您的位置 首页 干货知识

干货 I 6大实战案例解析3个核心数据分析场景

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。

 

干货 I 6大实战案例解析3个核心数据分析场景

 

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。

 

干货 I 6大实战案例解析3个核心数据分析场景

 

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:

 

干货 I 6大实战案例解析3个核心数据分析场景

 

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

干货 I 6大实战案例解析3个核心数据分析场景

 

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。

 

干货 I 6大实战案例解析3个核心数据分析场景

 

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。

 

干货 I 6大实战案例解析3个核心数据分析场景

 

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。

 

干货 I 6大实战案例解析3个核心数据分析场景

 

      • 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:

 

干货 I 6大实战案例解析3个核心数据分析场景

 


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。

 

干货 I 6大实战案例解析3个核心数据分析场景

 

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。”

干货 I 6大实战案例解析3个核心数据分析场景

 

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。干货 I 6大实战案例解析3个核心数据分析场景

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。

干货 I 6大实战案例解析3个核心数据分析场景

 

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。

干货 I 6大实战案例解析3个核心数据分析场景

 

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。

干货 I 6大实战案例解析3个核心数据分析场景

 

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。

 

干货 I 6大实战案例解析3个核心数据分析场景

 

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。

干货 I 6大实战案例解析3个核心数据分析场景

 

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。

干货 I 6大实战案例解析3个核心数据分析场景

 

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。

干货 I 6大实战案例解析3个核心数据分析场景

 

(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。

干货 I 6大实战案例解析3个核心数据分析场景

 

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。

干货 I 6大实战案例解析3个核心数据分析场景

 

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。

 

干货 I 6大实战案例解析3个核心数据分析场景

 

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:

 

干货 I 6大实战案例解析3个核心数据分析场景

 

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?

 

干货 I 6大实战案例解析3个核心数据分析场景

 

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。

 

干货 I 6大实战案例解析3个核心数据分析场景

 

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。

 

干货 I 6大实战案例解析3个核心数据分析场景

 

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

干货 I 6大实战案例解析3个核心数据分析场景

干货 I 6大实战案例解析3个核心数据分析场景

 

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:

 

干货 I 6大实战案例解析3个核心数据分析场景

 

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。

干货 I 6大实战案例解析3个核心数据分析场景


————————

 

 

干货 I 6大实战案例解析3个核心数据分析场景

「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。

热门文章