题，及时解决事件性流失的问题根源。考虑到进行因果推断的可能性，在分析回溯之前的离线数据之外，可以更多地使用AB测试的方法，因为这也是一种更为科学的实验方法分析。尽量基于正确的实验设计规则和科学性的时候分析方法，尽管很难执行一次完美的观察性实验或AB测试，但也有很多事后补救分析措施。