遊戲運營數據分析(測試期):用戶分層和留存分析
測試期數據分析有三個問題:
我們的用戶是誰?有多少?
我們的用戶能留下來嗎?
我們的用戶的遊戲行為怎麼樣?付費嗎?會持續付費嗎?
往往根據目標用戶規模和留存,可以預測上線後日活躍預估;根據遊戲行為和付費行為,推測上線後收入情況。
一、我們的用戶是誰?
為了更精準抓取目標用戶,根據目標用戶特徵進行精準投放,各個遊戲項目會做用戶分層,從而精準定位目標用戶。
用戶分層可以精準定位目標用戶,預估用戶構成和規模,對不同用戶進行精準、分類運營。
1、用戶分層的方法
用戶分層的目標是對核心、次核心、潛在進行分層提取,根據分標籤用戶的吸量表現(轉化率:如-推送2000W資源,進來20W用戶,轉化率1%)和遊戲內表現(留存和付費情況),進行驗證。
一般用戶分層方法分成2種:
① 自定義分層。根據經驗劃分和已有玩家的畫像標籤,劃分核心、次核、潛在。
② 模型分層,基於已有核心用戶包,建模,用概率對全量用戶賦值(0-1),數值越高,越核心。
如何選擇用戶分層方法:自定義分層適合對遊戲玩法和核心用戶有明確認知,無核心用戶群,有充分時間的項目;建模分層適合遊戲玩法清晰,有一定核心用戶的項目。
哪種分層方法更好:不同分層方法有不同優劣勢,自定義分層定義清晰,但用戶缺乏隨機性,容易遺漏;建模分層依靠大數據,可靠,但對源數據無偏性依賴大。
2、目標用戶精準定位----以XX項目為例
① 預研究:問卷調研,初步判斷目標用戶構成和屬性。
設想要開發一款《老友記》IP的MMO手游。那麼,根據IP和MMO品類兩個維度,初步判斷核心(老友記IP且MMO手游用戶)、次核(老友記IP或MMO手游用戶)、潛在(ARPG手游用戶)、外圍(遊戲用戶)。
根據預設的用戶分層,每個標籤選擇部分用戶,進行定性調研,了解每個標籤用戶屬性特徵。
② 測試期分標籤驗證:
投放導量:測試期,根據預研究劃分的號碼包,會在測試期分包投放。
根據核心、次核心、潛在、外圍的定義,將目標用戶分成4大類,n小類,每個小類導入5k+的用戶,導入5k後就停止投放資源。
分包跟蹤:對n小類用戶的轉化率、留存和付費表現進行跟蹤。
可驗證--轉化是否符合預期,根據留存、付費表現預估上線後活躍、收入規模;
③ 數據建模
根據轉化率和遊戲內表現,對測試用戶進行特徵學習,根據特徵屬性,給大盤的每個用戶賦值概率,根據概率劃分核心、次核心、潛在和外圍。
二、我們的用戶能留下來嗎?
用戶留存關係到項目活躍的走勢。項目上線會關注的幾個問題:
短線和長線留存情況,並對比同品類競品;
留存高或低的原因:玩家駐留等級(涉及的美術風格、社交、商業化等問題),各r、各標籤用戶留存拆解。
以下是涉及的2個專題:
1、留存低原因分析(對比其他同品類遊戲,我們項目留存↓5-10個百分點)
分析思路:
首先,分層用戶(超R、大R、中小R、未付費用戶)的留存情況與競品對比。
其次,本遊戲首日註冊留存 vs. 競品首日註冊留存,本遊戲第五日註冊留存 vs. 競品第五日註冊留存。拆分渠道、用戶屬性,對比留存影響因素。
最後,駐留等級對應的節奏、社交、投入產出問題。
2、留存下降原因分析(上線第五日用戶留存 比 上線第二日用戶留存↓ 5%)
分析思路:
首先,看註冊次日、3日、7日流失玩家的駐留等級,駐留等級對應的玩法;
其次,拆分用戶渠道,不同渠道留存有差異,細看每個渠道的新進佔比,分析渠道新進佔比差異對留存的影響。
最後,拆分用戶標籤,導入不同的用戶標籤,看不同用戶標籤用戶佔比,及對留存的影響。
3、高等級流失陡增——以XX遊戲項目為例
分析背景:從流失等級分布看,42級是流失異常高點。對40級以上用戶的戰力分布、付費、金錢產耗、金錢存量和駐留關卡來分析。
① 流失等級分布:駐留在1級、42-45級佔比高。
1級,42-45級。
1級流失---跟遊戲品類和美術風格相關。
42級以上流失---需要深入挖掘玩家流失原因。
② 42級以上駐留關卡:f、g關卡玩家平均戰力明顯低於預期壓制戰力。
駐留佔比較高的關卡,分析玩家平均戰力和預期壓制戰力,發現f、g關卡中,平均戰力<預期壓制戰力1.5w左右。
③ 流失用戶付費情況:未充值、充值1天用戶,難度卡頓更明顯。
其中,未充值用戶流失佔比59%,充值1天用戶佔比24%。
④ 流失用戶金幣產耗情況:
流失用戶大部分集中在英雄抽卡,其他能力線投入較少,更容易造成關卡卡點,戰力差距大時,很容易流失。
其中,42級是戰力和等級雙陡增,建議把戰力卡點和登記卡點分開,讓玩家提前階梯式培養消費投入。
(此部分數據不方便貼出)
⑤ 流失用戶戰力分布:流失用戶實際戰力低於預期壓制戰力。
其中,非r用戶戰力集中在6-7w,付費用戶戰力集中在7-8w。
⑥ 流失玩家金幣存量:流失玩家金幣存量健康,付費玩家戶均存量明顯高於非r玩家。
推薦閱讀:
※XGBoost調參技巧(二)Titanic實戰Top9%
※我為什麼決定學習數據分析
※華為P10與小米6誰更受用戶青睞
※一名准增長黑客的數據分析修鍊計劃
※使用威脅情報追蹤攻擊者——Part 1 威脅情報的另類分類