遊戲資料分析的三大實戰案例深度解讀

本文根據「數數課堂·第二期」直播整理而成，圍繞3個案例介紹資料的價值：

案例1：開寶箱活動分析
案例2：兩次召回活動優化對比
案例3：利用資料探勘預測DAU收益

o1、資料分析&挖掘概述

資料分析並非隨手拈來的，資料分析是有其一定的框架可遵循的。


資料分析的框架可以分為3個主要步驟：

▍理解行業業務

對任何問題的優化，其前提都是對行業業務及崗位需求有著基本的理解，資料只有依附在實際業務上，才能從概念轉化成具有實體意義的內容。

▍將數字轉化為結論

資料分析是一個分析+探索的過程。我們有時是帶著問題和假設去分析、驗證，有時是純粹地在資料中探索，但無論怎樣的形式，我們都需要資料將我們導向一個理性的結論。

獲得理性結論是一個非常關鍵的環節。當我們跟一些同行交流下來，大家在做資料分析的時候經常得出一些看上去很正確的結果，但這些結果其實對業務指導的價值卻很小。

這樣的結果是因為分析還不夠深入，並且沒有把握住業務核心，才會導致看上去很正確的觀點，在實際的指導中卻沒有很好的效果。

▍結論的驗證與實踐

獲取結論後，我們到了最關鍵的兩步：

• 演繹論證已有結論
• 利用結論去優化業務
  

對結論進行演繹和論證，是從多維度證明我們的結論的可操作性。

通常我們可以用其他產品的已有資料去佐證這個結論，我們也可以在無資料的情況下，開展產品的版本A/B測試來收集資料，去實驗、驗證結論的可行性。

無論是用什麼樣的方法，都是為了證明資料獲得的理性結論，是能夠實際且有效地指導業務完成優化。

o2、資料分析的三個通用思路

在梳理完資料分析框架後，我們轉向資料分析思路。資料分析思路並沒有優劣之分，不同的分析場景需要不同的思路去應對，這裡我列舉了三個通用的基本思路：

• AARRR
• RFM
• 5W2H
  

▍AARRR——海盜模型

一個產品自上線開始，AARRR模型便從使用者獲取、留存啟用，再到營收傳播等流程，貫穿了產品體驗的全鏈過程，整體使用者進入產品後產生的每一板塊的資料都是分析點。

AARRR的思路比較適合分析產品的整體情況。特別是產品還處於早期測試階段的時候，我們就可以用這個思路去做產品的場景分析，從每一步的場景分析指標去找到產品優化和改進的點。

▍RFM——使用者價值分析體系

RFM是使用者價值的分層、評估體系。

我們在傳統的使用者分群模式中，將使用者直接分為：大R、中R、小R，按照累計的充值金額去粗暴地做使用者劃分，很難在這個基礎上做到更加精細化的策略應對。

RFM就給出了比較全面、有規範的分層模式，可以把使用者分群為，例如高價值、中等價值、潛在價值等層次。依據RFM給出不同層次的使用者需求，我們可以為不同價值的使用者策劃出更為精細化的運營策略。

▍5W2H——分析的基層框架

5W2H是最為常見的事件分析思路。

我們在做資料分析的時候，其實大部分處理方式的底層思路，均可歸屬到5W2H的思路。

我們會去梳理：

• 發生了事件？
• 事件發生在哪裡？
• 什麼時候發生的事情？
• 事件的關聯群體？
• 事情是發生的理由？
  

然後根據5W獲得事件處理方案：

• 我們該如何處理？
• 我們的事件處理程度？
  

這是一個比較寬泛，同時也是經常用到的分析思路。

o3、實戰案例分析

▍寶箱優化——捕捉簡單、顯眼的資料

這個棋牌產品正準備第二次開寶箱的活動，主要目的是希望通過寶箱活動去實現玩家線上時間及ARPU的提升。

經過第一次寶箱活動後，該產品目前的資料是這樣的：


第一次活動策劃的時候我們是沒有可對比的活動資料作為參考的，我們選擇了“大於10局的使用者數佔比45%”的結論去策劃活動。

到了第二次活動策劃，我們制定了活動的策劃思路：

• 進一步增加活動參與度
• 控制遊戲成本輸出（使用者金幣均獲取量）
  

根據這兩個思路，我們制定了第二期活動的改進方案。


這次改進中，我們改進了兩個活動點：

（1）降低參與門檻——提升活動參與度

此次活動最大的變動，便是從10局一次開寶箱的機會，改成了7次。這個調整的資料依據就是“大於7局的使用者數佔比為50%”。

這個改進依據是最容易發現的，同時也是最關鍵的。

（2）上調服務費——控制成本

為了吸引更多使用者參與活動，我們降低了抽獎門檻，並提升了獎勵金額。但是為了控制成本輸出，我們上調了服務場的服務費用，導致儘管玩家表面上更容易獲取資源，且資源數量不少，但實際獲取的金幣數量是低於第一次活動的。

改動之後，活動的參與人數的資料變化如下圖：


從抽獎次數來看，參活使用者平均抽獎次數從3.8提升到了4.6。


這個資料說明，門檻的降低促使更多的使用者參與抽獎，且抽獎頻率相較一期有了較為明顯的提升。

另外，活動的最終目的是為了提升遊戲留存，兩期活動前後留存的情況是這樣的：


資料顯示，第一期活動中的參活使用者次日留存率是從48%提升到了50%，提升了2個百分點。第二期活動中的參活使用者次日戶留存從47%提升到了53%，提升了6個點。


從整體使用者的次日留存提升來看，第二期活動之後整體留存提升了1.2%，這個資料對於產品的價值是非常高的。

通過這個活動的分析，我們可以看到活動策劃的一個源頭：關鍵的資料。

二期活動利用一個非常簡單的變數——10局到7局的改良，使得活動效果獲得了大幅度的改進。

很多時候我們會把資料分析想得過於複雜，但其實我們可以利用最簡單且明顯的資料就能做到非常顯著的優化效果，並且這樣的資料應用場景其實非常多。

這是我想通過這個例子向大家呈現的一個概念：抓住簡單而又關鍵的資料，往往能起到高槓杆作用。

▍MMORPG玩家召回活動

我們再來看看一款MMORPG產品的召回活動。

許多處於中後期運營階段的產品都會策劃召回流失玩家的活動。玩家的召回方式有很多種，常見的有簡訊、郵件、客服、微信等方法。簡訊資訊召回是價效比最高的方法之一，這款案例產品的活動也是通過簡訊來實現的。

但因為召回人群的差異，簡訊內容也要發生變化。首先對流失可召回的玩家進行幾個分層，如圖所示，分為核心使用者、高階使用者、次高階使用者、中端使用者、低端使用者123。


這是兩次召回活動的資料，資料包含了失敗、成功、目標召回以及召回率。

如果從活動召回率來說，第一次活動總的召回率是15%，第二次是20%。召回率這個指標反映出第二次的效果是明顯比第一次好的。

但如果我們再來仔細看整個資料的召回率比例，我們會發現第二次召回的使用者中，之所以會比第一次的召回率高，資料的提升更多體現在低端使用者的召回上。

因此第二次活動的召回效果是否真的好，我們需要看更多的資料和指標來佐證，到底哪一次的活動舉辦的比較成功。同時也需要通過資料分析找到下一次活動可以優化的點。

因此，我們選擇以下幾個點進行分析：

• 迴歸天數分佈
• 資源消耗對比
• 分型別使用者佔比
• 迴歸後30天內登陸不足20天的使用者
  

（1）迴歸天數分佈

對於迴歸使用者登入天數分佈，就是迴歸使用者在30天之內活躍了多少天。下圖是第一次活動和第二次活動的使用者活躍天數分佈。


第一次活動形式主要是發簡訊讓老玩家回來，利用每天簽到領獎提高留存，並在第十天的時候用大獎的形式提高使用者的長線留存能力。

第二次的時候，召回活動同樣也是每天都可以領獎，但是我們將大獎的領取時間拉長，讓使用者在第十八天的時候才可以領取。領獎時間的差異，導致資料上產生了差異。

根據這個表我們可以找出一些現象：

• 大部分迴歸使用者領了大獎後就基本都流失了。30天為週期，使用者登陸資料基本都是在15天左右開始下去。
• 迴歸的使用者在第八天的時候出現了一個流失的高峰。這是一個需要關注的點。因為在第一次活動的時候，第八天並沒有出現高流失的情況，因此，第八天的資料異常應該可以挖掘出一個對活動改進的點。
• 第二期活動留下來的使用者要比第一期留下的要多。二期活動迴流使用者要比一期多25%左右，證明使用者雖然領了獎品大多會流失。但是通過延長活動獎品的領取時間，可以讓玩家有更多的時間去了解遊戲的內容。
  

很多MMORPG是通過社群互動的方式，例如師徒系統、組隊副本等方式，提高了召回玩家的留存。

所以我們可以得到一個改進結論：

就是針對第二期活動，召回玩家在第八天左右出現流失高風險現象，下一次召回活動應當在第7第8天來適當地提升獎品獎勵，來提高使用者期望，從而促使玩家繼續留在遊戲當中。

（2）資源消耗對比

召回的目的不僅想讓玩家留下來，還要留下來之後多消費。


由圖可知，第二次召回的使用者的資源消耗（付費能力）要高於第一期的使用者，由日均1.8提升到1.9，提升了6%。同時，結合遊戲的付費資料，同期遊戲日均首日分別為300和240，可以看到第二期活動從營收上的確是要高於第一期活動的。

我們剛剛看到召回活躍度的對比，召回玩家的活躍度是第二期更好的，從充值和資源消耗來說，也是第二期更好一些。分析到這裡的時候，我們其實基本可以下結論，第二期的召回活動效果是優於第一期召回活動的。

分析到這裡，其實我們還沒有得到更多建議，去優化第三期的召回活動。因此我們還需要去深挖使用者行為路徑，去發掘使用者的價值。

（3）分型別使用者佔比

首先，是分型別使用者消耗佔比的分析，我們本身在召回的時候把使用者分了不同的層級，高階、次高階之類的概念。這些使用者迴歸遊戲後，我們針對他們在遊戲內分別消耗了多少資源做了一個對比的分佈圖，這個時候我們可以明顯地發現一些特別有價值的結論：

迴歸玩家消耗明顯集中在高階使用者和低端使用者1中。


在兩期的活動中，低端使用者1分別佔據了消耗佔比的44%和36%，均遠高於其他類別的玩家的。

其實一期活動策劃的時候，活動的目的是希望把高階+次高階使用者作為召回的核心，因為這些玩家的貢獻價值更大。

但實際上，這兩期活動對低端使用者1和次高階使用者的影響最大，後面如果我們要再策劃類似活動的話，我們就應當需要對低端使用者1做一個更為全面的分析，讓活動可以進一步挖掘這部分人群的消費能力和體驗導向。

同樣的，其他的使用者行為需求我們也需要進一步的分析，對整個活動進行改良，以提高活動對其他使用者的吸引力。

綜上所述，活動對我們的核心使用者群——高階使用者&次高階使用者，其實吸引力是不大的。

這裡就可以獲得兩個結論：

• 迴歸玩家的消耗主要來?於次?端?戶和低端?戶1，尤其是低端?戶1，此類玩家在兩期活動的消耗中分別佔到了44%和36%。作為召回活動主要召回物件的核??戶和高階?戶反?沒有表現出較強的付費能?。
• 低端?戶3型別消耗佔?第?期有較?幅度提升，由3%提升到了12.7%，說明雖然此類?戶中有?量的?號、倉庫號，但其中真實?戶仍然能夠給遊戲帶來?定價值
  

由上述結論便可以匯出對第三期活動的改進建議：

適當提升次?端?戶和低端?戶1的獎勵價值，因為這兩類玩傢俱有更強的消費能?和傾向，適當提升獎勵價值可以達到提升其消費意願的作?。

這是對使用者進行分類的對比，我們還可以看回歸之後30天之內，登陸不足20天的使用者，從中再去發掘更多資料資訊。

（4）迴歸後30天內登陸不足20天的使用者

這個使用者就是召回之後再次流失，他們回來之後為什麼又走了，這裡其實是需要結合整個遊戲的玩法去分析了。


比如說低端使用者3的等級分佈，它的流失點分別為65級及70級，這裡要結合遊戲的玩法去分析這兩個點存在什麼樣的問題導致玩家流失。

對於這個遊戲來說，65級和70級的時候有一個要求較高的飛昇系統。前期在召回玩家回來之後，我們會獎勵玩家一些經驗值和獎勵的禮包，但到了飛昇的時候會卡在這裡，這個點也會成為未來活動優化的方向。對於低端使用者2也可以同樣使用這樣的思路去分析優化。

通過這個案例，我們可以得到一些結論。我們在做活動資料分析的時候，很容易只停留在活動的資料表面，並沒有對下層行為做一個深鑽，如果我們從不同的角度去深挖資料，就可以得到很多意外的收穫。

▍資料探勘案例

資料除了資料分析的價值，另一層價值就是資料探勘的價值。

資料分析是依賴於人的經驗及人對業務的理解，依賴人的邏輯思維能力去找到整個業務相關的資訊，去找到理性且可以指導我們產品優化的點。

資料探勘就是從另外一個維度去發掘資料的價值。

我們這裡用一個比較簡單常見的案例：產品的DAU預測。通過這個案例，我們可以看到資料探勘的一個思路。


這裡有三條曲線，分別代表了三個產品的DAU，三個DAU走勢波動比較厲害，而有一些的週期性比較明顯，沒有太多規律可言。

我們就需要一些比較科學的方法去預測DAU、分析產品的DAU、分析具體的場景去對我們的一些產品決策進行輔助

比如說這個場景：

現在我們公司有一個產品公測沒多久，公司給的KPI指標是產品投放後能夠達到50萬的DAU。事實上，在產品上線的兩週，產品的DAU一直在45萬和47萬徘徊，專案組還有一筆預算，需要去衡量這筆預算如果全部拿去買量的話，能不能達成這個KPI。

這個時候我們需要找到一個可以科學決策的依據，我們要分析整個DAU跟新增使用者的關係，去分析投入多少錢可以獲得大概多少的新增，這些新增又能帶來多少活躍的提升。

為了預測這個DAU，首先我們需要對指標做一個拆解，首先需要定義它。每日登入使用者，就是DAU的定義，只要使用者做了登陸操作，我們就認為他是一個活躍使用者，DAU一直處於波動狀態。

造成DAU波動的因素由這幾個點構成，通常我們把整個日活的使用者比喻成使用者池，每天都有流入的使用者，每天都有出去的使用者。所以一個流入一個流出形成了資料的波動，對於流入的部分我們可以分為三個部分：昨日留存使用者+日迴流使用者+日新進使用者。


分解之後，我們就可以完成一張新進使用者的留存表。


表格一共列舉了5天內有多少人留下來，在後續20天每天又有多少人留下來了。我們會發現裡面的留存率，是根據下方示意圖的趨勢發展的，呈現的是衰減的趨勢。

然後我們找來兩個產品的留存資料畫出留存曲線。


大家可以看到這兩個曲線還是挺有規律的，相對來說還是較為平滑的，這個時候我們需要選擇一個函式模型——冪率分佈對它進行建模。


其中：

• a為常數（可簡化）
• b為新進留存係數
• x為產品執行天數
  

如果b的值越大，留存情況就會越好，因為b這個值決定了曲線的傾斜程度，比如A產品第一條綠線的b值就要大於紅線。

所以b值就可以反映出產品的使用者留存特徵，我們就可以把b定義為新進的留存係數，留存係數可以通過三個點決定：

• 產品的品質
• 使用者的質量
• 運營的活動
  

在結合上述理論後，我們就可以從已經運營一段時間的產品中抓取我們產品的b值，畫一個走勢圖。


這是該產品b值一年來的走勢圖。從大的層面來看，b值的波動不是非常的大，但是波峰和波谷都有相關運營活動或者版本迭代的干預，導致了這個值的改變。

b的值非常有意思，因為產品本身的質量其實是比較穩定的，可以用它衡量使用者質量，或者運營活動的質量。

有了這樣的模型之後，我們就可以把計算DAU的公式列出來了。


有了這個公式我們就可以進行DAU的預測了，下圖展示了實際走勢和預測的效果。


對比實際日活和預測日活的，雖然存在一些偏差，但總體來說還是非常吻合的，其中某些波動是受到了運營活動影響。

有了以上模型，我們再投入實際的應用評估中。


我們回到DAU50萬的目標上。

從上圖可以看到上面這張圖是日活躍與日新進的走勢關係，這些都是不限號之前的走勢，不限號之前是比較穩定的，核心玩家一直都是比較穩定的，沒有什麼比較大的變化。中間拐點是不限號當天出現的，日新增註冊使用者自拐點之後一直往下走。

我們代入那個日活公式後，下方圖的紫色部分就代表我們的預計的日活曲線。最後推算出來是，我們需要連續兩週每天都要有8萬的新進，才能夠完成50萬DAU的KPI。

這個結果所需的費用跟我們實際的預算相比差距太大，因此我們放棄了投放買量的計劃。如果預估和實際預算差距不大的話，可以嘗試一下。

這次的資料探勘就給了我們此次決策的資料支撐，告訴了我們這個決策是不具備可行性的。後來為了完成目標，我們改用了拉小號的活動，將資料快速地推上去。

總結一來，常見的資料探勘可以分為三步：

• 利用歷史資料
• 建立概念模型
• 預測發展趨勢
  

來源：數數課堂
原文：https://mp.weixin.qq.com/s/NXGdnkf-BihREiCxOc876A