3個維度入手,由宏入微的數據分析思路怎樣形成?

3個維度入手,由宏入微的數據分析思路怎樣形成?

數據分析是遊戲運營的重要崗位技能之一,在很多遊戲運營崗位的招聘JD中,經常能看到關於遊戲數據分析的要求,通常要求運營同學可以監控遊戲數據,完成數據分析報告,並根據數據報告的結果調整運營方案。那麼,如何才能快速寫好一份高質量的數據分析報告呢?

數數科技邀請某遊戲大廠的運營專傢分享瞭他做數據分析報告的思路,文中圖表使用的數據來自數數科技的數據分析平臺ThinkingAnalytics(文中簡稱TA),數據已做模糊處理。

以下為分享正文:

最近我一直在跟的一款卡牌遊戲結束瞭7天的付費測試,測試結束後,最重要的就是輸出數據報告。

數據報告可以幫助我們瞭解本次測試存在哪些問題,玩傢對遊戲是否認可,從而針對性的做出優化。同時,測試數據的好壞,也與後續的運營方案、推廣方向息息相關。那麼數據報告該如何撰寫呢?這裡我跟大傢分享一下我撰寫數據報告的框架。

3個維度入手,由宏入微的數據分析思路怎樣形成?

▍宏觀數據分析

要想直觀的知道數據好壞,第一步就應該看宏觀數據。

1.1 新增情況

3個維度入手,由宏入微的數據分析思路怎樣形成?

由於我們第二天中午就陸續關閉瞭下載,所以可以看出主要的新增集中於前2天。首日累積新增用戶數7,445,次日新增2,504,測試期間共導入10,939用戶。

1.2 留存情況

3個維度入手,由宏入微的數據分析思路怎樣形成?

3個維度入手,由宏入微的數據分析思路怎樣形成?

可以看出,我們與上次測試相比,整體留存都有一定額度的提升。次留從40%提升至45%,達到本次測試預期。

但對比A級產品次留45%,3留35%,7留15%的數據來看,3留問題比較嚴重,並且從3~4日的衰減來看,兩次測試都沒有很好的解決這一問題,後續會詳細分析具體原因。

1.3 付費情況

3個維度入手,由宏入微的數據分析思路怎樣形成?

從每日數據可以看出

  • 整體收入的付費率和ARPPU比較穩定,收入降低主要是停止導量,老用戶流失導致。
  • 3月14日額外開啟抽獎功能促進收入明顯,付費率和ARRPU都有顯著提升。

後續還會再分析首充動力和復購情況,看看能不能進一步挖掘付費率的提升,以及VIP分佈和LTV情況,看看ARPPU還沒有進一步提升的可能。

▍微觀數據分析

2.1 新增數據分析

2.1.1 不同渠道的新增情況

3個維度入手,由宏入微的數據分析思路怎樣形成?

可以看出,除瞭UC的量比較大以外,其他各個渠道新增的量級都比較相似,後續新增大幅度減少主要是因為內測期間,我們並不想擴大規模,於是陸續關閉瞭下載。

2.1.2 新增到遊戲的轉化情況

玩傢從下載→安裝→登錄→創角,這一系列的流程完成後,才能真正形成新增。

哪一步有問題,都會影響轉化率,從而損失新增。所以,在TA平臺通過漏鬥模型,我們可以看到在這個過程新增的損失情況。

3個維度入手,由宏入微的數據分析思路怎樣形成?

整體來看轉化率都還是比較高的。當然這個也要分渠道再看每個渠道的情況,畢竟每個渠道賬號體系不同,包體不同,可能會出現部分渠道轉化率偏低的情況。

2.2 留存數據分析

既然發現瞭3留問題嚴重,我們可以深入看一下,到底3留的問題出現在哪裡。

通過TA後臺,我們可以快速的通過圖表看到數據結果。

2.2.1 不同渠道的留存變化

3個維度入手,由宏入微的數據分析思路怎樣形成?

紅色線為總體留存平均值,可以看出,應用寶、小米、UC用戶的3日後留存都明顯偏低。3日留存在不同的渠道最高和最低的點,兩者相差10%。

考慮到產生2日、3日留存的玩傢都是已經對遊戲有一定瞭解,產生這麼大的差異考慮可能原因是2點:

  1. 不同渠道的素材圖不同,吸引來的目標用戶不同,而應用寶、小米、UC的素材恰好吸引的不是我們的目標用戶。
  2. 應用寶、小米、UC的用戶對我們這個遊戲類型本身不感冒,這個要對比一下其他同類型遊戲是不是也有數據偏低的問題。

不過,這2點考慮都需要跟商務同學溝通下,看看是否能夠提升渠道的用戶質量。總之,區別渠道質量來客觀審視留存的高低是非常有必要的。

很可能一兩個渠道的數據異常,就拉低瞭整體留存,讓我們做出錯誤的判斷。

2.2.2 不同等級的流失變化

3個維度入手,由宏入微的數據分析思路怎樣形成?

首先看一下基本的不同等級的流失人數和流失概率。可以看出流失凸點分別是4級、6級、10級、13級、21級以及23~30級。

知道流失凸點還不夠,最重要的是知道在流失凸點時,玩傢究竟做瞭什麼?

我們對任務、引導、升級、通關等數據進行瞭埋點,根據流失埋點數據,我們可以看到不同等級的玩傢在流失前做的最後一件事:

3個維度入手,由宏入微的數據分析思路怎樣形成?

以此,我們可以快速找到玩傢流失點,再結合實際遊戲體驗,發現問題的核心原因主要在於:引導、任務以及副本上。

在進一步拆分問題之前,我們先看一下,付費玩傢的留存數據。

2.2.3 不同付費額度留存變化

3個維度入手,由宏入微的數據分析思路怎樣形成?

付費對玩傢留存影響也是非常大的。從TA平臺,我拉取瞭不同VIP等級的流失曲線,可以看到,即使是V1玩傢,整體的留存也是遠遠好於V0玩傢的。

所以說,通過提高首充吸引力,讓玩傢盡快充值來提升遊戲的流失成本,從而提高遊戲留存,這個方法確實有效。

同時,在23~30級這個點上,V0~V3玩傢的流失都有所上升。此時,導致留存較低的節點已經初步找到瞭:4級、13級、21級、28級,V0~V3的玩傢的留存低,是整體留存較低的重要原因。那麼進一步去看這些玩傢在對應等級的經歷,即可更加細化的找到問題原因。

這裡就拿21級這一個點,來舉例說明一下:

/21級(第2天):dungeon_1008、dungeon_1011、升級/

結合上文玩傢流失前做過的最後一件事可以看出,21級最大的流失點是進入副本關卡(dungeon),針對關卡這個點,很可能是難度導致瞭較低付費玩傢的流失。

那麼,對比一下不同付費的關卡通關成功率吧。

3個維度入手,由宏入微的數據分析思路怎樣形成?

可以看出,在玩傢流失高點,也是關卡通過率的低點。而對於V3以上的玩傢來說,可能由於其裝備水平本身較高,所以並沒有感受到卡點的存在,整體關卡通過率都比較高。

那麼,結合上文流失前玩傢做的最後一件事,可以看出:通過率相對低的關卡,與流失點重復率較高。關卡難度是影響玩傢流失的核心原因之一。

2.3 付費數據分析

本次測試是第一次開付費功能,我主要是關註整體付費結構和首充動力。

付費結構幫助我們瞭解玩傢付費能力,在後續付費活動設計上,可以根據不同能力的玩傢設計不同的付費目標。而首充動力是為瞭讓盡可能多的玩傢產生破冰消費,一旦破冰後,後續付費將會更加容易,同時也對玩傢留存幫助較大。

2.3.1 不同VIP等級分佈

3個維度入手,由宏入微的數據分析思路怎樣形成?

付費玩傢約占20%,比例還是比較高的,V1占整體的12%左右,說明首充對玩傢的吸引力很大。

但V2開始比例有明顯衰減,可能是小額玩傢重復付費欲望不強。為瞭驗證這個結論,我拉取瞭不同檔位的充值次數,來看進一步的原因。

2.3.2 充值次數對比

3個維度入手,由宏入微的數據分析思路怎樣形成?

從表裡可以看到,除瞭648檔位重復充值次數較高外,其他的檔位重復充值次數都很低。結合本次運營活動隻有首充、月卡和公測付費金額雙倍返還外,針對中間用戶的付費活動不足,導致其缺少充值動力。

後續在公測時,應該針對不同檔位的玩傢有針對性的設計,拉高重復充值率。

2.3.3 玩傢首充動力

3個維度入手,由宏入微的數據分析思路怎樣形成?

雖然重復充值率偏低,但整體付費率還算可觀。

多數玩傢在4級開啟首充後,就進行瞭首次付費。這得益於玩傢被各個遊戲教育養成的付費習慣,當然,也是我們本身獎勵足夠吸引人。

在13級,15級還有一個比較明顯的小突起,此時差不多是第一次出現瞭匹配玩傢付費能力的幸運禮包,促進瞭玩傢首次付費。

同時,我按照看流失用戶的思路,也看瞭下玩傢在付費前的最後行為。

3個維度入手,由宏入微的數據分析思路怎樣形成?

有瞭這個數據,我們就可以更明確知道玩傢產生付費的動力來源於哪裡瞭。當然,這個數據來源於充值前,所以對於一次性充值較多的用戶,可能並不準確。但是對於首充動力,還是能夠表現得很明顯的。

比如我們的V1玩傢付費行為21%來源於1922任務,而1922任務結束後,正好是第一次彈出首充界面的時機,可以看出這部分玩傢看到首充的獎勵,沒怎麼猶豫就進行瞭充值。

而V2更多的是道具驅動,再結合道具的整體銷售情況,也能更加明確的得知哪些道具對哪些玩傢來說更容易產生沖動瞭。

2.3.4 LTV對比

LTV是一個比較重要的數據,這決定瞭我們的買量成本和回本時間。

隻有知道玩傢在生命周期貢獻瞭多少錢,才能更合理的控制成本,從而產生更多的利潤。

3個維度入手,由宏入微的數據分析思路怎樣形成?

總體LTV首日7元,3日13.9元,7日18.1元;華為和官網用戶LTV表現突出;首日分別達到瞭18.9元、15.3元;7日更達到81.2元、40.1元;但是,雖然華為渠道的用戶獨樹一幟,但畢竟這次是小規模內測,我們也不要忽略個別玩傢對整體數據的影響。

於是我拉瞭玩傢的充值排行榜,看看是不是個體玩傢導致的差異。

3個維度入手,由宏入微的數據分析思路怎樣形成?

結果發現,果然,華為2個玩傢充值遙遙領先。不過,這也進一步說明,華為的付費用戶質量確實非常好,可以考慮在後續投放時,更多的偏向這個渠道瞭~

以上,本次數據報告就到這裡。

在書寫專業的測試報告時,宏觀數據和微觀數據要結合來看。

宏觀數據可以幫我們瞭解到整體遊戲的數據情況,發現遊戲存在的問題。

微觀數據,就是將宏觀數據層層分解,比如流失率可以分解為流失玩傢的流失曲線、流失觸發點,ARPU和付費率可以分解為付費玩傢的付費階層以及付費觸發點等,幫助我們找到問題的原因,從而優化遊戲數據。

發佈留言

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *