运营们拿到每月的数据报表总是犯愁：用户数又在那儿不上不下，KPI又堪忧了。比起抱怨结果不好，从用户那头开始尝试或许是一个不错的解决方法。无论什么游戏的长线运营，其核心无外乎两点：用户+营收。用户阴晴不定的态度一直让大家头疼，但其所有行动都有其逻辑在其中，而数据分析就可以帮助运营和公司梳理清楚用户的“小心思”。这里分享三个案例来说明：案例1：开宝箱活动分析案例2：两次召回活动优化对比案例3：利用数据挖掘预测DAU收益数据分析挖掘数据分析并非信手拈来的，数据分析是有其一定的框架可遵循的。数据分析的框架可以分为3个主要步骤：理解行业业务将数字转化为结论结论的验证与实践1.理解行业业务对任何问题的优化，其前提都是对行业业务及岗位需求有着基本的理解。数据只有依附在实际业务上，才能从概念转化成具有实体意义的内容。2.将数字转化为结论数据分析是一个分析+探索的过程。我们有时是带着问题和假设去分析、验证，有时是纯粹地在数据中探索，但无论怎样的形式，我们都需要数据将我们导向一个理性的结论。获得理性结论是一个非常关键的环节。当我们跟一些同行交流下来，大家在做数据分析的时候经常得出一些看上去很正确的结果，但这些结果其实对业务指导的价值却很小。这样的结果是因为分析还不够深入，并且没有把握住业务核心，才会导致看上去很正确的观点，在实际的指导中却没有很好的效果。3.结论的验证与实践获取结论后，我们可以尝试将理论投入实践：演绎论证已有结论利用结论去优化业务对结论进行演绎和论证，是从多维度证明我们的结论的可操作性。通常我们可以用其他产品的已有数据去佐证这个结论，我们也可以在无数据的情况下，开展产品的版本AB测试来收集数据，去实验、验证结论的可行性。无论是用什么样的方法，都是为了证明数据获得的理性结论，是能够实际且有效地指导业务完成优化。数据分析三个通用思路在梳理完数据分析框架后，我们转向数据分析思路。数据分析思路并没有优劣之分，不同的分析场景需要不同的思路去应对，这里我列举了三个通用的基本思路：AARRRRFM5W2H1.AARRR——海盗模型一个产品自上线开始，AARRR模型便从用户获取、留存激活，再到营收传播等流程，贯穿了产品用户联系的全链过程，整体用户进入产品后产生的每一板块的数据都是分析点。AARRR的思路比较适合分析产品的整体情况。特别是产品还处于早期测试阶段的时候，我们就可以用这个思路去做产品的场景分析，从每一步的场景模拟去找到产品优化改进的点。2.RFM——用户价值分析体系RFM是用户价值的分层、评估体系。我们在传统的用户分群模式中，将用户直接分为：大R、中R、小R，按照累计的充值金额去粗暴地做用户划分，很难在这个基础上做到更加精细化的策略应对。RFM就给出了比较全面、有规范的分层模式，可以把用户分群为，例如高价值、中等价值、潜在价值等等层次。依据RFM给出不同层次的用户需求，我们可以为不同的用户策划出更为精细化的运营策略。3.5W2H——分析的基层框架5W2H是最为常见的事件分析思路。我们在做数据分析的时候，其实大部分处理方式的底层思路，均可归属到5W2H的思路。我们会去梳理：发生了事件？事件发生在哪里？什么时候发生的事情？事件的关联群体？事情是发生的理由？然后根据5W获得事件处理方案：我们该如何处理？我们的事件处理程度？这是一个比较宽泛，同时也是经常用到的分析思路。实战案例分析1.宝箱优化——如何利用简单、显眼的数据这个棋牌产品正准备第二次开宝箱的活动，主要目的是希望通过宝箱活动去实现玩家在线时间及ARPU的提升。经过第一次宝箱活动后，该产品目前的数据是这样的：第一次活动策划的时候我们是没有可对比的活动数据作为参考的，我们选择了“大于10局的用户数占比45%”的结论去策划活动。到了第二次活动策划，我们制定了活动的策划思路：进一步增加活动参与度控制游戏成本输出（用户金币均获取量）根据这两个思路，我们制定了第二期活动的改进方案。这次改进中，我们改进了两个活动点：（1）降低参与门槛——提升活动参与度此次活动最大的变动，便是从10局一次开宝箱的机会，改成了7次。这个调整的数据依据就是“大于7局的用户数占比为50%”。这个改进依据是最容易发现的，同时也是最关键的。（2）上调服务费——控制成本为了吸引更多用户参与活动，我们降低了抽奖门槛，并提升了奖励金额。但是为了控制成本输出，我们上调了服务场的服务费用，导致尽管玩家表面上更容易获取资源，且资源数量不少，但实际获取的金币数量是低于第一次活动的。改动之后，活动的参与人数的数据变化如下图：从抽奖次数来看，参活用户平均抽奖次数从3.8提升到了4.6。这个数据说明，门槛的降低促使更多的用户参与抽奖，且抽奖频率相较一期有了较为明显的提升。另外，活动的最终目的是为了提升游戏留存，两期活动前后留存的情况是这样的：数据显示，第一期活动将产品留存率是从48%提升到了50%，提升了2个百分点。第二期的用户留存从47%提升到了53%，提升了6个点。这个数据结果就是非常好、有效的活动效果。而从整体用户的次日留存提升来看，留存数值从0.3%提升到了1.2%。如果我们能够将产品的留存提升1%的话，这个活动对产品产生的价值是非常高的，留存数据也会进一步影响到整个用户的LTV。通过这个活动的分析，我们可以看到活动策划的一个源头：关键的数据。二期活动利用一个非常简单的变量——10局到7局的改良，使得活动效果获得了大幅度的改进。很多时候我们会把数据分析想得过于复杂，但其实我们可以利用最简单且明显的数据就能做到非常显著的优化效果，并且这样的数据其实非常多。这是我想通过这个例子向大家呈现的一个概念：抓住简单而又关键的数据。2.MMORPG召回活动我们再来看看一款MMORPG产品的召回活动。和许多处于中后期运营阶段的产品一样，这款MMORPG的流失用户会在这个阶段去开展召回流失玩家的活动，并策划相应的召回活动去提升这些玩家的留存。玩家的召回方式有很多，常见的有短信、邮件、客服等方法。短信信息召回是性价比最高的方法之一，这款案例产品的活动也是通过短信来实现的。但因为召回人群的差异，短信内容也要发生变化。首先对流失可召回的玩家可以进行几个分层，如图示内容，核心用户、高端用户、次高端用户、中端用户、低端用户。这是两次召回活动的数据，数据包含了失败、成功、目标召回以及召回率。如果从活动召回率来说，第一次活动总的召回率是15%，第二次是20%。召回率反映出第二次的效果是明显比第一次好的。但如果我们再来仔细看整个数据的召回率比例，我们会发现第二次召回的用户中，之所以会比第一次的召回率高，数据的提升更多体现在低端用户的召回上。因次第二次活动的召回效果是否真的好。我们需要看更多的数据和指标来佐证，到底哪一次的活动举办的比较成功。因此，我们选择以下几个点进行分析：回归天数分布资源消耗对比分类型用户占比回归后30天内登陆不足20天的用户（1）回归天数分布对于回归用户登录天数分布，就是回归用户在30天之内活跃了多少天。下图是第一次活动和第二次活动的用户活跃天数分布。第一次活动形式主要是发短信让老玩家回来，利用每天签到领奖提高留存，并在第十天的时候用大奖的形式提高用户的长线留存能力。第二次的时候，召回活动同样也是每天都可以领奖，但是我们将大奖的领取时间拉长，让用户在第十八天的时候才可以领取。领奖时间的差异，导致数据上产生了差异。根据这个表我们可以找出一些现象：大部分回归用户领了大奖后就基本都流失了。30天为周期，用户登陆数据基本都是在15天左右开始下去。回归的用户在第八天的时候出现了一个流失的高峰。这是一个需要
转载请注明：http://www.0431gb208.com/sjszjzl/6923.html
