8000字詳解如何從底層搭建遊戲資料分析框架

5月30日，數數課堂特邀盛趣遊戲資料分析專家黎湘豔老師坐鎮第五期直播。

黎湘豔老師向學員們分享了歷經超50多款產品沉澱下來的資料分析思維，讓大家對資料分析的崗位理解從一個日常節點，展開成為可以預測產品、行業走向的方向標。

/以下為直播當天文字實錄/

---------------------------

我在《遊戲資料分析實戰》開頭寫的第一句話是：

“作為資料分析師，最大的成就感莫過於自己的分析報告推動了業務的開展，並在業務開展過程中證實了其合理性，這也正是資料分析師的價值所在。”

今天的課程中我將講述：作為一名分析師，如何構建自己的分析體系，讓自己的資料分析結果，成為可以切實推動業務發展的驅動力。

下面是今天的課程內容：


01 資料為治之而非統之

我平時做過很多驅動業務的工作，主要圍繞產品、市場和運營三大業務場景。

我的工作分別為遊戲、IP引進把關、為遊戲立項把關、為遊戲研發把關、為資源投放把關、為市場營銷把關、為遊戲運營把關。


1. IP把關 I IP引進價值分析、引進/自研遊戲成功率預測

當公司要引進一個IP時，我們通常都會先對IP的價值進行分析（包含使用者價值，商業價值，內容價值，戰略價值）。我們會評估該IP是否值得引進，引進的價格區間是多少。

例如我們之前想引進一個日本市場的國民級IP，但是經過一系列調查，發現這個IP在中國市場算一個小眾IP。

除此之外，我們內部還有一個新遊戲成功率模型， 可以根據新遊戲的相關資訊進行成功率預測。

2. 立項把關 I 精準定位目標使用者，評估不同研發方案的利弊，預估靠譜流水

“精準定位目標使用者”的目的是要做“精準開發”，首先要知道我們的目標使用者有哪些，找到使用者未滿足的需求，做到極致。

我們一般通過爬蟲的資料、問卷調研的資料、競品遊戲的資料，以及整個市場的資料來分析。比如：策劃組糾結是做MOBA競技玩法、吃雞玩法，還是考慮融合Roguelike+關卡自適應功能等等，我們通常會分析各種玩法的利弊。當研發方向確定時，我們會預估相應流水等等，這些都是為遊戲立項把關。

3. 研發把關 I 個性埋點，點對點找出問題；付費模組、爆率設計的優化

在遊戲研發階段，我們會拉策劃對齊整個測試的資料預期，發現不符合預期的地方，和策劃一起定位問題。

比如，他們對於玩法、養成、商業化、職業等遊戲玩法的預期參與度是多少？策劃有什麼樣的預期和關注點。然後我們會重點監控這幾個模組的資料，發現不符合預期的地方，就拉著策劃一起定位問題，比如玩法參與率發現十分不符合預期，那就去分析使用者行為，使用者屬性。

我們資料分析師的宗旨是：

“針對具體的病治病，不做綱領性建議。”

4. 投入把關 I 評估產品質量；構造收入、活躍預測框架和模型，優化買量

遊戲測試階段，可以根據遊戲資料進行產品質量評級，給出最優市場投放建議，也會分析買量的效果資料，為買量優化提供資料參考。

關於市場把關及運營把關，我在《數數課堂·第四期 I 一個運營人的資料分析成長史》有過詳細的介紹，感興趣的朋友可以去看看。

02 資料分析的“六脈神劍”

資料分析的定義就是從資料中提取有用的資訊，並指導實踐。下面我舉一個例子來梳理一下具體流程：

需求背景：某遊戲進行版本更新，在版本更新節點進行了視訊和微博投放，需要對投放效果進行分析。


1. 明確需求

首先要明確這次分析的需求就是看投入的遊戲資料有哪些變化，投放的ROI是多少。

2. 收集資料

從公司內部資料庫可以收集到人數、收入、留存等資料，從公司外部（微博、視訊網站）可以收集到點選量、評論數、彈幕和評論內容資料。

3. 處理資料

處理資料就是採用適當的統計方法對收集的資料繼續清洗，提取有用的資訊和規律。常用手段有，sql統計使用者留存、等級、使用者數、收入等資料，或者用python爬取外部資料。

4. 分析資料

主要採用對比法、分組法、結構分析法、文字分析法，得出廣告投放前後的資料變化，視訊類投放和微博類投放的效果差異，以及使用者評論的關鍵資訊。

5. 展現資料

買量投放需要用到折線圖展現人數和收入的變化、柱狀圖展現微博和視訊投放的效果差異，用詞雲圖展示玩家評論的關鍵資訊。

6. 報告撰寫

有標題，導語，結論和詳細分析四部分。這篇報告，我們一般會在開頭就給出核心結論，活動投入多少，帶來多少新增，跟活動前相比有什麼變化，帶來了多少收益，新使用者成本是多少，ROI是多少。

03 資料分析≠資料驅動業務

如果要實現資料驅動業務，不論是模型，還是資料分析結論，其結果都要進行評估。

評估下來其結論是合理、可用的，專案團隊會將其作為進行運營、市場活動方案設計的決策參考依據之一。如果不可以用，則分析師需要重新梳理需求，按上述過程重新走一遍。

資料是否能對專案真正產生積極影響，取決於資料結論是否能擊中業務痛點以及報告物件對資料的重視程度。


比如說：

1. 預熱期的使用者調研

能找到目標使用者的特點，促使發行人員會參考分析報告結果確定時間、地點及宣傳方式；

2. 封測期間的使用者調研

能瞭解使用者對遊戲各項功能的體驗評價及相關建議，促使研發人員採納，以資料反哺研發；

3. 測算最優市場費用

能幫助專案合理分配資源，避免資源浪費；

4. 市場投放效果分析

能監控廣告投放效果資料並分析各媒體的特性，促使發行人員通過資料去發現問題，調配資源，使其效果最大化；

5. 流失使用者分析

能找到使用者流失點，促使研發人員根據資料來優化遊戲；

6. 付費習慣分析

能找到付費使用者的特點，促使運營人員根據資料制定相關的活動，從而吸引更多的人來付費。

總體而言，資料是否會產生積極影響不在於資料本身，而在使用資料的人。

如果資料分析師做的分析報告或模型沒有經過評估，其資料結論或建議沒有得到業務方的使用或幫助業務方決策，那麼其工作只是做了資料分析的基本工作，並沒有實現資料驅動業務。

04 核心資料指標

一家公司有了資料分析體系，就能更有效率的支援業務，但想要構建全面的資料分析體系，首先要找到對你的業務最核心、最關鍵的資料指標。

“指標是對業務質量進行衡量的標準，也能指導內部產品、市場、運營的工作。”

一般來說，每個行業都有其核心資料指標。比如網際網路電商行業的商品點選率、購買率、退貨率、客單價可能是他們關注的主要指標；而遊戲行業，轉化率、留存率、付費率、ARPU、ARPPU、CPC、CPA、CPR、CPL、LTV 和ROI是我們重點關注的指標。


除此之外，還有新增使用者數、活躍使用者數、收入等等，這些都是資料指標，這裡我就重點來說舉例說明下需要計算才能得出的這些關鍵的指標。

1. 留存率

可分為“每日留存率”和“加權留存率”。通過這張表我們可以看到，次日留存率就是指新使用者在首次登入後在第二天再次登入遊戲的比例。


次日加權留存率指的是某一段時間內的新增使用者在第二天的留存數量除以這段時間段內的新增使用者總量。

PS：為什麼要用加權留存率？

使用加權留存率的原因是，當人數變化大時，資料會產生偏差，加權之後資料更穩定。

比如：第一天新使用者100人，次留50%，第二天新使用者10人，次留90%， 那我們說這款遊戲的次留是多少，是50%？還是90%？還是取平均值70%，還是取加權值53.64%？答案是取加強留存率53.64%。

圖中下面的那張表，是根據歷史遊戲的測試資料得出的留存率與遊戲質量的關係，大家可以參考一下。當然，不同型別的留存率是有差異的，這裡並沒有做區分，能做一個大致的參考。

2. CPL

我收集了近40款端遊和30款手遊開測節點的CPL資料，得出2008-2019年廣告投放CPL變化趨勢，供大家參考。


說明下，可以將CPL理解成買量成本，但是不同的型別遊戲的買量成本差異很大，比如卡牌遊戲買量成本可能只有20元，MMO遊戲的買量成本可能超過200元。

這裡取的是樣本遊戲的平均值，重點是想給大家看一個趨勢。

3. LTV & CPA

這裡列舉了某遊戲公測投放期使用者匯入成本與收益資料。


從這張圖可以看出：

（1）9月10日～23日，LTV(在這裡用arpu表示了)遠高於CPA，說明使用者收益高於使用者成本，效果較為理想；

（2）10月1日～8日，進行分眾框架樓宇廣告投放，LTV遠低於CPA，說明使用者收益低於使用者成本，效果不理想。

另外我們看到使用者的30天ARPU曲線和60天曲線非常接近，幾乎重合，說明這款遊戲的長留存很低，使用者生命週期很短。

LTV是非常重要的資料，是買量的指南針。一旦LTV（也就是使用者在遊戲中的價值）大於買量成本，就意味著產品已經回本。大家在計算的時候，要考慮到渠道分成。

比如使用者終身LTV是200，買量成本也是200，如果有渠道分成（假設是50%），那我們的收益其實只有100，是小於200的買量成本。

4. ROI(投資回報率)

這裡列舉了某款遊戲在iOS渠道買量的投放效果。


從這張圖可以看出，市場投放5天內ROI 51%，30天內ROI 71%，55天內ROI 75%，近3個月仍沒有收回成本，30天后的ROI日趨平穩，預計後續ROI不會高於80% 。

資料分析的工作不是總結歷史和預測未來嘛，這就是預測未來的一個案例，提早告訴領導，這次投放是否能收回成本。

05 常用資料指標

前面提到了關鍵的資料指標，我們現在來看一下日常分析過程中要用到的指標，這些資料指標儘管沒有核心資料指標那麼重要，但是它們是協助我們深挖核心資料指標動態變化規律的重要參考：


1. 收入指標

我們做收入分析的時候，會關注有多少人付費，付費金額有多少，付費率，ARPPU、ARPU，最後通過這些收入，以及相應的成本計算，可以給我們帶來多少利潤率。

2. 活動效果分析

不管是線上活動還是線下活動，我們會關注活動參與人數、參與次數、參與比例，活動轉化率。（有多少人轉化為付費使用者等）

3. 渠道分析

我通常會用綜合評價法來分析渠道的綜合排名，其中就會用到新增使用者、活躍使用者、付費金額、留存率、ARPU、LTV等等這些指標。

當然，我們知道渠道的作用主要是拉新的，所以我們首先要考察的是渠道帶來的新增使用者數是多少，然後再看這些使用者的留存、付費、LTV等，來判斷渠道的使用者質量好不好。我們做買量的時候，就會要經常分析渠道的使用者，哪個渠道的使用者少了、質量差了，就要第一時間反饋。

最後看ROI，基本上就是根據LTV和買量成本的關係來計算。

4. 使用者型別指標

我們在給使用者做分析的時候，會關注他是新使用者還是老使用者、是活躍使用者還是流失使用者，或者是流失迴歸使用者，也可以根據使用者來源判斷他是MMO使用者還是卡牌使用者等等。

5. 廣告投放效果指標

投放金額金額、曝光數、CPM（千人成本，平均每一千人分別聽到或者看到某廣告一次一共需要多少廣告成本）、點選數、點選率、轉化率、CPL、ROI

6. 使用者價值指標

是指使用者在遊戲中的價值，如果要看總價值，直接看LTV就可以。但是如果要將使用者價值細分，可以用到RFM模型中的三個指標：分別是最近一次充值時間、充值頻率、充值金額、LTV等。

請大家注意，但凡是有投入，有成本的地方，我們都會關注ROI

這裡只是列舉了常用分析指標，在實際工作中，會遇到很多很多的指標。

06 構建全面的資料分析體系

我以使用者和收入相關因素拆解指標的兩個案例為例，來梳理我在分析過程中是如何通過相關因素拆解來做資料分析的。

▍版本更新

版本更新效果好不好，主要看兩個資料：人數&收入。

人數和收入有沒有增加以及增加了多少是運營最關心的問題。那麼由人數和收入展開來分析，就有很多細分的維度。


比如：

1. 活躍使用者人數上漲

是新使用者漲了還是老使用者漲了？

如果是新使用者，那麼是廣告帶來的還是自然增長的？

廣告帶來的使用者和自然新增的使用者留存率是多少？

對比可分析出廣告使用者的質量，廣告帶來的使用者CPL和ROI是多少？多久能收回成本？

自然新增使用者是否有除了版本以外的運營活動刺激？

如果有，和歷次活動效果對比有哪些差異？

老使用者裡面，有多少是活躍的老使用者？有多少是流失迴歸的老使用者？迴歸率是多少？

跟之前簡訊召回、版本相比，迴歸率是否有提升？

2. 收入資料提升

收入的構成結構是怎樣的？

如果是時長收費遊戲，看時長和道具收入的比重分別為多少？

道具這塊，看道具收入的排名，哪個道具、禮包最受使用者青睞？

除了人數和收入，版本更新的內容也值得去分析，例如新的職業、新的玩法、新的任務和副本使用者的參與度，或者更為系統的分析，例如使用者消耗了這個版本的多少內容。

比如說，如果一個版本預設使用者可以體驗一個月，結果更新14天的時候，就有部分使用者體驗到了80%的內容，說明使用者比較“肝”，針對這個情況，就可以加快更新進度了。

▍漏斗轉化

這是某遊戲在某渠道上線第一天的資料，可以按照漏斗拆解使用者指標：


左邊是每一個環節的轉化情況，右邊是整體的轉化情況，從左邊每一步環節轉化，可以看出從點選到下載，以及從下載到安裝的轉化率很低，損失了一半的轉化，這個時候就可以針對這個環節去查詢原因，比如是不是客戶端包體太大，網路異常，還是因為下載完成後沒有提醒安裝等等。

從整個環境來看，從點選廣告進入遊戲的轉化率只有9.8%，付費轉化率只有0.5%，也就是說10萬個使用者點選廣告，最終進入遊戲的使用者只有9800人，最終付費的只有500人。

假設一個點選成本是1元（為什麼我假設1元呢，關於點選成本，不同的遊戲，不同的渠道不一樣，幾毛錢的也有過，幾塊錢的也有過，這裡假設就1元），那麼10次點選消耗10萬元，付費的這500人的arpu做到200元可以回本（不考慮渠道分成）。假設渠道分成比例是50%，那麼付費使用者的arpu要做到400元才能回本。400元的arppu，就有些難度了。

07 主要的分析框架及方法

資料分析體系裡面，除了有資料指標，還有分析框架和方法。

▍分析框架

無論是個人還是公司，均可以通過常用的框架來完善資料分析，這就是框架的作用。

這裡先介紹幾個常用的框架：使用者行為理論、5W1H分析法、AARRR模型、PRAPA模型、RFM模型。


1. 使用者行為理論

我們有一款遊戲，是在官網上進行了啟用碼售賣，只有先購買啟用碼才能成功登陸游戲。


那麼，根據使用者在官網購買啟用碼的行為，會有幾個步驟轉化，這幾個步驟能對應到市場營銷的5A模型，也能對應到使用者的行為理論。

使用者首先是要先開啟官網引導頁，使用者能找到這個網頁，說明他了解這個網站，可以觀測的指標有網站的UV，有多少人瀏覽了，PV瀏覽了多少次，以及訪問來源，這些使用者是從哪些渠道進來的，是百度搜尋，還是其他媒體。

其次，在官網引導頁裡面有進入官網的按鈕，點選這一步進來的人，說明他被吸引了，他是喜歡的，他對這個活動是有興趣的，可以觀測的指標有頁面平均停留時長、跳出率、頁面偏好，搜測熱詞等，可以觀測使用者對官網的哪一塊內容有興趣。

在官網頁面中，如果點選且進入了啟用碼購買頁面，說明使用者想進一步瞭解，想購買啟用碼，可以觀測的指標有註冊使用者數、登陸使用者數，因為使用者在購買之前需要註冊賬號。

當使用者支付購買了啟用碼，說明使用者行動了，可以觀測的指標有購買啟用碼的訂單數量，使用者轉化率。

最後，購買啟用碼的使用者可以進入遊戲了，如果他們認為遊戲好玩，會擁護這款遊戲，會推薦給其他人，可以觀測的指標有活躍使用者數（區分日活、周活、月活），活躍使用者比例，留存率、流失率。

2. 5W1H

我們從5W1H的分析思路去梳理流失原因的話，流程如下：


What，發生了使用者流失；

Who，是誰流失了，是新使用者流失，還是老使用者流失；是學生，還是上班族其他職業的使用者流失，遊戲中哪個職業更容易流失；

Where，在哪裡流失的，是在哪個地圖流失的、哪個地域流失的；

When，什麼時候流失，是新手期、中期還是高階期；

Why，是為什麼流失呢，是因為遊戲有卡點，任務不會做，還是副本打不過，還是社會關係薄弱，沒有朋友一起玩；

How，使用者流失了，怎麼辦，來個版本更新吧，或者活動來彌補版本的缺陷吧；

3. AARRR模型

這個模型是矽谷的一個風險投資人在2008年建立的，也叫海盜模型。在我看來，這個模型跟端遊時代的prapa模型有一些相似之處。


在遊戲裡面，第一步是獲取使用者，獲取之後要讓使用者登陸游戲在遊戲中活躍，活躍後可能會留存下來，留存下來之後，可能會付費，就會產生收入，如果成為忠實使用者後可能會推薦給他的朋友，這個模型的最後一步就是推薦。

這個步驟也是使用者的行為模型，每一步都會很多點可以分析，可以優化。

其實將這個模型倒過來看，就是一個漏斗圖，看哪個環節轉化低了，可以針對性的找原因。

4. Prapa模型

這個模型是我們公司在2003年的時候向行業推出的，通過這個模型，可以完整地瞭解一款網路產品投入/產出的關係。


P－promotion：投入（包括市場費用、運維費用、銷售費用、其他費用等）

R－register：註冊使用者

A－active:活躍使用者

P－pay：付費使用者

A－ARPU：使用者消費額

因為跟前面的指標有很多相似的地方，就不展開說明了。

5. RFM模型

RFM模型是使用者價值模型，是衡量客戶價值和客戶創利能力的重要工具和手段，就是根據使用者活躍程度和交易金額的貢獻，進行使用者價值細分的一種方法。


主要有三個指標：

R - 最近一次充值時間

F - 充值頻率

M - 充值金額

將使用者分為“重要價值、重要發展、重要挽留、一般價值”四大類。

RFM模型可以參考使用者價值資料，設計出使用者積分活動，構建使用者權益體系，尊享福利社，維持當前狀態並做好流失預警。

▍分析方法

除此之外，分析的方法有很多種，我在這裡例舉了14種比較常用的分析方法。

為了加深理解，舉一個例子，把以上的14種分析方法都用到。

例如，有一款遊戲某一天的收入上漲了，要找原因，為什麼收入上漲了？


1. 對比分析法

對比前一週或前一個月或一年的收入，收入上漲了多少；

2. 分組分析法

對付費使用者進行分組，分為大R、中R和小R；

3. 結構分析法

大、中、小R的人數和消耗金額佔總付費人數和總金額的比例；

4. 平均分析法

大、中、小R的人均消耗金額（ARPPU）；

5. 交叉分析法

大、中、小R參與活動情況，比如打行會戰的情況、裝備持有情況、元寶（鑽石）消耗情況等，讓我們可以從總分的角度來觀察資料；

6. 漏斗分析法

從賬號到登陸、留存、付費的各個環節的轉化，有可能會發現收入上漲的這幾天使用者留存、付費轉化率比以前高；

7. 矩陣分析法

將使用者分類，比如分成高付費高活躍、高付費低活躍、低付費高活躍、低付費低活躍四個象限，根據四象限結果，可以對每個象限或者矩陣採取相應的對策；

8. 綜合評級分析法

評價每個付費使用者在遊戲裡面的付費潛力。比如，取使用者在遊戲裡面近7天付費金額、半年付費金額、1年的付費金額，把這些指標轉換成一個綜合指標進行排名，根據排名來評估付費潛力。有可能會發現，有部分賬號近7天的付費金額排名靠前，但是1年的付費金額排名比較靠後，這些使用者有可能是流失迴歸玩家；


9. 5W1H

我們還可以進一步分析，為什麼這些使用者流失了會迴歸遊戲呢，是因為什麼原因呢？可以用5W1H法，找出什麼型別的玩家在什麼時間什麼地點因為什麼原因而回歸；

10. 相關分析法

找到了使用者流失迴歸的原因，同樣也可以分析這些使用者之前為什麼流失，可以通過一些指標來分析和使用者流失的相關性。比如，是打行會戰的挫敗感太強了？遊戲物價貶值太快？公會成員解散了？等等，把這些原因的資料指標找到後，看這些指標和流失的相關性，相關性越高則流失概率越高；

11. 迴歸分析法

把相關性高的指標找出來以後，將這些指標做為自變數，是否流失作為因變數，用邏輯迴歸，可以得出使用者流失概率；

12. 聚類分析法

可以區分PVP高活躍玩家，PVP低活躍玩家，PVE高活躍玩家，PVE低活躍玩家；

13. 方差分析

該方法可以配合聚類分析法找出異常值，把異常值找出來並剔除，聚類分析出來的結果會更精準；

14. 時間序列分析法

可以預測該遊戲未來的收入趨勢。

08 總結

其實，我之前做分享的時候，說過如何成為一名優秀的資料分析師，後來慢慢發現，優秀這個詞很難定義，我們考量的更多的綜合能力，

這個綜合能力包含資料思維（就是定量化的思維方式）、業務理解能力（需要不斷學習和積累）、資料分析的工具（都會使用哪些工具）、分析方法和模型、視覺化的技能、報告撰寫。有好的分析結論，也要能輸出出來。


當然了，分析師的這些技能很難面面俱到，我們一般會根據業務需求來挑選合適的分析師：

比如，我要找一個對接研發專案，幫助調優的，我儘量會找玩遊戲多的，且有從製作遊戲角度考慮問題而不是玩家角度考慮的分析師；如果要我找一個建模做預測的人,那我會盡量找偏向資料探勘的，業務方面弱一點也沒關係。

來源：數數科技
原地址：https://mp.weixin.qq.com/s/FcMu-91F8TOytlRuwRb76Q