對於商業化遊戲來說，收入可以說是重中之重。但有的時候，付費點挖了，營運活動做了，收入就是提不上，問題究竟出在哪呢？今天，我們就從數據角度來聊下，如何最佳化你的付費設計。
首先，開局一張圖：
數據轉化率分析
數據轉化率，也就是漏鬥模型，是透過使用者行為軌跡，分析使用者在行為路徑中的轉化。
那麽對於付費道具購買這裏，其行為路徑可能就會是這樣：
漏鬥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數據拉出後，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，從而最佳化在這一過程中的轉化率。
在這個過程中記錄log需要註意的是，這裏記錄的都是客戶端數據，沒辦法將每次點選都記錄一條log，那樣數據就太多了，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麽準確，但可以避免被程式打）
數據波動分析
一個常見的工作場景：你的老大看到充值數據掉了，直接喊了你說，某某某你查一下為什麽今天充值跌了？
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。 這裏，我可以分享一個簡單的方法，那就是，用公式：
一個指標變了，想知道為什麽變，我們就要將這個指標進行拆解，層層抽絲剝繭，找到數據變化的真正原因。
針對收入來說，我們分析付費金額為什麽增加或者減少的時候，就要從DAU，付費率，ARPPU這3個數據中找原因。
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數據影響。找到波動較大的數據，再去分析收入變化的原因，就更加有理有據了。
當然，在實際套用中，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
我們在做一個營運活動後，往往會分析營運活動做得好不好。那麽，哪些指標可以反饋營運活動的參與情況呢？
我認為，有3點：
參與活動的使用者內容、使用者參與率、使用者參與深度。
參與使用者內容，可以從使用者付費能力、成長情況、所在伺服器、其他類別來進行劃分。
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。
了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，來為我們下一步的最佳化提供佐證。
這裏在拆分使用者內容的時候，除了付費、成長、活躍等這些基礎內容，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內容。
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，那麽我們有理由推測，購買了A道具的玩家，會影響B道具的購買欲望，所以在拆分使用者內容的時候，也不要忘了此類數據。
用我工作中的一個活動分析舉個例子：
上圖的數據，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，就可以了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，即使透過數據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，有些沖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，那麽低折扣騙了一次，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， 我們還可以透過數據看到：
不同類別的使用者在擁有多少個以後，購買欲望開始減弱的？
不同類別的使用者在培養到什麽程度後，購買欲望開始減弱的？
不同類別的使用者在消耗多少道具後，購買欲望開始減弱的？
只有了解到玩家是否需求，才能保證商品持續具有吸重力。那麽，沒需求了怎麽辦？找數值，開新坑唄……
數據分析需要註意哪些問題
我們在做數據分析時，很多人擺了一堆數據，卻得不出有用的結論，使數據分析淪為紙上談兵，那麽，在實踐中，數據分析會有哪些誤區呢？
1） 先有結論，然後用數據證明結論。
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麽數據不好。
但這從一開始就是一個誤區。4%真的是一個很差的數據嗎？為什麽？這個4%的裏頭是不是含有什麽水分？在這裏就要拿出數據來說明。假如10級以下付費率是0%，10級以上付費率是10%呢？
那麽對於這樣一個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份使用者直接排除在外呢？在去掉這部份數據後，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，羅列數據，想到什麽說什麽。
數據分析雖然有分析方法，但並不是照章辦事即可。比如，我們要分析使用者內容，那麽需要把所有跟使用者內容相關的數據都羅列嗎？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，高等級玩家占了付費主力，那麽在數據分析時，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，為什麽？然後抽絲剝繭找到原因。
分析的數據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數據，而不是羅列全部數據即可。
3） 數據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，並能夠把數據分析的結論與業務相結合，最終最佳化數據表現，讓我們的數據分析產生價值。
怎麽樣才能產生價值？找到問題存在的原因是價值，最佳化當前數據表現而提出自己的改進方案也是價值，這些光有數據還不夠，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。
如果覺得我的文章對你有幫助，還請關註公眾號【遊戲橘子】，聊聊遊戲營運那些事兒。每周更新，幹貨滿滿噢。
