談談遊戲資料分析的那點事

前言

因為我實習的工作是遊戲後端開發，所以難免會遇到遊戲領域的一些專業知識，就比如遊戲資料分析。因為之前從未接觸過遊戲這一塊，所以很多東西得去學，在之前老大給我一個任務：統計一下XX款遊戲近三個月的留存情況、Guide分佈、付費情況，當時接到任務腦袋裡是蒙的，留存？？Guide分佈？？付費的指標有哪些？？這些我都不知道，這些都屬於遊戲資料分析的內容，本文就記錄一下我近期學習的遊戲資料分析吧。

遊戲資料分析的概念

在PC網際網路時代，我們所熟悉的地啊你商務平臺、入口網站等都需要做好資料分析，以提升轉化率和轉化收益。而在移動網際網路時代，資料價值更加的被人們重視，通過資料分析發揮產品更多價值的思考。

就遊戲領域來說，在多數遊戲設計者來看，遊戲是一件藝術品，是藝術靈感的最終產物，呈現的是人對於慾望的滿足，是與使用者心理和需求的博弈。幾乎每一個遊戲開發者，都會建立自己的基礎統計分析系統來收集和統計遊戲的資料，並進行分析。其目的是希望能夠挖掘和轉化更多的使用者，轉化更多的收入。

遊戲資料分析就是重點聚焦於渠道運營、流量分析、遊戲運營以及部分產品的設計分析，側重於實踐和效果檢驗，以經驗模型和業務驅動為先導，注重歸納、指標分析、方案演進以及最終方案的實施和評估。

遊戲資料分析的意義

對於一款遊戲產品來講，遊戲資料分析是非常必要的。分析使用者是否長期留存，並很好地享受和體驗產品，成為能否獲取更多穩定活躍使用者和收益的關鍵，還有分析裝置的適配、使用者的解析度、哪些使用者付費最多、哪些關卡或裝置流失率最高、哪些區域註冊轉化率最低等等，分析出的結果就是讓設計者思考，遊戲策略、關卡難度、活動設計、區域導量等方面的合理性，根據分析出的結果來適當的調整遊戲的策略以及遊戲對不同使用者或裝置的優化。對於任何一款遊戲來說，遊戲資料分析都是非常重要的，只有從分析的資料中得知這款遊戲的下一步該怎麼發展。

遊戲資料分析的流程

對於遊戲資料分析系統及資料的利用，分為了五個階段：方法論、資料加工、統計分析、提煉演繹、建議方案。


方法論

方法論是資料分析的靈魂，是解決問題的普遍原則，貫穿分析始終的思想指導。這個階段決定了我們如何埋點資料，如何設計分析指標，如何採集，如何組織資料。就遊戲業務來說，從遊戲資料分析角度，目前已經存在幾套方法論，比如遊戲早期市場提及的是PRARA，在進入移動遊戲領域，以TalkingData的AARRR模型則提及得最多，這套方法論綜合了PRARA、網站分析、社交網路分析等諸多分析的特色，結合移動遊戲市場的情況，加以整理並提出的。方法論存在的意義就是要去解決問題，是對於問題、目標、方法和工具的概述。一方面解決業務問題，另一方面則是分析思維的指導，方法論的確立，決定了我們在遊戲資料分析方向上要解決的問題、採取的方法和使用的工具等。

(1) 業務需求

方法論是對業務需求的最高層級的抽象，涉及具體業務時，在方法論的指導下，我們需要對業務需求進行拆解，而這個階段，從資料分析的角度來看，就是該如何進行資料埋點。

資料埋點就是通過客戶端或者服務端，通過在某些遊戲位置追蹤玩家遊戲行為而得到的相關資料。這些位置則是未來對特定業務分析的基礎資料支撐。比如，我們在進行使用者註冊分析時，需要在使用者註冊的相關程式碼和邏輯位置進行資料採集點的設計，這樣當遊戲有玩家參與時，我們就可以通過採集到的資料，進行整理，形成可計算的指標。

(2) 指標體系
當我們形成了基本的資料指標後，我們要形成完整的指標體系，並且要建立在方法論的指導基礎之上。在多數情況下，指標具有很強的業務導向性和監測作用。比如在我們進行資料日報的製作過程中，我們就需要按照一定的邏輯組織我們的資料，使用者類資料，收益類資料，渠道資料等等。與此同時，在這些指標基礎之上，資料分析人員可根據需要，進一步加工和變換指標，從而完成深度分析，比如我們對於新增付費使用者的研究，使用者生命週期價值的探討等，就需要在基礎資料的指引下，進一步建立新的資料規劃和指標拆解。

資料加工

對資料進行處理使其最終變成資訊，這個階段統稱為資料加工.在資料加工階段，我們重點要去解決的問題有兩點：業務理解、技術開發。


(1) 業務理解

系統最終是需要技術開發的，在選定技術和工具之前，最重要的是要充分理解需求和標準定義。在開發人員完成開發後，如果發現其資料處理的結果並非是分析師或者業務人員所需要的，那麼就浪費了很多的時間和資源，因此是否形成一直的指標定義認識，是否明確統一需求，需要分析師、業務人員與開發團隊共同商議，形成統一的認識，否則將面臨重複開發，需求更改等等一系列的問題。在所有人員在這些問題達成一致後，接下來就要解決的是技術開發問題。

(2) 技術開發

確立使用什麼技術和架構來完成整體的資料分析平臺的建設，這是需要技術人員去評估的，而評估的一個重要參考就是前一個階段所確立的內容，技術人員對於業務分析需要的理解，決定了未來構建的資料平臺的很多因素，比如高安全性、高效性、高可靠性、高可用性、高可擴充套件性和可管理性，等等。

在資料採集層級，我們需要解決資料的傳送機制、採集內容和儲存方式等。就目前的移動網際網路遊戲來說，主要採取在遊戲客戶端植入統計分析SDK的方式來完成資料的採集，當然，在部分公司中，也採取了遊戲伺服器端完成資料的採集。兩種方式各自具備優勢，通過SDK植入遊戲客戶端的採集方式，在有關遊戲使用者終端裝置的資訊，使用者會話時間等方面具備優勢，而通過伺服器端的資料採集，則在遊戲內諸如等級分析、關卡任務分析方面具備優勢，但是對於遊戲使用者在客戶端裝置上一些行為則無法做到採集和分析。比如，在移動遊戲客戶端的錯誤日誌中，多數情況下無法通過伺服器端獲得的寶貴資料。

統計分析

統計分析包含了統計和分析。統計分析是商業智慧的一方面，商業智慧應用還包括決策支援系統(DSS)、查詢和報告、線上分析處理(OLAP)、預測和資料探勘，統計分析則是整理資料和分析資料的綜合。

此前我們需要收集資料，但是目的都是整理資料且最終要進行分析資料，資料向資訊轉化的過程。為此需要描述資料的性質和研究資料關係，並通過一定的模型來變換角度解析資料內在的聯絡，而如果整體系統的開發度更高，則可以就模型本身進行有效性的驗證。在部分公司提供的統計分析系統上，我們已經能夠看到部分的預測分析，這也是向下個階段提煉演繹的重要過渡。

提煉演繹

可以預見的是，當資料分析由系統來實現時，我們需要對關鍵業務具備資料的歸納和業務分析的模型組織。在很多情況下，經過積累，需要將一些重要業務和分析進行歸納，總結出長期可以使用的分析模組和資料採集體系，如此當我們每一次面臨新遊戲需要資料統計分析時，則不需要更多的額外開發成本。

以移動遊戲統計分析為例，在經過不斷的業務提煉和模型演繹後，從分析角度來看，如圖所示的幾個模組是最為關心的。


在如今移動遊戲市場，服務於第三方遊戲統計分析服務的平臺提供了標準的資料介面，從資料採集的角度，我們可以確立一些標準統計介面。


遊戲資料指標


在遊戲資料分析中，有非常多的指標需要去分析，從這些指標中能發現有價值的問題，它是遊戲行業的“基本溝通語言”。下面總結一些常見遊戲資料指標。

運營資料

• 平均同時線上人數（ACU: Average concurrent users）：在一定時間段抓取一次資料，以一定週期為期限；週期內的ACU可取時間段的平均資料。
• 最高同時線上人數（PCUeak concurrent users）：在一定時間內，抓取最高線上資料。
• 充值金額：在一定週期內充值總金額。
• 元寶消費金額：在一定週期內，玩家在遊戲商城中的消費總金額（充值金額與元寶消費金額有著明顯區別，上者受活動影響，下者受商城道具需求影響。）
• 每付費使用者平均收益（ARPPU: Average Revenue Per Paying User)：相似於下載遊戲的消費比率，此類資料主要衡量付費使用者收益（公式：月總收入/月付費使用者數）
• 平均每活躍使用者收益（ARPU: Average Revenue Per User）：主要衡量遊戲整體貢獻收益（公式：月總收入/月活躍使用者）
• 平均生命週期：有新增賬戶在首次進入遊戲到最後一次參與遊戲的時間天數。比如記錄某一個月，這個月裡，每個新增使用者的生命週期之和/MAU=平均生命週期。
• LTV生命週期價值（LTV: Life Time Value）：約定一個計算的生命週期值(比如上個月的平均生命週期，或者約定為15日，即這個月有15日登陸記錄的賬戶數)，符合這個生命週期條件的賬戶數中，充值金額的和/條件賬戶數。
• 每日註冊並登陸的使用者數（DNU: Daily New Users）
• 新登使用者中只有一次會話的使用者（DOSU: Daily One Session Users）：主要衡量新使用者的質量，買量的可以參考一下。
• 每日登陸過遊戲的使用者數（DAU: Daily Active Users）
• 七天內登陸過遊戲的使用者數（WAU: Weekly Active Users）：主要衡量周變化。
• 30天內登陸過遊戲的使用者數（MAU: Monthly Active Users）：主要衡量產量的粘性以及使用者的穩定性。
• 月流失率：（公式：30天前登陸過遊戲，30天內未登陸游戲的使用者數/MAU）
• 周流失率：（公式：7天前登陸過遊戲，之後7天內未登陸游戲的使用者數/WAU）
• 日流失率：（公式：統計日登陸過遊戲，次日未登陸游戲的使用者數/統計日DAU）
• 30日留存率：新使用者在首次登陸後的第30天再次登陸游戲的比例
• 7日留存率：新使用者在首次登陸後的第7天再次登陸游戲的比例
• 3日留存率：新使用者在首次登陸後的第3天再次登陸游戲的比例
• 次日留存率：新使用者在首次登陸後的次日再次登陸游戲的比例
  

使用者狀態資料監控

• 活躍使用者數：對於活躍使用者，每家定義各有不同.7天內有3天登陸過賬號的便可成為活躍使用者。
• 新增活躍使用者數：首次上線遊戲的使用者數
• 流失活躍使用者數：上期（7-14天）有過登陸，在本期（最近14天）未登陸的使用者數。
• 迴流活躍使用者數：上期（7-14天）未登陸，在本期（最近7天）有登陸的使用者數。
• 活躍使用者流失率：（公式：（本月流失使用者/上月活躍使用者）100%）
• 活躍使用者充值率：（公式：（本月活躍付費使用者/本月活躍使用者）100%）
• 活躍使用者線上時長（單位/小時）：（公式：當期（7天）所有活躍使用者線上時長總和/當期（7天）活躍使用者數）
• 付費使用者線上時長（單位/小時）：（公式：當期（7天）所有付費使用者線上時長總和/當期（7天）付費使用者數）
• 新增活躍使用者充值率：（公式：（本月內有充值的新增登入使用者/本月總新增登入使用者）100%）
• 新增活躍使用者高活躍率：（公式：（本月新增登陸使用者中的高活躍使用者數/本月新增登陸使用者數）100%）
• 使用者Guide分佈：新手引導點使用者比例（公式：當前Guide點使用者數/上一個Guide點使用者數）
  

付費使用者狀態

• 付費使用者數：截止到統計日，所以曾經有過充值的使用者總數。
• 新增付費使用者數：當期付費使用者數減去上期付費使用者數。
• 活躍付費使用者數（APC）：當期（周/月）有過充值行為的使用者數。
• 流失付費使用者數：上期有登陸行為，當期沒有登陸的付費使用者數。
• 迴流付費使用者數：上期未登陸，在當期有登陸的付費使用者數。
• 付費使用者流失率：當期流失付費使用者數/上期活躍付費數。
• 付費使用者月平均充值次數：當期所有充值次數/當期付費使用者數。
• 付費使用者月平均充值金額（RMB）：當期充值總額/當期付費使用者數。
• 忠實付費使用者數：當期統計結束，後續2-3期之內，每期都有充值行為的使用者數。
  

上文的“當期”即現在週期的意思，例如3天、7天、30天都是一週期。

運營成本

• 投入/運營成本（RMB）：本月為推廣遊戲而投入的營銷及市場費用金額
• 產出/元寶消費金額（RMB）：玩家週期內（日/周/月）在遊戲中的消費總金額
• 投入產出比（ROI）：簡而言之，就是說付出與回報是否成正比。（公式：本月的產出/本月的投入）
• 單個活躍使用者推廣成本（RMB）：（公式：本月投入/本月新增活躍使用者數）
• 單個付費使用者推廣成本（RMB）：（公式：本月投入/本月新增付費使用者數）
  

以上內容均是我在工作時從書和網上搜集總結的內容，如果有和我一樣新入手遊戲資料分析，那麼相信本文能夠很好的幫助你，在工作時節約大量蒐集資料的時間，建議收藏~~

作者：北風IT之路
來源：beifengtz
地址：http://blog.beifengtz.com/article/67