6月11日，盛趣游戏数据分析专家黎湘艳老师开启了数数课堂·第六期直播，本期也是黎湘艳老师三期专题课程的最后一次直播分享。

黎湘艳老师向学员们分享了流失分析、渠道用户质量分析、活动效果分析3大板块的处理经验，并用6个实战案例详述如何将固定的数据分析框架灵活带入至各个项目中，让分析结果产生驱动业务的价值。

 

—–/以下为文字实录/—–

前两期课程我们谈到了：

1. 复盘我在数据分析岗的心得体验；

2. 讲述如何搭建数据分析体系，其中包括数据分析的六脉神剑，数据分析的关键指标、数据分析框架，数据分析方法等内容。

本次，我会主要讲解过往大家最关心三大板块：流失分析、渠道用户质量分析、活动效果分析，并会为数据分析师们提供一些岗位建议。

01

流失分析

流失分析数据是粗粒度衡量各测试节点质量的关键指标。

“因为我们知道，每款游戏都有用户流失的情况，只是多少的区别，然而一般情况下我们只能看到结果，但是如果能定位到原因，就会有办法调整。”

 

▍如何定义流失用户
在介绍流失方法和具体案例之前，我们先了解如何合理地定义流失用户？大家刚开始做流失分析时最大的困惑，就是选择多大的时间跨度才能准确定义玩家为一个流失用户。

假如流失玩家的流失期限定义太短可能会造成资源浪费，比如：当定义3天未产生登录事件为流失，有可能这一部分用户在3天以后的回归率很高，这就导致召回活动会覆盖许多非流失玩家，大量的召回奖励不仅浪费资源，也破坏了游戏平衡性；

而假如流失玩家的流失期限定义太长，比如60天未登录游戏即流失，这样覆盖全部真实流失玩家的比例较低，召回活动显得没有太大的意义。

其实不管有没有做召回活动，如果流失用户定义不准确的话，我们分析出来的流失用户特征便存在误差。为了规避上述情况，我们采用了流失用户回归率及拐点理论，来制定流失用户定义标准。

当X轴上数值的增加会带来Y轴数值大幅增加或者减少，直到超过某个点之后，当X增加时Y的数据增加或减少大幅下降，也就是经济学里面的边际收益的大幅减少，我们就这个这个点认为是“拐点”。

下图是以3天为单位的流失用户回归率曲线，（也就是用户某日登陆游戏，在此之后三天内没有继续登陆游戏，我们就认为它已流失），当流失期限超过15天的时候，曲线逐渐平滑，我们可以认为当一个玩家连续15天没有登陆游戏，可以判断它已经流失。

 

 

那么，是不是每款游戏的拐点都一样呢，是不是都可以取流失15天的用户为流失用户呢？我们来看这张图，ARPG游戏，曲线拐点发生在21天，即玩家3周不登录游戏，认定为流失。某卡牌游戏，曲线拐点发生在9天，即玩家9天不登陆游戏，认定为流失。这意味着不同类型的游戏，拐点差别很大。

 

我们对应到品类特性来说，ARPG更吃操作，玩家无论什么时候上线都可以顺畅地体验游戏内容；而卡牌养成类用户若超过一两天没上线，就会很快被版本进度落下，其游戏难度自然会越来越大。

除此之外，即便是同一款游戏的拐点也有差异，不同日期的流失用户回归率也有差别，但差异度不会有不同游戏这么明显，这个时候我们可以选取中位数作为流失期限。其实，拐点计算并没有固定公式，大家可以根据实际的数据来作具体判断。完成了流失用户的定义分群后，我们便可以对这一批流失用户作进一步的流失原因定位。

▍3个主要流失分析方法

目前，我整理了共8种流失分析方法，基本可以覆盖90%以上的流失情况:

 

 

其中，5W1H法、流失和留存用户对比法、流失前最后一次游戏行为、排除法及版本消化情况分析法为利用行为数据对流失的定量分析法；

而问卷调查法、电话回访法及文本挖掘法为整理用户反馈的定性分析法。

这里我重点谈一下定量分析中，最重要的5W1H法、流失前最后一次游戏行为法和排除法的案例。

 

5W1H

 

What：发生了什么？7天内流失了35%的用户,其中新用户流失了93%。

When：什么时候流失？是新手期？中期还是高级期？阶段的定义可以按等级、游戏进度、充值级别等方式划分，不同游戏的划分方法各不相同。这个案例中的新手期是1~30级，中期是31~40级，41~50级是高期。

Who：什么人流失？是指什么游戏职业或什么生活职业的流失率比较高？从这张图可以看出学生的流失率是35%，上班族的流失率是55%，自由职业者的流失率是10%。这个时候可能有人会问，流失用户职业是怎么判断出来的？这里之所以能实现对用户职业的判断，是因为我们在做用户调查的时候会采集用户的职业信息。我们做数据分析工作的时候，采用用户调查和行为数据相结合的形式实现聚类分析，将用户分为上班族、学生和自由职业者等分群。有一些运营的同学会觉得没有用户分群的必要，就算我们知道了游戏中的上班族和学生，又有什么作用呢？首先这个数据可以了解到游戏对不同人群的吸引力，其次学生和上班族喜欢的内容不同，可以根据各自的喜好做相关内容的推广。

Where：在哪里流失？我们可以通过用户下线的地图坐标，发现用户最后一次下线的地图集中在扬州城某几个区域。

Why：为什么流失？

我找出了任务A的完成门槛较高是玩家流失的原因之一。然而任务持有量高不一定就表示这个任务不会做，也并不一定是玩家流失的主因。而有可能是做这个任务所花费的时间本来就比较长，或者说是这个任务正好是一个卡级任务，所以我们还是需要具体问题具体分析。

 

 

不过先不谈更深入的东西，先解析一下在这个案例中我为什么确定这个任务A给玩家造成了困扰呢？

首先，我找出了持有量高的任务，接着看这些持有任务的用户是否还有继续登陆游戏，如果玩家不继续登陆游戏，说明就是不想继续了。

但是同时，持有任务A的用户多次登陆游戏后仍然有38%的用户持有，说明玩家还在继续尝试做任务。

基于此我们再深入下一层来看，我提取持有任务A的用户等级来做分析，这个任务的接收、完成的等级区间在4-5级，结果发现持有这个任务的用户等级区间达到了4-20级。

这说明玩家在做这个任务的过程中真的遇到困难了，至少是对部分玩家造成了困扰。前面也提到过定性分析的重要性，因此我们通过用户调研了用户流失的原因。

其中任务不会做、任务太繁琐、任务目标指引不清晰的确是玩家流失的原因之一。

定量和定性相结合得出的结论，我们就比较有把握了，然后我们就可以继续到下一步骤。

 

How：怎么办？针对这些流失原因，数据分析师给了一些建议，运营也制定了挽回策略。

 

 

最终项目团队的对策是：

1、项目团队将以上分析结果和用户建议反馈给研发方，希望今后的版本能更适应用户，减少流失。项目团队也针对这些问题做了一些运营活动，来弥补版本的缺陷；

2、开发机器人喊话工具；

3、在游戏内举办“每天一喊话，传播正能量”的在线活动：任务A怎么做，旁边就能买装甲（110*110买装甲），等等类似这样的提示。

最后一次游戏行为分析法

我在上文概述该方法的时候，列出了用户流失前最后行为的分析框架，大家可以在这个框架的基础上作更多补充，也可以根据自己的项目业务需求来制定新的分析框架。

 

• • • 如果玩家最后一次的游戏行为是做任务，可以看他做最后一个任务的时长、等级当前任务流失人数、当前等级所有任务流失人数、流失比例，这样可以找出有问题的任务。
    • 如果玩家最后一次的游戏行为是进入某个地图，可以看各地图下线人数、下线前游戏时长、下线前用户等级、高流失用户下线点，这样可以找出不同等级用户对应的下线路径，我们知道了用户所在的地图、坐标点，如果有异常点，也能定位具体的原因。
    • 如果玩家最后一次的游戏行为是下副本，那么可以看副本的通关人数、未通关人数、通关率，能定位到副本的问题。
    • 如果玩家最后一次的游戏行为是活动，那么可以看下线前活动参与人数、下线前活动参与时长。看是否有某个活动影响到玩家流失。

基于上述内容，我们需要给出的一张满足下面描述的分析表格：

 

 

记录每个玩家的最后一个行为事件，以及对应的属性（等级、时长）。如果在这个基础上再扩展的话，可以做玩家的行为路径，看流失用户的行为是否有共同之处。我之前做过玩家下线之前的5个行为，发现了流失用户在流失之前的确有共性，大家也可以尝试做一下。

 

 

排除法

当时我们有一款游戏正在进行不付费删档测试，次留40%、三留30%，低于原定预期。制作人希望我们对这款产品的数据做问题分析的时候说到：

“在设计游戏的时候，我们追求的是前期有拉力，将玩家顺利拉进游戏的中后期阶段；在中后期，希望有牵引力，玩家被游戏吸引后不舍得离开。”

 

接到这个任务后，我们先深度体验了游戏流程，记录每个流程、等级所对应的任务。然后我们对整体情况进行框架性梳理，按体验阶段分为前、中、后期，并找出高位流失等级。最后再对游戏内各项数据进行整体排查，完成假设、验证的排查流程。

梳理各个高流失等级对应的游戏内容，结合验证过的游戏数据进行排查，找出不同等级的问题点。

最后，梳理结论并给出建议。

 

以上这种提出假设、验证，把不相关的数据排除，在相关的数据中进一步深入分析的方法，便是“排除法”。

该方法可分为四个步骤

1. 分布分析我们对LV.2-LV.40流失用户等级分布作出箱型图(也称盒须图)分析，找出高危流失等级。我们发现10、20、25、21、13、32、23、27、31级是高危等级。许多数据分析师做高位等级排查的时候，会认为只需要完成版本高等级区间的排查就行了。其实恰恰相反，低等级的高位排查才是扩大转化漏斗上端数据量的重要工作，仅从漏斗下端排查是解决不了核心问题的。

因此，我们需要按游戏体验阶段区分游戏前期、中期及后期，覆盖游戏全漏斗转化流程。比如，20、21、23、25级可能是某一个大任务对应的等级，且都属于游戏的中期。

 

2. 整体排查找出关键节点后，我们开始整体排查，分别对游戏行为数据，如：升级时长、死亡、副本通关、战力、转职和聊天等数据提出假设，验证结果，把不相关的数据排除，在相关的数据中进一步深入分析。

 

我们发现，战力、转职不是引起玩家流失的原因，玩家在聊天频道中也没有吐槽。但是，时长、死亡、副本通关数据和玩家流失有相关性。

3. 数据排查经过排除和分析，我们发现：

（1）前期：玩家在LV10高流失偏向于前期不满堆叠滞后，或玩家未发现游戏亮点。

（2）中期：   

a）LV20引导存在问题，副本耗时较长，处于18:00-19:00的黄金时间段；   

b）LV25兴奋点过弱，且处于大疲惫时间点，卡级冲级，玩家觉得过“肝”。

（3）后期：玩家更加偏向于参加更具社交性质的活动，单人副本的参与度很低。

 

4. 建议整理

结论需要重申一下，每款游戏的属性、业务不同，仅可借鉴。

 

02渠道用户质量分析

当我们评估渠道的数据好不好，单看某一个指标会过于片面。我们可以尝试采用综合评价分析法来评估。这个方法不仅可以评估渠道，也可以评估活动效果、UP主的综合排名等场景。凡是需要用多个指标来评估排名或者效果的地方，都可以使用这个方法。

 

 

我们来看综合评价法的五个步骤：

1. 确定指标选取6个指标：用户量、收入、付费率、ARPPU、ARPU、第七日加权留存率，这些是原始数据。关于付费率和ARPU，也可以用ARPU这一个指标来代替，我这里是为了看各个渠道的付费率和ARPPU的排名差异，所以特意列出了这两个指标。

 

2. 标准化处理数据标准化也就是统计数据的指数化，其主要功能就是消除变量间的量纲关系，从而使数据具有可比性。我们计算渠道的综合得分不能直接将各项指标直接相加，因为收入和付费率等指标的单位不同，并且数据范围相差太大，直接相加没有任何意义。本案例采用“Z-score标准化”，公式如图所示。其中x为某一个指标数据，μ为平均数，σ为标准差。

 

将数据标准化。以安卓官方渠道为列，导入量200万，所有渠道导入量均值μ等于105，标准差σ=59.16，官方驱动导入量标准化结果为1.6  ，其他渠道的指标按照同样的方法得出这张表格。因为标准化的数字比较小且比较接近，为了便于比较，调整了数据的范围，将每个分数*100+100。

3. 确定指标体系中各指标的权重确定权重的方法有：主观赋权法和客观赋权法。主观赋权法是主观地分析、判断来确定各个指标的权重。客观赋权法是根据指标的原始数据，通过数学或者统计方法获得权重。如果各个指标间存在明显的人为喜好，用主观赋权法更加合适、简便，但主观赋权法的问题在于客观性较差。

反之，各指标之间不存在哪个更重要，或评分不包含人为喜好或者经验上更重要，用客观赋权最佳。本次案例用到的方法是客观赋权法的标准差系数权重法。

 

（1）首先计算这些渠道每个指标的平均数和标准差；

（2）然后计算标准差系数，也叫离散系数，就是用标准差除以平均数的结果；

（3）再计算各指标权数：等于各指标的离散系数除以所有指标。我们发现导入量的权重是13.05%，收入的权重是21.88%。

如果这里是用主观赋权法，可能收入和导入量的权重各占50%就可以了。

 

4. 计算综合评价值将原数据带入标准化的公式中，（权重*标准化）的数值便是综合评价值，也就是综合评分。

 

5. 计算综合排名

这个排名就是最终的结果。降序排列评分，分数最高的是第一名。我们发现排名第一的是偶玩渠道，第二的是叉叉助手，第三是安卓官方。

 

最终我们发现，越狱渠道在本款游戏中表现抢眼，快用和叉叉助手超过UC和应用宝等大渠道。渠道质量分析对后续的资源投放、合作都有帮助，这种分析方法的应用也很广泛。

 

 

03活动效果分析

业内有一句话：

“游戏不行活动补。”虽说活动对游戏来说起不了决定性作用，但好的活动至少能起到锦上添花的效果。判断一个活动的好坏，就是需要数据来作分析评级。

• • • • • 一等活动是赚了“收入”又赚了“人气”；
        • 二等是赚了收入但用户抱怨较多；
        • 三等是赚了人气，对收入基本无影响；
        • 四等就是既失了人气，又没有赚到收入。

游戏的活动总体上分线上和线下两大类，线上活动是指依托于网络，在网络上发起，在游戏服务器当中举行的活动，而线下活动则是在游戏服务器之外举行的活动。线上的活动一般有六个流程，如图所示：

 

 

虽然只有最后一个步骤写了数据分析，其实“发现用户需求”和“制定配套活动”的过程中，数据分析师都需要参与其中。

▍发现用户需求

不管是什么活动，都是“发现、满足用户需求，而后达到运营目的（提升用户黏性、让用户玩的更爽、促进用户付费等）”的一个过程。因此活动从何入手，归根结底即是如何发现用户的需求？用户的需求到底是什么？

 

 

我们一般通过用户画像分析、用户行为分析、用户调研等手段来发现用户需求。

比如：运营团队会依据用户是否有固定队友打副本的比例、对应的流失情况，来设计出老人带新人活动、用户直升活动，来促进活跃。

▍制定配套活动

可能会有人质疑数据分析师参与制定配套活动的价值性，我们先举个列子：项目组想做一个竞猜活动，那么竞猜的机制设定、赔率设计、竞猜币数量、奖励量级、竞猜币和活动奖励币的关系设定等问题，都是数据分析师协助运营来设定的。类似的活动还有很多，至于分析师能参与到什么程度。

主要还是分析结果和维度跟业务的配合度。每种活动的分析方法和也是有差异的，但我们可以提炼出关键的六个步骤：基本思路是采用综合评价分析法，再将各个活动分类出效果好的活动、效果一般的活动和效果差的活动。总的活动效果如图所示。

 

 

PS：从严格意义上讲，游戏版本更新不属于活动，但因为两个版本配置了多个游戏活动（如登录领取），因此为了防止版本对活动数据的影响，需将两个版本的更新纳入了活动效果评估范围。

案例活动主要受节日、抽卡活动、版本更新的影响。根据线下活动、线上的活动时间，及对应的效果差异，总结出：同步的线下活动，可放大线上活动的效果。效果好的活动课导入大量新用户，显著提升营收。

 

 

对比下来，效果一般的活动可导入一定的新用户，对收入影响不大。而效果较差的活动收入与付费率均低于年平均值，新用户仅有小幅增长

 

04数据分析小建议

这三期专题课程也快结束了，这里我给各位数据分析师一些我个人的职业建议：

 

 

▍不等需求上门来，主动出击找需求

数据分析师不是在完成需求，就是在等需求的路上。很多时候分析师们都只是在等各个运营、发行、研发提需求，做事情通常都比较被动，很容易进入职业瓶颈。我们应当主动地抓住机会，但凡发现某一个点，就主动出击，给业务方解析数据、分析原因，并给出建议。按照这个工作方式，只要你能坚持3年，那么你在工作上肯定会有很大的突破。

▍取数机器不可当，找准定位做分析

项目组提过需求过来，要某某数据，你也只是单纯地给了某某数据。长期下来，你便从数据分析师变为一个无情的提数机器。分析师应当分析数据，利用自己结论去驱动业务。现在有各种自动化的工具，都能实现比人工提数更快更准确的提数工作，这样会使只有提数能力的数据分析师丧失核心竞争力了。争取做一个驱动业务的分析师，这样才能在职业生涯道路上有更多的选择权，能获取更多的机会。

▍闭门造车最忌讳，分析还需有落地

真正成长的是，跟项目团队在一起，熟悉了业务，知道他们的痛点在哪里，并且想办法去解决了他们的痛点，这个过程能让数据分析师的能力得到快速的成长。

▍模型大法并不好，具体问题具体看

很多人认为复杂的算法模型去解决问题可以体现自己的价值，但是在实际工作中，大部分问题的解决方法并不唯一，很多场景都能用简化方法解决，我并不建议凡事都先采用“复杂方法”的思维模式。复杂算法和模型一来研究费时，需求等不了，二来研究结果的验证和落地也需要一定的周期，比如游戏用户的社交关系、道具定价、市场费模型等场景。我们之前花了大量的精力来研究游戏用户的社交关系，结果发现这个结论其实很难应用到业务中，难以产生业务价值。

这里也并不是反对研究算法和模型，而是说，算法和模型第一不能被神话，第二这个工作一般要用在周期比较长的任务中，在被比较充分的验证后，直接利用其成果进行一些分析工作也是很好的。不管我们用什么方法做什么事情，落地才是关键。

▍查缺补漏多实战，沉淀积累很重要

这些在任何岗位都是相通的，前面我也提到过，分析师的能力评估是基于综合性指标，每个分析师，总有自己的强项，也会有自己的弱项，可以自我分析一下，弱在哪里，就多补充。要记住一点，能力强≠成绩好，态度比能力更重要。

以上为本次直播的部分内容回顾，更多精彩内容可关注公众号回复关键词获取。

————————

 

 

「数数课堂 」是数数科技2020年推出的知识服务子品牌，围绕“数据分析”提供知识共享。我们推出的第一个项目为「100堂游戏数据分析课」，学习是一个漫长的过程，用100堂课的时间，我们希望让更多人掌握游戏数据分析技能，让数据价值触手可及。