1决定游戏吸量能力的内外因素　　大家都知道，一个好的产品是成功的王道，但好产品的定义是什么?CP肯定会说渠道喜欢的产品就是好产品，渠道肯定会说适合我们的产品就是好产品。各有各的角度，各有各的看法，虽然出发点不同，但是都指向“能吸量，高留存，能坑人”这三个关键词。说直白点就是让人看了想玩，玩了不走，玩的时候能让人付费。　　但是能吸量，高留存，能坑人这三个词如何理解，笔者今天就这三个词说一说自己的看法。　　一、决定游戏吸量能力的内外因素　　1、内部因素　　好IP：IP的优势不言而喻，一个好的IP能够为游戏增加40%左右的流量，尤其是那些知名漫画，知名端游改变的游戏或者金庸武侠系列、唐家三少系列等。　　特色：游戏特色或者核心玩法有创新，不是简单的有PVE和PVP就可以了，抑或你游戏模式新颖。就像前段时间封测的《悟空与魔王》就打破了一代卡牌的传统模式，将自动战斗变成手动战斗，将回合制变成即时制，大大加强了游戏的操作感和沉浸感，真真的让玩家玩卡牌而不是欣赏卡牌。　　画风：如果在核心玩法上没有太多的创新，不如在画风上做创新，画质的好坏与画风的的特别能给人眼前一亮的感觉，大脑就会直接做出反应。就像看习惯了西游题材卡牌手游千篇一律的中国式东方风格，突然看到《悟空与魔王》加了点日式”胧村正“风格也元素，以及在2D游戏中使用3D战斗特效一副不将美术发挥到极致不来点”重力量“、”重暗黑”的元素就不足以叫重度手游的架势，让我确实有点欣喜。　　2、外部因素　　文案：同样一个位子，决定流量关键在于标题和文章内容，标题是否吸引受众，能否引发兴趣，而一个好的文章也能让受众引发对游戏的期望。　　图文：图文吸引力往往大于软文吸引力，一个好的图文不仅能让玩家对你游戏了解一二，也能在这一圈轮播中脱颖而出，更能让受众构成期待引发关注。　　市场营销力：在游戏上线之前，是否引发了足够的关注，论坛、贴吧、官网、Q群、微信、微博等是否火热，用户期待值是否居高不下。就像新游测试阶段，在新游期待板中的期待值是否一直处于上升阶段。　　资源位子：游戏吸量能力如何，渠道都会有对应测评，之后也会给到一定资源位子去导量，这一步是大部分游戏公司极为看重的一项，位子的好坏的表现最终反映了游戏的吸量能力和渠道的导量能力。2留存好坏直接决定游戏的品质问题　　二、留存好坏直接决定游戏的品质问题　　当用户找到你，进入游戏就成了玩家，这个时候你的产品就在接受他们的挑剔，你的UI设计的如何，你的画风是否有足够吸引，游戏是否有bug,你的新手引导是否简短易懂，你的运营奖励机制做的是否大气，游戏战斗节奏如何，操控性如何等都影响用户的留存。关于留存笔者提出几点看法：　　加载时间：游戏初次启动的时候，加载时间长短是影响玩家的很重要因素，我们都会遇到，游戏加载时间太长不耐烦，开网页等的太长不开心，看小电影太卡也不开心，何况是第一次接触游戏，第一次加载过长极易造成流失，控制在10s内为好。　　运营奖励机制：连续登陆送XX，登陆送XX，这些运营小活动每个游戏都会做，要想因此提高留存还需要大气和创新，送的太小气还不如不送，送东西也需要来点创意，让玩家构成期待。　　画面风格：在上面提到了这个，我一直认为画风的好坏或者画面的精细越来越重要，在剧情之后有着不可忽视的地位，何况重度年，画风需要“重口味”“暗黑”这些元素，才符合重度玩家对重度游戏的第一映像。　　后期玩法：很多游戏3日、7日留存都做的非常好，可是30日留存却不行，因为3日、7日的可以调，可以刺激，但是30日却做不到，因为玩法没有持续更新，没有推出更多的副本，PVP做的也不够深入，自然满级后玩家流失，自然PVE通关后流失。3“能坑人”不如帮玩家省钱　　三、“能坑人”不如帮玩家省钱　　想坑人的必须要先将人留下，与其考虑坑人不如想着如何帮助玩家省钱。就像《悟空与魔王》就以这个出发点，将PVP玩法做成普通模式/英雄模式两张一激励小R和大R的付费，在不同的环境中予以引导。将人物角色采取免费抽取集成的方式累计获取，缩小小R和大R的差别，只是在获取的速度上做一些付费引导，让玩家看到只需小额付费就能获取所需道具。除了这些省钱的方式还有月卡这一促销商品，月卡的出现是让小R变中度消费者很好的一个道具，让玩家用的爽，也拉动小额付费，更提升留存。　　在做消费刺激的时候，我们应该考虑下是以“人物”+“装备”为主要消费商品还是以“体力”+“技能”为主要消费商品。没有更多推荐了，
不良信息举报
举报内容：
游戏运营中的数据分析
举报原因：
原文地址：
原因补充：
最多只允许输入30个字
加入CSDN，享受更精准的内容推荐，与500万程序员共同成长！推荐这篇日记的豆列
&&&&&&&&&&&&游戏运营数据分析：测试期(一)测试期数据分析有三个问题：我们的用户是谁？有多少？我们的用户能留下来吗？我们的用户的游戏行为怎么样？付费吗？会持续付费吗？往往根据目标用户规模和留存，可以预测上线后日活跃预估；根据游戏行为和付费行为，推测上线后收入情况。一、我们的用户是谁？为了更精准抓取目标用户，根据目标用户特征进行精准投放，各个游戏项目会做用户分层，从而精准定位目标用户。用户分层可以精准定位目标用户，预估用户构成和规模，对不同用户进行精准、分类运营。1、用户分层的方法用户分层的目标是对核心、次核心、潜在进行分层提取，根据分标签用户的吸量表现（转化率：如-推送2000W资源，进来20W用户，转化率1%）和游戏内表现（留存和付费情况），进行验证。一般用户分层方法分成2种：① 自定义分层。根据经验划分和已有玩家的画像标签，划分核心、次核、潜在。② 模型分层，基于已有核心用户包，建模，用概率对全量用户赋值（0-1），数值越高，越核心。如何选择用户分层方法：自定义分层适合对游戏玩法和核心用户有明确认知，无核心用户群，有充分时间的项目；建模分层适合游戏玩法清晰，有一定核心用户的项目。哪种分层方法更好：不同分层方法有不同优劣势，自定义分层定义清晰，但用户缺乏随机性，容易遗漏；建模分层依靠大数据，可靠，但对源数据无偏性依赖大。2、目标用户精准定位----以XX项目为例① 预研究：问卷调研，初步判断目标用户构成和属性。设想要开发一款《老友记》IP的MMO手游。那么，根据IP和MMO品类两个维度，初步判断核心（老友记IP且MMO手游用户）、次核（老友记IP或MMO手游用户）、潜在（ARPG手游用户）、外围（游戏用户）。根据预设的用户分层，每个标签选择部分用户，进行定性调研，了解每个标签用户属性特征。② 测试期分标签验证：投放导量：测试期，根据预研究划分的号码包，会在测试期分包投放。根据核心、次核心、潜在、外围的定义，将目标用户分成4大类，n小类，每个小类导入5k+的用户，导入5k后就停止投放资源。分包跟踪：对n小类用户的转化率、留存和付费表现进行跟踪。可验证--转化是否符合预期，根据留存、付费表现预估上线后活跃、收入规模；③ 数据建模根据转化率和游戏内表现，对测试用户进行特征学习，根据特征属性，给大盘的每个用户赋值概率，根据概率划分核心、次核心、潜在和外围。二、我们的用户能留下来吗？用户留存关系到项目活跃的走势。项目上线会关注的几个问题：短线和长线留存情况，并对比同品类竞品；留存高或低的原因：玩家驻留等级（涉及的美术风格、社交、商业化等问题），各r、各标签用户留存拆解。以下是涉及的2个专题：1、留存低原因分析（对比其他同品类游戏，我们项目留存↓5-10个百分点）分析思路：首先，分层用户（超R、大R、中小R、未付费用户）的留存情况与竞品对比。其次，本游戏首日注册留存 vs. 竞品首日注册留存，本游戏第五日注册留存 vs. 竞品第五日注册留存。拆分渠道、用户属性，对比留存影响因素。最后，驻留等级对应的节奏、社交、投入产出问题。2、留存下降原因分析（上线第五日用户留存 比 上线第二日用户留存↓ 5%）分析思路：首先，看注册次日、3日、7日流失玩家的驻留等级，驻留等级对应的玩法；其次，拆分用户渠道，不同渠道留存有差异，细看每个渠道的新进占比，分析渠道新进占比差异对留存的影响。最后，拆分用户标签，导入不同的用户标签，看不同用户标签用户占比，及对留存的影响。3、高等级流失陡增——以XX游戏项目为例分析背景：从流失等级分布看，42级是流失异常高点。对40级以上用户的战力分布、付费、金钱产耗、金钱存量和驻留关卡来分析。① 流失等级分布：驻留在1级、42-45级占比高。1级，42-45级。1级流失---跟游戏品类和美术风格相关。42级以上流失---需要深入挖掘玩家流失原因。② 42级以上驻留关卡：f、g关卡玩家平均战力明显低于预期压制战力。驻留占比较高的关卡，分析玩家平均战力和预期压制战力，发现f、g关卡中，平均战力＜预期压制战力1.5w左右。③ 流失用户付费情况：未充值、充值1天用户，难度卡顿更明显。其中，未充值用户流失占比59%，充值1天用户占比24%。④ 流失用户金币产耗情况：流失用户大部分集中在英雄抽卡，其他能力线投入较少，更容易造成关卡卡点，战力差距大时，很容易流失。其中，42级是战力和等级双陡增，建议把战力卡点和登记卡点分开，让玩家提前阶梯式培养消费投入。（此部分数据不方便贴出）⑤ 流失用户战力分布：流失用户实际战力低于预期压制战力。其中，非r用户战力集中在6-7w，付费用户战力集中在7-8w。⑥ 流失玩家金币存量：流失玩家金币存量健康，付费玩家户均存量明显高于非r玩家。71 条评论分享收藏游戏数据分析的艺术_百度百科
清除历史记录关闭
声明：百科词条人人可编辑，词条创建和修改均免费，绝不存在官方及代理商付费代编，请勿上当受骗。
游戏数据分析的艺术
《游戏数据分析的艺术》是中国游戏产业的开创性著作，具有里程碑意义，它首次系统讲解了如何对游戏行业的数据进行分析，在行业里竖起了一根标杆。作者是来自等国内顶尖的数据分析机构和西山居这样的知名游戏公司的资深数据分析专家，对游戏数据从不同的业务角度进行了诠释。
游戏数据分析的艺术内容简介：
《游戏数据分析的艺术》是中国游戏产业的开创性著作，具有里程碑意义，它首次系统讲解了如何对游戏行业的数据进行分析，在行业里竖起了一根标杆。作者是来自等国内顶尖的数据分析机构和这样的知名游戏公司的资深数据分析专家，对游戏数据从不同的业务角度进行了诠释。本书详细剖析了游戏数据分析相关的指标、方法论、内容挖掘、数据挖掘、软件使用、游戏设计、运营策划、渠道推广、收入解读、用户分析和留存分析等。对于产品设计、开发、运营、推广以及游戏行业的人才培养都将带来巨大的推进作用。　　《游戏数据分析的艺术》一共12章：第1章从宏观上介绍了游戏数据分析的重要意义、方法论、流程，以及游戏数据分析师的定位；　　第2章详细解读了游戏数据分析的各项数据指标，部分指标在游戏行业里都属于首次提出，为行业建立了规范；　　第3章详细讲解和示范了各种游戏数据报表的制作方法；　　第4章讲解了基于统计学的数据分析方法以及它在游戏数据分析中的应用；　　第5~9章详细地、全方位地讲解了游戏的用户数据分析、运营数据分析、收入数据分析、渠道数据分析、内容数据分析，不仅有方法论和技巧，而且有大量的实际案例，这部分内容是本书的核心；　　第10~12章讲解了的核心技术以及如何利用R语言对游戏数据进行分析，同时也附有大量案例。
游戏数据分析的艺术作者简介：
于洋，TalkingData高级咨询总监，主导TalkingDataUniversity计划。曾在金山软件公司任职游戏数据分析师，从事游戏及移动应用数据分析、产品数据体验优化、金融机构运营及数据培训。先后服务于多家银行、保险、证券、移动运营商、移动互联网公司。小白学数据分析专栏作者，撰写第一本《移动游戏数据运营指标白皮书》和《移动应用数据指标白皮书》。　　余敏雄，公司西山居数据中心数据分析专家，从事游戏数据挖掘和数据化运营分析多年，研究领域包括大型端游、页游以及移动游戏，拥有贯穿游戏立项、研发、测试、正式运营和稳定运营整个游戏生命周期各个阶段的丰富经验。主要关注统计分析与数据挖掘在游戏行业的实践应用，如游戏用户行为预测、推荐系统、反作弊、、社交网络与交易网络分析等，是游戏行业数据化运营的倡导者与践行者，同时是中国统计网数据分析培训师，在企业员工培训中也拥有丰富经验。　　吴娜，曾服务于久游游戏和中国移动集团等公司，现担任电信集团互联网数据挖掘工程师，因其丰富的市场运营和数据分析工作经验，能准确有效定位业务问题和数据方法论，精通数理统计、常用编程语言、常用数据挖掘工具和分布式平台，现于计算机系就读研究生，研究方向互联网金融。　　师胜柱，就职于中国最大的安卓游戏渠道，担任战略分析师。曾担任TalkingData高级咨询顾问以及上海中软国际Windows技术支持工程师。在TalkingData期间主攻游戏数据分析、游戏运营以及移动游戏市场的分析工作。为多款游戏撰写深度评测分析、产品体验优化报告以及专题数据分析报告等。，爱分析微信公众账号（i-analysis）以及移动数据分析博客的创办者。
游戏数据分析的艺术目录：
序　　前言　　第1章　了解游戏数据分析　　1.1　游戏数据分析的概念　　1.2　游戏数据分析的意义　　1.3　游戏数据分析的流程　　1.3.1　方法论　　1.3.2　数据加工　　1.3.3　统计分析　　1.3.4　提炼演绎　　1.3.5　建议方案　　1.4　游戏数据分析师的定位　　1.4.1　玩家-游戏用户　　1.4.2　分析师　　1.4.3　策划-游戏设计者　　第2章　认识游戏数据指标　　2.1　数据运营　　2.2　数据收集　　2.2.1　游戏运营数据　　2.2.2　游戏反馈数据　　2.2.3　收集方式　　2.3　方法论　　2.3.1　AARRR模型　　2.3.2　PRAPA模型　　2.4　数据指标　　2.4.1　用户获取　　2.4.2　用户活跃　　2.4.3　用户留存　　2.4.4　游戏收入　　2.4.5　自传播　　第3章　游戏数据报表制作　　3.1　运营现状　　3.1.1　反馈指标　　3.1.2　制作报表　　3.2　趋势判断　　3.2.1　关键要素　　3.2.2　制作报表　　3.3　衡量表现　　3.3.1　关键数据　　3.3.2　制作原则　　3.4　产品问题　　3.4.1　两个问题　　3.4.2　分析案例　　3.5　一个问题、三个原则和图表的意义　　3.5.1　一个问题　　3.5.2　三个原则　　3.5.3　图表的意义　　第4章　基于统计学的基础分析方法　　4.1　度量数据　　4.1.1　统计描述　　4.1.2　分布形状类型及概率应用　　4.1.3　常用统计图　　4.1.4　概率抽样、样本量估计和实验设计　　4.2　分类数据分析　　4.2.1　列联表分析　　4.2.2　无序资料分析　　4.2.3　有序分类资料分析　　4.2.4　分类数据分析案例　　4.3　定量数据分析　　4.3.1　假设检验与t检验　　4.3.2　方差分析与协方差分析　　4.4　时间序列数据分析　　4.4.1　时间序列及分解　　4.4.2　时间序列描述统计　　4.4.3　时间序列特性的分析　　4.4.4　指数平滑　　4.5　　　4.5.1　定量资料相关分析　　4.5.2　分类资料相关分析　　参考文献　　第5章用户分析　　5.1　两个问题　　5.2　分析维度　　5.3　新增用户分析　　5.3.1　黑色一分钟　　5.3.2　激活的用户　　5.3.3　分析案例-注册转化率　　5.4　活跃用户解读　　5.4.1　的定义　　5.4.2　DAU分析思路　　5.4.3　DAU基本分析　　5.4.4　分析案例-箱线图分析DAU　　5.5　综合分析　　5.5.1　分析案例-DNU/DAU　　5.5.2　使用时长分析　　5.6　断代分析　　5.7　　　5.7.1　LTV的定义　　5.7.2　LTV算法局限性　　5.7.3　用户平均生命周期算法　　5.7.4　LTV使用　　第6章留存分析　　6.1　的概念　　6.1.1　留存率的计算　　6.1.2　留存率的三个阶段　　6.1.3　留存率的三要素　　6.2　留存率的分析　　6.2.1　留存率的三个普适原则　　6.2.2　留存率分析的作用　　6.2.3　留存率分析操作　　6.3　留存率优化思路　　6.4　留存率扩展讨论　　第7章收入分析　　7.1　收入分析的两个角度　　7.1.1　市场推广角度　　7.1.2　产品运营角度　　7.2　宏观收入分析　　7.3　付费转化率　　7.3.1　付费转化率的概念　　7.3.2　APA和DAU对付费转化率的影响　　7.3.3　真假APA　　7.3.4　付费转化率的引申　　7.3.5　付费转化率的影响因素　　7.4　ARPU　　7.4.1　ARPDAU　　7.4.2　DAU 与 ARPU　　7.5　ARPPU　　7.5.1　ARPPU的由来　　7.5.2　平均惹的祸　　7.5.3　首次付费与ARPPU　　7.6　APA　　7.6.1　APA分析　　7.6.2　付费用户的划分　　7.6.3　付费频次与收入规模　　7.6.4　付费频次与付费间隔　　7.7　分析案例-新增用户付费分析　　7.7.1　新增用户留存　　7.7.2　付费转化率　　7.7.3　留存用户中付费用户的收入　　7.7.4　ARPU　　7.7.5　新增用户的收入计算　　第8章渠道分析　　8.1　渠道的定义　　8.2　渠道的分类　　8.3　渠道分析的意义　　8.3.1　最佳渠道是运营之外使产品的利益最大化的方式　　8.3.2　品牌的力量不容小觑　　8.4　建立渠道数据分析体系　　8.4.1　建立数据监控体系　　8.4.2　渠道推广分析的闭环　　8.5　分析案例-游戏渠道分析　　第9章内容分析　　9.1　营销分析与推送　　9.1.1　理解用户　　9.1.2　营销方式-推送　　9.2　流失预测模型　　9.2.1　数据准备　　9.2.2　数据建模　　9.3购买支付分析　　9.3.1场景分析　　9.3.2输入法的局限　　9.3.3　批量购买的设计　　9.3.4　转化率　　9.4版本运营分析　　9.4.1把握用户的期待　　9.4.2地图　　9.4.3　武器　　9.4.4新道具　　9.4.5其他更新　　9.5长尾理论实践　　9.5.1概念　　9.5.2顾尾不顾头　　9.5.3长尾与二八法则　　9.5.4尾部的挖掘　　9.5.5案例-FPS游戏的长尾策略　　9.6活动运营分析　　9.6.1理解活动运营　　9.6.2活动数据分析　　第10章R语言游戏分析入门　　10.1R语言概述　　10.2新手上路　　10.3R语言数据结构　　10.3.1　　10.3.2　　10.3.3数组　　10.3.4　数据框　　10.3.5列表　　10.4R语言数据处理　　10.4.1类型转换　　10.4.2缺失值处理　　10.4.3排序　　10.4.4去重　　10.4.5数据匹配　　10.4.6分组统计　　10.4.7数据变换　　10.4.8创建重复序列rep　　10.4.9创建等差序列seq　　10.4.10随机抽样sample　　10.4.11控制流　　10.4.12创建函数　　10.4.13字符串处理　　10.5基础分析之&数据探索&　　10.5.1数据概况理解　　10.5.2单指标分析　　10.5.3双变量分析　　第11章R语言数据可视化与数据库交互　　11.1数据可视化　　11.2常用参数设置　　11.2.1颜色　　11.2.2点和线设置　　11.2.3文本设置　　11.3低级绘图函数　　11.3.1标题　　11.3.2坐标轴　　11.3.3网格线　　11.3.4图例　　11.3.5点线和文字　　11.3.6par函数　　11.4高级绘图函数　　11.5R语言与数据库交互　　第12章R语言游戏数据分析实践　　12.1玩家喜好对应分析　　12.1.1对应分析的基本思想　　12.1.2　玩家购买物品对应分析　　12.1.3讨论与总结　　12.2玩家物品购买关联分析　　12.2.1算法介绍　　12.2.2物品购买关联分析　　12.2.3讨论与总结　　12.3基于密度聚类判断高密度游戏行为　　12.3.1案例背景　　12.3.2DBSCAN算法基本原理　　12.3.3数据探索　　12.3.4数据处理　　12.3.5模型过程　　12.3.6多核并行提高效率　　12.3.7讨论与总结　　12.4网络关系图分析应用　　12.4.1网络图的基本概念　　12.4.2创建网络关系图　　12.4.3画网络关系图　　12.4.4网络关系分析与应用　　12.4.5讨论与总结
．豆瓣阅读[引用日期]
．百度阅读[引用日期]
清除历史记录关闭