當前位置: 華文問答 > 遊戲

如何分析遊戲營運數據並提出有效改進方案?

2015-07-11遊戲

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:

完整高畫質內容關註公眾號「遊戲橘子」,並回復:「付費數據分析」獲取

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。

完整高畫質內容關註公眾號「遊戲橘子」,並回復:「付費數據分析」獲取

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。