數據分析告訴你遊戲公司是如何運作的

嘉賓|楊郁

採訪|趙良

審核|趙良

編輯|驚渡

趙良：請問遊戲行業一般有哪些分析？哪些業務上的集中度比較高？

楊郁：從遊戲分析角度來說，有下面幾塊比較重要。

首先，遊戲導量分析，在遊戲上線開始內測或遊戲初期小規模測試的時候，往往需要在各個渠道或廣告上進行投放試點，此時投放的效果數據非常重要。在各個渠道或廣告進行試導量之後，通過數據對導量效果進行分析評估，對遊戲後續的大規模投放具有重要的參考意義。

其次，比較關注用戶留存方面數據。用戶留存主要針對新用戶。比如當天新激活的用戶中的次日留存、7日留存、14日留存數據，留存率是每一個遊戲都非常看重的指標。

然後，當遊戲發展到一定規模后，需要對遊戲總體的活躍現狀進行分析，一般包括日活躍、周活躍、在線情況方面的分析，比如說平均在線人數、峰值在線人數等，這幾個指標對遊戲人氣、用戶規模具有較大參考意義。

另外，對於遊戲非常重要的是付費分析。企業都需要靠用戶付費來盈利。一般付費分析包括用戶的付費率、付費轉化、付費周期間隔、活動對付費的提升帶動作用等等，都是付費分析比較重要的點。

最後，用戶流失分析，主要根據用戶的生命周期和價值兩方面去考慮。從生命周期的角度來說，比較關注老用戶（核心用戶）的流失；從價值的角度來說，比較偏向付費用戶的流失。用戶在哪些場景下會產生流失，可以通過什麼方法來預防這些流失。

其它，就是一些比較細節的用戶行為方面的分析，比如用戶的遊戲時長、在遊戲里的消耗、喜歡購買哪些物品、在具體遊玩時的任務完成情況、局數完成情況、關卡情況等等。

趙良：對於遊戲公司來說，業務流量從哪裡來？新用戶留存對遊戲公司的重要性體現在哪裡？

楊郁：對於遊戲來說，獲取流量的方式比較有限，無外乎兩種：廣告和渠道。

通過廣告的方式， 就是與廣告平台合作洽談，把遊戲的推廣鏈接放在廣告平台或廣告聯盟中。例如，你在玩某個APP的時候，會彈出一些遊戲的廣告。另外還包括積分牆的形式。比如你在玩A遊戲，會有積分牆的推薦，邀請你去下載B遊戲，下載並註冊完成之後，你在A遊戲裡面會獲得一些獎勵。

另一種方式就是渠道。目前有兩大類， IOS和安卓。IOS比較規範，只要通過蘋果的審核手續等，遊戲就能上傳到AppStore中，用戶可以檢索到，但具體在AppStrore中的排名是蘋果根據自己演算法生成的（下載，評論，新增，付費等）。Android比較混亂一點，國內渠道沒有統一，較知名的手機廠商都有獨立的應用商店。如果要上熱搜榜或者排名比較靠前，一個看遊戲本身的質量，另外需要支付相應的推廣費用。

如上所述，對於一個遊戲公司來說，獲取新用戶的成本是很高的。現在往往一個新用戶的成本達到幾十塊。通過數據分析，研究如何留住新用戶，提高新用戶的留存率，分析哪個渠道或哪個流量來源的新用戶質量比較高，是非常重要的事情。

在遊戲行業，一般留存率指啟動留存率，即當天新激活設備在第N天依舊啟動，例如：7日留存率，當天新增激活設備在第7天還啟動的比例。一般來說，留存率往往代表了遊戲的總體質量和用戶的接受程度。實際中，我們可以按某些分析維度對留存率指標進行細分，常規的分析維度有：操作系統（IOS、Android）、不同渠道（360、華為、OPPO等）、不同省市地域（北京，上海，廣東省）、遊戲版本、不同區服等等。通過細分維度，可以準確發現哪些渠道或地域的留存率比較高，指導後面具體的投放，同時也能發現問題。此外，啟動留存率其實是一個弱指標。因為啟動不能具體地衡量出用戶在遊戲中的具體行為質量。因此為了更進一步分析用戶的留存率，我們往往會引入一些用戶行為留存率指標，例如：當天新增的用戶中有50%在第二天還是會啟動登陸，但是我只有30%的用戶可能在第二天遊玩的時長大於5分鐘，這幾個數據之間會有比較大的差異，有時候可以更加關注基於用戶行為方面的留存率。

此外，此前業內比較多的使用次日留存率、7日留存率、14日留存率來作為留存率結算的依據，往往會導致某些平台對留存率進行造假，刷出留存率比較高的情況。因此，查看留存率的指標應該是在一個長時間並且連續的區間來看，或者選取第8日、第16日的留存率，或者通過指標加權留存率等等。因為在實際中發現，有過遊戲第7日留存率還在10%左右，但第8日就一個啟動都沒有了。

關於留存率的具體應用，主要有三個方面。第一點，分析出來哪些渠道或者流量留存率較高，後期就在這些地方加大投放，但前提是必須確保這個留存率是真實的。第二點，通過用戶在遊戲內的數據判斷哪些行為會對留存率產生積極影響，並提前對這類行為進行觸發。例如：某款手游發現某用戶在首日對某物品有消耗，或接觸到某一場景時，對其後續留存會有明顯的提升作用，那麼在設計遊戲的時候，就可以相應地將這類場景提前，讓用戶儘早接觸到這類場景。第三點，新手引導的問題。大部分用戶在新手引導這一過程就直接離開了遊戲，可以嘗試在新手引導期進行精確埋點或日誌分析，挖掘用戶在新手引導的哪一幀或哪個時間點會離開遊戲，以便對新手引導進行改良優化。

總的來說，新用戶留存率是遊戲最重要的兩個指標之一。它的重要程度僅次於付費。留存率最能反映出一個遊戲的品質及後續發展情況。通過對用戶留存的分析及數據挖掘，能看出哪些點對於提升用戶留存率有作用，對遊戲的設計改進和運營策略的調整，都有著重大意義。

圖片源自網路

趙良：您能否就遊戲內容再進行一下講解？針對運營人員，在新用戶留存這一塊他們需要得最多的數據是哪些？

楊郁：新用戶留存是作為渠道選擇導量比較重要的幾個指標之一。在導量階段，衡量一個渠道的好壞，主要從幾個指標來進行評價，其中包括新用戶留存率，付費率、付費金額、LTV、遊戲時長等。一般來說，留存率和用戶價值是兩個最主要的指標，如果留存率高，用戶價值也高，那麼這就是最優質的渠道。

對於運營人員來說，他們通常看次日留存、3日留存、7日留存及14日留存。而且還可以對這些數據進行細分，比如從渠道方面進行細分，看哪一個渠道的留存率比較高。或者通過操作系統進行細分，比如IOS與安卓渠道的留存率對比，不同區服的留存率對比等等。運營人員另一個需求較大的數據是行為數據留存率，例如：當天新登陸，第二天依舊在登錄，並且時間大於五分鐘的這批用戶的留存率。此外，會有特定用戶群體的留存率分析，例如：首日登陸並且付費的用戶，或首日登陸並領取獎勵的用戶，在第二天的留存率分別是多少，本質上是對比不同群體用戶間的留存率差異和用戶質量情況。一般中等規模及以上的遊戲公司都有自建立的數據平台，上面有比較成熟的分析體系，部分數據則通過數據倉庫直接線下統計給到運營分析人員。指標在遊戲中的落地則表現在根據這些指標去調整遊戲的設計策略，通過優化遊戲讓用戶有一個更好的體驗。例如：在新手引導期，如果用戶在這個階段有大量流失，那麼是什麼導致流失，找出這個流失點及流失場景對於新手引導設計的改進是很重要的。有一個好的新手引導體驗，用戶往往會更願意繼續玩下去。

趙良：那麼老用戶的流失通常是在哪些階段？或者什麼因素會導致流失？從數據分析師的角度出發，分析的角度是在哪裡？方法有哪些？分析出來之後，這些數據又是如何落地的？落地的場景又在哪裡呢？

楊郁：從業務角度來說，老用戶流失的可能性比較多。比如說，用戶在遊戲中所有內容已經全部體驗完，已經打通關了，沒有新的追求點了；用戶在遊戲中遇到了阻力，卡在一個關卡很久，很長時間沒辦法通過，難度過大；或者由於遊戲會不斷地更新版本，用戶對舊版本的喜愛高於新版本，新版本中的一些功能，對舊版本中的一些人物進行了刪減，或者對人物的技能進行了重新設計，改過後用戶不是很喜歡，就不喜歡新版本；又或者在遊戲中時間久了，一些免費玩家或玩伴都走了，用戶繼續玩下去沒有什麼意思，遊戲的人氣整體上沒有剛開始的時候那麼好，開始情緒低落等等，都是導致用戶流失的原因。總之，用戶流失從業務上的原因來說多種多樣。

從數據分析角度來說，比較關心用戶在流失時所處在遊戲中的生命階段，以及在遊戲中流失前的一些行為狀態變化，通過這兩方面的分析挖掘可以改進遊戲設計策略以及開展用戶流失預警工作。

用戶在遊戲中所處生命階段一般可以由用戶在遊戲中的等級這個數據來衡量，因為一般等級是與用戶在遊戲中的成長、時間等指標都是成正比的。分析老用戶的流失首先會看哪些等級的用戶流失率較高，精準定位出用戶流失主要是在哪些等級階段，隨後分析這些等級對應遊戲中的具體行為。對於卡牌類遊戲來說，可能具體行為就是用戶流失時所處的關卡，在某一關卡的用戶流失數量和流失概率分別是多少。其餘，包括遊戲中天梯競賽排名的下降波動數據等等。對於棋牌類的遊戲，可能是用戶對局輸贏，用戶連續輸好幾把或者是一天之內勝率下降到多少時，用戶流失概率比較高。

我們之前對遊戲中的大R用戶（高付費）的流失情況進行過統計分析，發現這部分用戶在流失時，往往在某個關卡的卡關時間比較久，70%的用戶都在關卡卡了6天以上。對手游來說，6天是比較長的時間了。深入分析發現，大R用戶在卡關后的前3天內往往會付費，而且付費金額挺高。但無奈付費后玩了幾天還是無法通過關卡，導致最終用戶的流失。

因此，分析用戶在關卡持續卡了多久之後會流失，比較有助於遊戲的運營以及策劃人員做一些遊戲設計上的改良。特別是卡關後有較大付費的用戶，最終因無法通關而流失，是十分可惜的。因此，基於這些數據，可以適當結合遊戲的具體關卡場景，通過活動或設計改良，提供用戶更多的條件機會，例如： 多條命，多回血，通關后的獎勵提升等等。

除了在遊戲設計上的改良，基於遊戲中的數據分析挖掘，可以支撐用戶流失用戶的召回以及流失用戶的預測工作。流失用戶的召回指在遊戲中已經流失的用戶，通過接觸渠道引導用戶重新回到遊戲中，往往在遊戲發新版本時比較常見。當然，召回並不是說所有用戶都進行召回，通過數據分析，利用RFM模型進行用戶的細分，可以優先選擇在遊戲中付費高，活躍度高，而且流失時間距今比較近的短流失用戶進行召回。

關於待流失用戶的預測，我們通過數據挖掘模型的方法，比如說邏輯回歸，可以對現在遊戲中的用戶的流失概率進行評分，特別是對於核心老用戶以及付費用戶群體。通過模型篩選出這部分流失用戶，例如：篩選出待流失的付費用戶后，對於這部分用戶群體，可以通過遊戲中的客服進行一對一的關懷維繫，溝通交流對遊戲的想法，甚至有時滿足他們的一些要求，或者說是給予部分優惠等，以便他們能夠在遊戲中繼續玩下去，因為付費用戶，尤其是大R用戶的流失對於遊戲來說確實是非常不好的。

圖片源自網路

趙良：我覺得有一塊可能會非常重要，對於待流失的用戶我們如何進行挽留和判斷？您剛才所說的是用回歸模型，那麼在回歸模型這一塊的自變數上，一般是有哪些變數組成，以及如何判斷一個用戶即將流失？這方面有相關的經驗嗎？

楊郁：對於待流失用戶的預測，其實從模型上來看和其他行業有類似的地方。

首先，我們會建立一個樣本學習集，即從一些已經流失的用戶裡面選取他在流失之前一定時間範圍內的行為數據，來建立邏輯回歸模型。

其次，模型建立完畢后，通過一些驗證測試集的檢驗調優，最終會對現在遊戲里的活躍用戶進行一個流失傾向的評分，計算出流失概率值。往往會對流失概率比較高的，並且付費價值較高的用戶會進行一些挽留。

當然在建立訓練模型的時候，自變數的選取也是非常重要且耗時的一步。其實類似於現在機器學習中的特徵選擇，只有好的特徵才能最終輸出好的模型。一般從遊戲數據維度來說，會從用戶的活躍度、付費、遊戲內的價值行為（消耗趨勢、消耗波動值，某項物品占消耗或購買的比例，遊戲中天梯排名的變動情況、下降情況等）來構建自變數。

曾經做過最終對模型比較重要的幾個變數，一個是活躍度的下降趨勢，即一個用戶活躍度趨勢是下降的，那他流失的概率會比較高。還有天梯排名下降的情況，即一個用戶在遊戲天梯中的排名曾經到過前五，但最近跌至二三十位甚至於更靠後，那麼排名的下滑幅度也是重要的一個流失參考指標。此外，遊戲中用戶貨幣消耗的趨勢，即用戶貨幣的消耗越來越少、庫存也越來越少，則這個用戶的流失傾向會比較高；另有一種是貨幣的大額消耗波動，有些用戶會在流失之前將所有的貨幣去進行武將的兌換或是抽獎，如果沒有抽到心儀的東西就可能會導致用戶的流失等等。當然，有時候並不一定是單個自變數的影響，而是很多變數交叉影響的綜合結果，模型能夠很好的幫助我們發現這樣的規律。

一般在做模型的時候，會多放點變數到特徵選擇裡面去，包括一些原始變數和衍生變數。在特徵選擇階段，除了根據統計指標判斷外，還會加一點業務上的判斷經過特徵選擇后的變數進入到後續數據挖掘模型中，例如：決策樹、邏輯回歸、貝葉斯、支持向量機等分類演算法，都可以試試，當然考慮到最終系統應用實施，邏輯回歸相對來說好一些，在實際應用中也確實較好。

趙良：遊戲公司在遊戲消費分析這個環節，從業務角度來說，達到的目的或考量的因素會有哪些？業務部門在這方面，數據分析需求最多的會有哪些？從數據分析的獲取到最終的落地的整個流程會有哪些？以及數據分析最終落地的應用環節會有哪些呢？能否分享一下呢？

楊郁：遊戲數據分析要直接幫助遊戲盈利的話從本質上來說比較困難，更多是通過遊戲消費分析給遊戲的運營以及策劃人員提供用戶的付費習慣、付費行為的分析報告，幫助他們對用戶的付費行為、付費構成、付費情況及付費轉化有比較全面地了解和認識。例如：最關注的指標就是每天的付費用戶數，付費金額。這些指標也可以通過不同的維度來細分挖掘，例如：前面提到的IOS和Android渠道的付費金額及佔比，不同渠道來源的付費用戶數，付費金額的對比等等。

另外，通過付費用戶數，付費金額衍生出一些其他指標，用戶付費率（付費用戶數/活躍用戶數），ARPU（付費金額/活躍用戶數），ARPPU（付費金額/付費用戶數），也可以幫助我們對付費用戶行為及質量進行有效評估和監控。同時，也可以對不同用戶群體的付費指標進行對比，例如：新用戶的付費率，ARPU，ARPPU是多少，老用戶的付費率，ARPU，ARPPU是多少，不同等級的用戶付費情況的構成細分等等。

對於具體遊戲來說的話，付費分析的最終應用落地會有以下幾方面：一是通過首付的場景分析可以看看哪些商品對用戶的吸引力比較大，也就是說用戶首次付費后馬上在遊戲中的動作場景，例如玩家付費就是為了去買某款皮膚，付錢就是為了得到一個限量的武將等等，及時地了解用戶付完錢后購買商品的情況，並進行商品的優化調整。另一方面，遊戲裡面多多少少都會有活動。付費分析中，涉及比較多的是評估一個活動對遊戲消費的拉動作用有多少。例如：充值送武將的活動，送A武將可能對充值的拉動效果比較好，送B武將可能對充值的效果稍微差一些；上個月這個活動對消費拉動會有50%的提升，這個月我再做效果會有多少，等等諸如此類。通過數據分析，讓遊戲的運營、策劃人員搞清楚開展某個活動對實際遊戲的拉動消費的作用提升，某款遊戲適合做哪些活動，適合把哪些資源拿出來做活動等等。其次，付費有時還會涉及一些預測類的工作，例如：通過7日內的LTV（7日生命周期價值）價值數據，預測他終身的LTV會達到多少，當中也會涉及一些其他指標的使用。最後，與遊戲比較相關的還有遊戲里一些付費點設計，玩家是否會有相應的轉化。

總體來說，通過遊戲付費分析，首先可以了解付費用戶的構成，特別是大R用戶，其實大部分遊戲當中只要把大R用戶維繫好，基本上遊戲收入不會太差；其次，就是活動效果的分析評估，通過數據分析活動應該設計成什麼樣子，投入什麼資源，多久搞一次活動，目標付費群體是哪些等到。最後，就是剛剛有提到過的一些付費點，設計的付費點實際當中用戶是否有付費，以及付費轉化率等等，最終結果給到運營、策劃人員，幫助他們在實際的遊戲中進行改進優化。

趙良：聊了這麼多，你感覺我們還有哪些點是沒有聊到的呢，你可以進行補充。

楊郁：遊戲數據分析人員本質上主要服務於遊戲的運營，策劃，產品人員，同時結合自身對遊戲的業務理解以及專業素養，對遊戲進行深入的數據統計，數據分析和挖掘，通過分析提出一些遊戲當中可以優化改進的建議，某些建議可能是運營策劃產品同事不一定能想到的。

從數據產品的角度來說，可以輔助他們並最終在遊戲中落地應用的，主要有兩個場景：一個是上面提到過的流失預測，將預測出可能潛在流失概率高的用戶給到項目組，可以在遊戲中配合進行一些關懷和挽留。另一個就是商品推薦，通過遊戲數據分析和挖掘，找出用戶現在比較喜歡什麼遊戲當中的什麼內容，可能他比較喜歡遊戲當中的什麼內容。例如：拿卡牌類遊戲來說，玩家現在已經擁有哪些武將，玩家可能比較喜歡哪些武將，在玩家進入遊戲的時候適時恰當的給他進行某些其他感興趣的武將推薦，包括一些物品的推薦也是類似的。其他的，就是一些特定用戶群體或玩家的分群分析，用戶間的部落或公會分析等等。

趙良：感謝楊郁給我們精彩的分享。

End.

本文為統計網原創文章，需要轉載請聯繫統計網（），轉載時請註明作者及出處，並保留本文鏈接。

數匠往期專訪回顧

LoveData大數據100+系列訪談第001期——專訪 | 阿里巴巴資深數據分析師的成長之路

LoveData大數據100+系列訪談第002期——專訪 | 北京大學高材生的數據分析學習歷程

LoveData大數據100+系列訪談第003期——專訪 | 高級BI經理：流量分析之實際操作分享

LoveData大數據100+系列訪談第004期——專訪 | 高級BI負責人：初創型企業如何搭建數據體系

LoveData大數據100+系列訪談第005期——專訪 | 漲姿勢了！數據分析在航空業可以這麼玩

LoveData大數據100+系列訪談第006期——專訪|郜耿威：一款成功的數據產品在於能夠幫用戶解決問題

LoveData大數據100+系列訪談第007期——數匠專訪|第7期 黑子：如何進行用戶分析——實戰案例分享