数据分析-用户分析

2023-06-02 0 686

在任何这款商品的开发周期中,都须要不断思索两个难题。

紧紧围绕使用者预测,不论是特别针对新使用者却是活耀使用者,须要转换许多层次去展开使用者的回收。

网络平台

商品的发布网络平台(无论是iOS网络平台,却是Android网络平台却是Window)

天数

如前所述预测的须要,会随便增设预测天数区段,更加灵巧民主自由地查阅相同天数的数据表现,这一点往往是在做数据预测报告时时常使用。

平台

使用者预测的第两个难题是说明和定量

系统和电子设备

终端电子设备未曾像今天这样碎片化,同两个商品由于运转于相同的的电子设备上,相同的电子设备上运转的作业系统又是相同的,那么出难题的几率就会极高。

1. 追加使用者预测

转化成的使用者

的预测层次,追加使用者透过许多层次展开回收和预测,实际上是把追加使用者作为两个样品或者聊天室,透过许多分项来充分反映该聊天室追加使用者的情形。

追加使用者来衡量的分项归纳起来能分为以下四类:

核心理念分项:ARPU, ARPPU, 订阅转换率, 存留率 ,流动率,外流使用者等。

注册登记转换率

注册登记转换率,两个大体上能忽视的分项,虽然简单,但是却真实世界充分反映平台,孩之宝和开发人员的整体实力,以及看待商品的立场,最直接的是对格斗游戏产品质量的意见反馈。简而言之的注册登记转换率,其实指的是玩者从浏览格斗游戏后,关上转化成,注册登记成功的比例,即 注册登记帐户/转化成帐户数,如果出现一般而言电子设备数个帐号的情形,算是一次转化成。

注册登记转换率的意义主要有四点:

网络流量的利用和转化成平台软整体实力的突显商品整体实力的断定

2. 活耀使用者阐释

的标准。从使用者的转化成视角来说,每两个活耀使用者最终都是追加使用者的转化成,能说具有一定开发周期的追加使用者是活耀使用者,只有当追加使用者存有存留的几率时,活耀使用者的预测才存有价值。该处着重于探讨日活耀使用者。

DAU预测思路:

核心理念使用者规模

核心理念使用者规模代表了格斗游戏的稳定性,不会受到外在因数的影响,不会轻易损失大量使用者。DAU中的核心理念使用者数量是考量商品产品质量的重要因素,DNU/DAU这一分项能客观充分反映核心理念使用者规模的情形。

2. 商品黏性预测

DAU是由相同时期的追加使用者在同一天的相同存留构成的,从这个视角来看,初期存留表明的是商品是否赢得使用者的兴趣;从长期来看,使用者是否接纳并认同这个商品。综合来看是反应的是商品的黏性。这种黏性一方面是有初期的兴趣引发的进一步探索欲望。另一方面则是由格斗游戏运营、核心理念玩法、社会性而产生的使用者付出成本。

3. 使用者流动率预测

DAU规模不是一成不变的,例如我们要面对在推广期结束后DAU的巨大回落,但我们要清楚什么幅度的回落是符合预期的。

4. 平台产品质量预测

这里不做详细阐述,后期会展开详细阐述。

5. 开发周期预测

DAU经过对比、趋势和回收预测,则会充分反映商品的开发周期状态。例如经过长期观察,我们发现DAU中大于14天的活耀使用者开始持续走低,在追加网络流量不补给的情形下,意味着DAU开始走下滑趋势,沉淀的老使用者开始逐渐离开了格斗游戏。

DAU基本预测

人气波动

建立每日活耀人数的弹性区段(阈值),预警要根据每个月的具体情形来看。

2. 趋势走向

3. 商品产品质量

从日活耀的趋势变化和人气波动等其他因素综合来看商品版本更新、活动增设等对于商品的收入和使用者开发周期的影响,以及商品产品质量是否符合玩者的预期。

4. 影响因素

综合两个周期的日活耀数据和其他数据制定影响因素指数,便于宏观把控数据的变化。例如,进入预警范围的数据因为这些因素的影响有多大,做到心中有数。

3. LTV

近年来兴起的新统计LTV(使用者开发周期价值)的作用是在应使用者存留的基础上进一步研究每个玩者的产品质量。LTV全称是Life-Time Value,指使用者在其整个开发周期的订阅金额。如果再结合从平台抓取的一般而言使用者成本,就能宏观上计算出ROI了。同时还能进一步计算出每天、每个平台的ROI,供平台在投放导量方面做决策。

LTV听起来很强大,可是计算却有些难度,目前流行的算法是如前所述定义的,公式如下:

LTV=LT×ARPULTV=LT\times ARPU

公式中的LT指Life-Time使用者开发周期,ARPU指每个使用者的订阅金额。

不少采用的方式如下。

LT: 1/流动率。

ARPU: 直接引用全部活耀使用者的ARPU。

在实际操作中,这个算法有很大的局限,主要有两点。

使用者在格斗游戏过程中,每天的ARPU不是恒定值;多数格斗游戏是前期高,后期趋于稳定,ARPU采用单一的固定值,非常不可靠。如果格斗游戏仍在开放,使用者的开发周期就在持续增加,同时,1/流动率,这个算法很理想化,只有两种情形下能采用这个公司:玩者不外流,即按每周(月)的流动率损失使用者,1/流动率周(月)后彻底流失完。流动率等比衰减。实际上对于大多数格斗游戏,1/周流动率和1/月流动率的结果差异也很大。

由于公式中的两个因子都有很大的不确定性,导致在实测中的误差很大。

不少公司采用另一种计算方法来计算LTV

记录一批使用者从首次登陆起的每笔消费,每天累加之后作为其使用者生命价值,如果该处必须有个公式的话,能写成:

LTV=ΣLTVi,i=1,2,3…,nLTV=\Sigma LTV_{i},i=1,2,3…,n

记录每天新使用者在未来每天的活耀人数,最终记录若干天后形成两个等腰三角形的数据表。记录每天的消费人数和消费金额也能形成两个等腰三角形的ARPU表。这种逐日计算的方式原本是特别针对 LT*ARPU 算法的检验。这种算法的致命缺陷是,必须等到格斗游戏关闭之后才能‘准确’地计算出结果,这对格斗游戏运营的指导就非常有限了,只能作为同类型格斗游戏的参考。在实际的操作中,须要根据有限样品推算出全部估值。

数据分析-用户分析

在计算出来LTV之后,宏观上还能根据CPC计算出一般而言使用者的ROI,进一步辅助决策。

ROI=LTV÷CPCROI=LTV\div CPC

如前所述一般尝试。

如果ROI<1, 表示引入的使用者贡献不足以弥补投入的成本,应立即停止追加投入。

如果ROI=1, 表面上是不赚不赔,算上人力、办公成本等之后肯定却是不划算的。

如果ROI>>1 时,能继续追加投入。

在微观层面来看,还能细化到每个每个渠道,考量每个平台的ROI。

使用者平均开发周期算法

一般意义上的使用者开发周期,是指两个使用者玩这款格斗游戏的天数。平均使用者开发周期是对所有相关的使用者开发周期平均值。

开发周期

严格来讲,开发周期有两种界定方法:线上算法和线下算法。

例如,某玩者在某格斗游戏中,第一周七天内的在线天数只有200分钟,这里的200分钟和七天就分别对应线上算法和线下算法。使用者开发周期主要是面向线下天数算法。

2. 存留率

存留率,指新玩者进入游戏之后每日的存留比例。使用这个分项时也有两种界定方法,固定值和修正值算法。两者的区别在于对于不连续的使用者的界定。

例如,某新玩者首日登陆后, 次日未登录,第三日又登陆了,在第四日计算的时候,后者认定这个玩者其实应该算次日存留,应该重新计算一下次日存留率,同时次日存留会略微增大。这种带修正的算法得到很多人的认可,但是代价是却是每天重新计算一下存留表。

计算使用者开发周期的时候要使用这个带修正的算法。

根据用户开发周期的定义,应该统计玩1天的玩者人数a1a_{1} ,统计玩2天的玩者人数 a2a_{2} ,…

统计玩n天的玩者人数 ana_{n} ,那么平均开发周期的计算结果如下。

LT=∑(a1×1+a2×2+…an×n)/∑(1+2+…+n)LT=\sum_{}^{}{(a_{1}\times 1+a_{2}\times 2 +…a_{n}\times n)}/ \sum_{}^{}{(1+2+…+n)}

这个公式简化后的写法。

LT=∑RiLT=\sum_{}^{}{R_{i}} i=1,2, … , n

RiR_{i} 指第i日的存留率,即使用者生命平均开发周期是存留率之和。

相关文章

发表评论
暂无评论
官方客服团队

为您解决烦忧 - 24小时在线 专业服务