在我们日常的运营活动中，在各个不同的运营阶段，经常需要对游戏的活跃、流水等进行预估。并且我们需要预估的不仅仅是最终的一个结果值，可能更需要的是完整的增长趋势，需要根据导入量，付费留存情况，去预测每一天的活跃、流水情况。这时候一个比较科学、简单的模型就比较关键了。
本周就介绍一个笔者在工作中经常用到的一个预估模型，一个已经经过了多次优化和认证的模型。该模型不仅仅可以预估一个游戏的流水活跃等走势、分析游戏潜在的问题，还可以分析游戏的回收情况。
同时该模型已经搭建成自动化模型，填入预估数据，模型会自动调整，模型最终结果。
同时在这里的说一下笔者对于数据模型的看法，我觉得一个模型的预估值不要求百分百的正确，重点是一个模型能够支持我们做出正确的决策。
活跃流水预估模型的功能：
1）流水大盘：预估游戏月活跃流水的走势和大盘，评估是否值得推广；
2）问题预警分析：根据留存、LTV数据，分析游戏可能存在的问题；如留存折损那个阶段比较差；
3）合理推广成本预测：根据预测的参数，分析不同的成本回收情况；
4）…
一、模型简单操作说明：
该模型通过已知数据，先通过幂函数模拟的留存曲线，结合导入量，预估活跃走势，再结合付费情况，预估流水。
这里有两个难点，第一：如何预估留存，怎么评估合不合理。第二：付费率、ARPU不同时期的用户是变化的。
1）留存预估：利用幂函数进行预估，但如果只用一个幂函数去模拟的话，会发现到15天之后，留存下降的速度远比幂函数的下降的速度快，所以我们将前30的留存进行分段预估，在次留、3留、7留和15留、30留三个节点进行切分。
这里为什么这样切分，主要是参考的用户实际的留存趋势，再结合下面三点原因：
第一：结合用户在一个游戏里面的行为习惯，即三个时期（震荡期、淘汰期和稳定期）的时间分布情况。
第二：结合游戏日常的活动周期，一般来说，前期的运营活动是以周为周期；
第三：结合我们的习惯，在日常的运营活动中，我们习惯关注的留存节点也是这几个。同时选择这几个节点预估的话，我们也可以利用留存折损值去判断我们预估是否合理。
2）付费情况的预估：
在这里我们也是将付费分段，一般来说会分为第一天、第二至第八天、第九至30天。
这里主要的根据活跃用户分布分析，将用户按照进入游戏的时间进行分组，分析其付费率、ARPU变化情况可得（这个后续也会讲到）；
当然，如果不想分的太细化，我们也可以只将付费分成新用户付费（即第一天付费情况）和老用户付费情况（非第一天）。这个数据也比较容易得到，容易预估。
三：模型实现
这里是通过excel来实现，只要将参数那一列填上去，其他的结果就自动算出来。
唯一一个相对比较复杂点是留存的预估，这里先是根据预估的留存值，用对数函数算出幂指值，然后根据幂指值，用幂函数去模拟留存。
故这时候重点就是考虑去怎么去预测这些参数了；
这时我们一般要参考的是：
1、同类型游戏的数据模型；
2、已有的运营数据、或者测试数据
3、用留存折损值去对比评估，调整留存
模型拓展：
1、预测天数的拓展：这里介绍的只是到30天的预估，但该模型也可以拓展到60、90.
2、老用户流水预估：该模型重点是分析新用户前30的数据表现，如果需要预估整个项目的流水，可以分开新老用户，老用户可以通过调整留存来预估。
3、合理回收曲线预估：