為什麼收入總是提不上？試試用資料優化付費設計

首先，開局一張圖：


資料轉化率分析

資料轉化率，也就是漏斗模型，是通過使用者行為軌跡，分析使用者在行為路徑中的轉化。

那麼對於付費道具購買這裡，其行為路徑可能就會是這樣：



漏斗模型幫助我們量化了各個環節的效率。當我們將玩家的行為路徑資料拉出後，就知道到底有多少玩家看到了我們的活動頁面，看到了付費道具，產生了購買行為，從而優化在這一過程中的轉化率。

在這個過程中記錄log需要注意的是，這裡記錄的都是客戶端資料，沒辦法將每次點選都記錄一條log，那樣資料就太多了，但可以讓程式每天統計一下，有多少個玩家每個步驟點選了多少次。（這樣雖然沒有每次都記錄那麼準確，但可以避免被程式打）

資料波動分析

一個常見的工作場景：你的老大看到充值資料掉了，直接喊了你說，某某某你查一下為什麼今天充值跌了？

很多人收到這個需求就會有點頭禿。因為影響充值的因素有很多，不知道該從何查起。這裡，我可以分享一個簡單的方法，那就是，用公式：


一個指標變了，想知道為什麼變，我們就要將這個指標進行拆解，層層抽絲剝繭，找到資料變化的真正原因。

針對收入來說，我們分析付費金額為什麼增加或者減少的時候，就要從DAU，付費率，ARPPU這3個資料中找原因。



這樣我們把指標拆分得很細，就能夠更加定量的發現變化是受到哪些資料影響。找到波動較大的資料，再去分析收入變化的原因，就更加有理有據了。

當然，在實際應用中，不會真的把所有指標都拆分一次。而是先有一個推測，再根據推測去拆解相應的指標，驗證推測是否正確。

參與深度分析

我們在做一個運營活動後，往往會分析運營活動做得好不好。那麼，哪些指標可以反饋運營活動的參與情況呢？

我認為，有3點：參與活動的使用者屬性、使用者參與率、使用者參與深度。

參與使用者屬性，可以從使用者付費能力、成長情況、所在伺服器、其他型別來進行劃分。


使用者參與率，可以從不同使用者在活動的整體參與比例，和具體某個商品的比例兩個角度來劃分。

使用者參與深度，可以從不同使用者在不同道具的購買數量對比。


瞭解不同使用者的參與特點，我們也能更清晰的知道，這次活動受哪些使用者歡迎，哪些使用者的參與不及預期，來為我們下一步的優化提供佐證。

這裡在拆分使用者屬性的時候，除了付費、成長、活躍等這些基礎屬性，也會根據活動實際售賣的道具做出一定的推測，去拆分相關的使用者屬性。

舉一個大家都知道的例子，把啤酒和尿布放在一起，會同時促進這2個商品的銷量增加，那麼我們有理由推測，購買了A道具的玩家，會影響B道具的購買慾望，所以在拆分使用者屬性的時候，也不要忘了此類資料。

用我工作中的一個活動分析舉個例子：


上圖的資料，這是某商品不同VIP的玩家參與情況，可以明顯看到，隨著VIP提升，購買率和購買次數都有顯著提高，說明該商品更受到大R使用者的歡迎。


再去拆分不同VIP的具體抽獎次數，就可以瞭解到不同玩家的參與深度。


最後與已經擁有了A道具的玩家抽獎次數做對比，可以看到擁有A道具後，小R抽獎次數明顯降低，但大R影響不大。所以下次我們還是可以針對大R推出該類道具。

養成變化情況

當我們販賣了一個道具，或者數值增加了某個道具的投放，即使通過資料分析發現這次販賣或改動的效果很好，也不能掉以輕心。還要看一下改動後一段時間後，玩家的養成點培養情況，即“售後調查”。

需要調查的培養情況有哪些呢？我認為有2點：一是看玩家獲得道具後是否產生了消耗，二是消耗後該養成點是否飽和。


看道具是否產生消耗，是因為有時候我們去做一些折扣比較高的活動，有些衝動型選手沒有管自己是否有需求，直接就買了，看事後發現自己用不上，那麼低折扣騙了一次，第二次就不好用了。

看消耗後是否飽和，也是為了看這個商品玩家的需求情況，如果一個商品越賣越差，很有可能是大多數人已經對此沒有需求了。這個時候，我們還可以通過資料看到：

• 不同型別的使用者在擁有多少個以後，購買慾望開始減弱的？
• 不同型別的使用者在培養到什麼程度後，購買慾望開始減弱的？
• 不同型別的使用者在消耗多少道具後，購買慾望開始減弱的？
• 只有瞭解到玩家是否需求，才能保證商品持續具有吸引力。
  

那麼，沒需求了怎麼辦？找數值，開新坑唄……

資料分析需要注意哪些問題

我們在做資料分析時，很多人擺了一堆資料，卻得不出有用的結論，使資料分析淪為紙上談兵，那麼，在實踐中，資料分析會有哪些誤區呢？

1） 先有結論，然後用資料證明結論。

比如我們做一個活動，活動付費率不到4%，很多人會先入為主，覺得4%真的太低了，這次活動效果一定不好，如果再深入一點，還會圍著這點去說為什麼資料不好。

但這從一開始就是一個誤區。4%真的是一個很差的資料嗎？為什麼？這個4%的裡頭是不是含有什麼水分？在這裡就要拿出資料來說明。假如10級以下付費率是0%，10級以上付費率是10%呢？

那麼對於這樣一個10級以下還沒有深入體驗遊戲的玩家群體來說，我們是不是可以把這部分使用者直接排除在外呢？在去掉這部分資料後，我們再去計算真實的活躍玩家付費的參與率，那有沒有可能跟一開始【4%太低】的結論相違背呢？

2） 缺少分析目的，羅列資料，想到什麼說什麼。

資料分析雖然有分析方法，但並不是照章辦事即可。比如，我們要分析使用者屬性，那麼需要把所有跟使用者屬性相關的資料都羅列嗎？不需要的。

正確的順序應該是，我要分析這次活動效果，根據活動設計目的，高等級玩家佔了付費主力，那麼在資料分析時，就要以等級高低為思路，沿著這個思路去分析高等級玩家是否購買得多，如果沒有，為什麼？然後抽絲剝繭找到原因。

分析的資料應該緊緊地圍繞著分析思路走的，要針對分析目的和分析方向，去選擇並列舉與之有關的資料，而不是羅列全部資料即可。

3） 資料分析應該與業務緊密結合。

不管excel、sql用得多熟練，這些始終只是工具，最重要的是要熟悉業務，並能夠把資料分析的結論與業務相結合，最終優化資料表現，讓我們的資料分析產生價值。

怎麼樣才能產生價值？找到問題存在的原因是價值，優化當前資料表現而提出自己的改進方案也是價值，這些光有資料還不夠，要跟玩家反饋、遊戲實際情況三者結合在一起，才能得出更靠譜的結論。

相關閱讀：
讓玩家充值到底有多難？刺激玩家消費只需走好這兩步
如何用​運營活動挽回流失的玩家？
從遊戲設計階段提升付費深度，看看《狐妖小紅娘》是怎麼做的？

作者：周若