遊戲數據分析－－ 玩家流失可能因為什麼？

30 人贊了文章 兔子臨近畢業忙著6門課，好久沒更！最近想做一些玩家流失的預測模型相關的議題，本文主要以探索和思路為主。流程如下：

解決的痛點和問題：

我們都知道遊戲運營最怕的就是玩家流失，玩家的反饋是非常重要的。本文作者兔子，對遊戲了解還有待提高，本文只是寫寫自己對遊戲數據分析的愛好，由於並沒有真實遊戲數據，因此引用多篇論文和書籍的圖片。

我們目標是有3個

• 探究一下玩家流失的情況

• 了解其原因以及預測哪些用戶是潛在流失用戶

• 反向思考流失玩家的特徵，如流失玩家的等級，怎麼挽留？

1. 定義流失

我們怎麼定義流失玩家呢，從論文 《Predicting Churn: Data-Mining Your Game

》by Dmitry Nozhnin了解到 7天處於非活躍狀態就可以算成流失玩家。

由於本文是只是思路和分析過程，並沒有數據，所以定義以下條件為流失玩家：

• 連續7天不上線（ >=7 )

• 本月活躍度<=0.2 (30天上線6天)

• 活躍度=活躍天數/本月已註冊時長， 例如註冊了5天，活躍天數＝1, 活躍度為0.2

2. 細分玩家數據----特徵篩選：

提出問題, 設定KPI和指標

玩家流失的可能原因？由運營和技術共同得出一些假設：

1. 目標感缺失導致流失的新手期流失玩家

2. 遊戲玩法過於複雜

3. PK挫敗感

4. 十連抽垃圾

5……

在特徵篩選的時候一定要和運營市場等同事溝通交流，去找專家給出可能的數據指標。

以下指標只是本文隨機篩選。

玩家ID

玩家角色名

等級

註冊時間

活躍時間

本月充值總額

本月銅幣活躍（銅幣的交易次數）

本月綁定銅幣活躍（綁定銅幣交易次數）

本月元寶活躍（元寶交易次數）

本月活躍天數（登陸天數）

本月登陸次數

本月登陸總時長

物品合成

點兵

寵物升級

兌換元寶

裝備洗鍊

裝備強化

工會貢獻

購買禮包

任務完成數

召喚

四．分析過程和思路：

第一步：通過這些指標，多維度將玩家進行聚類分析

通過這些多維度的數據，將手遊玩家分類成A,B,C,D， 根據聚類結果，做成用戶畫像。我們成功把數據轉換成了4個群體，那麼接下來我可以得到4組數據：

1.A類已經流失的玩家和未流失的玩家－－－－鯨魚用戶

2.B類已經流失的玩家和未流失的玩家－－－－大R

3.C類已經流失的玩家和未流失的玩家---------中R

4.D類已經流失的玩家和未流失的玩家----------小R和無R

（圖來自talking data于洋老師 《遊戲數據分析的藝術》）

第二步：建立模型預測流失，然後看哪些因素"重要性"最大

由於已經有了4組數據，我們可以根據數據來建4個模型針對A,B,C,D類玩家

2種建模方法，決策樹和貝葉斯，在建立完模型後，我們可以探索一下哪些指標提供了最大貢獻值，如下圖。雖然顯然活躍度對流失玩家影響最大，但這個圖片由於是從不同論文里篩選，所以其實結果不正確的。

（引用：流失預測 & 分類模型（一）_石_頭_新浪博客）

第四步：用模型去預測潛在流失的用戶

通過聚類＋決策樹還可以知道，哪些玩家是即將和潛在流失的，從而來預防流失。

第五步：挽留策略－－－反向思考以及提出問題

1.流失玩家的等級

我經常在遊戲中會覺得等級這個東西其實蠻重要的，因為他聯繫到玩法的豐富度，通過看流失玩家的等級分布，提出一個問題：一般來說A, B, C, D類玩家他們會在什麼等級選擇棄游？這樣結合下面的業務思維導圖去分析具體流失的原因，假設A 類鯨魚玩家喜歡在50級退游，那麼我們對應的可以在50級時候推出新的玩法。

2. 流失玩家的物品關聯分析

流失的4類玩家，他們在流失前，各自有什麼樣的物品和購買喜好？

情景思考：假如有一個A玩家，缺一個前排英雄，然後我們這個時候通過物品相關性給他一個低價禮包是可以買一個隨機前排英雄的，他會不會減少流失的可能？

3. 流失玩家的元寶消費情況：

情景思考：一個玩家經常遇到無元寶可以用的時候就會感覺想要放棄遊戲，我們可以做做流失玩家元寶的消耗和擁有情況，在他們快要流失的時候給予特殊個性化的一些禮包或者郵件獎勵。

4.更多流失玩家維度的分析，可以參考下圖，可對流失玩家的各個維度進行可視化，然後分析

• 停留關卡

• 元寶消費去處

• 十連抽紀錄

• PK紀錄情況

• ....

總結：

由於缺少真實數據，加上寫作時間較短，本文研究的不夠深入。反思，其實可以建立模型和不建模兩種方式都可以去分析。建立模型雖然是高大上，但是相對的缺點是：消耗時間去調整參數和運營成本偏高。不建模直接通過將流失玩家的各種指標去可視化，簡單可視化去分析也是可以的，最重要的是怎麼把流失玩家的原因找到和挽留，方式其實不重要，重要的是真正通過玩家行為數據來了解玩家棄游的原因。

PS：1.值得一提的是,除了遊戲內的原因,其實遊戲外的原因也會讓玩家棄游,不要過分依賴數據。 

2.  本文完全沒有數據,僅提供思路和分析過程,以下是引用。 

參考論文和書籍：

1. PredictingChurn: When Do Veterans Quit?

Predicting Churn: When Do Veterans Quit?

2. 《Predicting Churn: Data-Mining Your Game》 by Dmitry Nozhnin

3. 《Churn Prediction in MMORPGs: A Social Influence BasedApproach》by Jaya Kawale, Aditya Pal, Jaideep Srivastava

4. 《Churn Prediction for High-Value Playersin Casual Social Games》by Julian Runge and Peng Gao, Florent Garcin and Boi Faltings

5. Talkingdatademo

talkingdata

6. 遊戲數據分析：流失玩家分析之道

遊戲數據分析：流失玩家分析之道 | 36大數據

7. ChurnPrediction in Mobile Social Games: Towards a Complete Assessment Using SurvivalEnsembles

8. 流失預測 & 分類模型（一）

流失預測 & 分類模型（一）_石_頭_新浪博客

9. 準確分析數據 玩轉手游運營

準確分析數據 玩轉手游運營_琵琶網

10.遊戲數據分析三部曲|遊戲運營 | 打不死的小強

11. http://Thinkinggame.com上海第三方遊戲數據分析報告demo

http://www.thinkinggame.cn/demo.html- /operateLost