游戏数据分析维度、方法
高维数据分析方法

高维数据分析方法数据的快速增长和信息技术的快速发展带来了大规模、复杂和高维度的数据集,这对传统数据分析方法提出了新的挑战。
高维数据分析方法应运而生,为我们从庞大的数据中抽取有效信息提供了强有力的工具和技术。
本文将探讨几种常见的高维数据分析方法,包括主成分分析(PCA)、聚类分析、流形学习和深度学习。
一、主成分分析(PCA)主成分分析是一种常用的降维方法,通过将原始数据投影到新的低维空间上,保留最重要的特征,同时尽可能地减少信息损失。
它可用于数据可视化、特征提取等领域。
主成分分析基于数据的协方差矩阵,通过计算特征值和特征向量进行降维。
二、聚类分析聚类分析是将数据根据相似性进行分组的一种常见方法。
在高维数据中,聚类可以帮助我们发现潜在的模式和关系。
传统的聚类算法如K均值和层次聚类通常效果不佳,因为高维数据中存在维度灾难的问题。
为解决这一问题,一些新的聚类方法基于子空间聚类,将数据投影到不同的子空间中进行聚类。
三、流形学习流形学习是一种非传统的降维方法,通过在原始高维空间中构建数据的低维嵌入,将复杂的高维结构转化为简单的低维流形结构。
流形学习可以在保持数据相对距离的同时,显著降低维度,提高数据分析的效率。
常见的流形学习方法有等距映射(Isomap)、拉普拉斯特征映射(LE)和局部线性嵌入(LLE)等。
四、深度学习深度学习是一种通过多层神经网络进行特征学习和模式识别的方法。
在高维数据分析中,深度学习可以帮助我们自动学习数据的表征,发现复杂的模式和关系。
深度学习的关键是构建适当的神经网络模型,通过反向传播算法进行模型训练。
综上所述,高维数据分析方法在处理复杂的高维数据中起到了重要的作用。
无论是通过主成分分析进行降维,还是利用聚类分析、流形学习或深度学习方法进行数据挖掘,我们都可以从庞大的数据中提取有价值的信息。
随着数据规模和复杂度不断增加,我们需要不断改进和创新数据分析方法,以更好地应对高维数据分析的挑战。
如何进行视频游戏数据分析与用户行为分析

如何进行视频游戏数据分析与用户行为分析随着科技的发展和互联网的普及,视频游戏已经成为了人们生活中不可或缺的一部分。
而对于游戏开发者来说,了解用户行为和数据分析是非常重要的,这可以帮助他们更好地了解玩家需求,优化游戏体验,并制定更有效的市场推广策略。
本文将介绍如何进行视频游戏数据分析与用户行为分析。
首先,进行数据收集是数据分析的第一步。
游戏开发者可以通过游戏内置的统计工具或者第三方分析工具来收集数据。
这些数据包括玩家的游戏时间、游戏关卡通过率、付费情况等。
同时,也可以收集到玩家的设备信息、地理位置等其他相关数据。
通过收集这些数据,开发者可以了解到玩家的游戏习惯和行为模式。
其次,对数据进行整理和分析是数据分析的关键步骤。
开发者可以使用数据分析工具,将收集到的数据进行处理和分析。
首先,可以对游戏时间进行统计,了解玩家在游戏中的停留时间和活跃时间段。
其次,可以分析游戏关卡通过率,找出难度较大的关卡并进行优化。
此外,还可以分析玩家的付费情况,了解到玩家的消费习惯和偏好,进而制定更有针对性的付费策略。
除了数据分析,用户行为分析也是非常重要的一部分。
通过分析用户行为,可以了解到玩家的需求和喜好,从而优化游戏体验。
首先,可以通过玩家的游戏时间和游戏行为,了解到他们喜欢的游戏类型和游戏方式。
其次,可以通过收集玩家的反馈和评价,了解到他们对游戏的意见和建议。
此外,还可以通过观察玩家的社交行为,了解到他们在游戏中的互动情况,从而制定更有趣的社交功能。
最后,根据数据分析和用户行为分析的结果,开发者可以制定相应的策略和改进措施。
例如,如果分析结果显示玩家在某个关卡上花费了较长的时间,开发者可以考虑调整关卡难度,以提高游戏的可玩性。
又如,如果分析结果显示玩家对某个付费道具的购买率较低,开发者可以考虑降低道具价格或者增加道具的使用价值,以吸引更多玩家进行购买。
综上所述,视频游戏数据分析与用户行为分析对于游戏开发者来说是非常重要的。
Excel数据表高级技巧多维度分析

Excel数据表高级技巧多维度分析作为一款强大的数据处理工具,Excel拥有丰富的功能和多样的数据分析方法。
在本文中,我将分享一些Excel数据表高级技巧,帮助您进行多维度分析。
一、数据透视表(PivotTable)数据透视表是Excel中最重要的分析工具之一。
它可以将大量数据汇总、分类和分析,帮助用户快速得出结论。
以下是使用数据透视表进行多维度分析的步骤:1. 准备数据源:在Excel中,将需要分析的数据整理成表格形式,并确保每列都有相应的列标题。
2. 选择数据透视表:在Excel菜单栏中,选择“插入”-“数据透视表”,然后选择数据源区域。
3. 设定行列和值:将需要用作行或列的字段拖动到相应的位置,并将需要汇总的字段拖动到“数值”区域。
4. 进行分析:根据需要,可以对行、列或值进行排序、筛选和切片等操作,从而获得准确的分析结果。
二、条件格式化条件格式化可以根据设定的条件对数据进行可视化的处理。
这对于发现数据的模式、趋势和异常非常有用。
以下是使用条件格式化进行多维度分析的步骤:1.选中需要进行条件格式化的数据范围。
2.在Excel菜单栏中选择“开始”-“条件格式化”-“颜色标度”。
3.根据数据的实际情况,选择合适的颜色标度和条件设置。
4.点击“确定”应用条件格式化。
通过条件格式化,您可以直观地看到数据的分布和关系,从而帮助您进行多维度分析。
三、数据验证和控制Excel的数据验证功能可帮助您设置数据输入的限制条件,确保数据的准确性。
以下是使用数据验证和控制进行多维度分析的步骤:1.选中需要进行数据验证的单元格或数据范围。
2.在Excel菜单栏中选择“数据”-“数据验证”。
3.选择适当的验证规则,如整数、小数、日期等,并设置相应的条件和提示信息。
4.点击“确定”应用数据验证。
通过数据验证和控制,您可以限制输入的范围和类型,避免错误数据对分析结果的影响,从而提高分析的准确性。
四、图表分析Excel提供多种图表类型,可帮助用户更好地理解和表达数据。
数据分析的六种基本分析方法

数据分析的六种基本分析方法在当今信息化时代,数据已经成为企业、组织以及个人决策的重要依据。
而对于大量的数据,如何进行有效的分析就显得尤为重要。
数据分析的目的在于发现数据中的规律、趋势以及潜在的价值,为决策提供科学依据。
本文将介绍数据分析的六种基本分析方法,帮助读者深入了解数据分析并运用于实际工作中。
一、描述性统计描述性统计是数据分析的基础,通过统计数据样本的个数、平均值、中位数、众数、标准差等基本特征,全面、准确地了解数据的分布情况。
描述性统计不仅可以帮助我们掌握数据的基本情况,还可以判断数据的离散程度,为后续分析提供参考依据。
例如,某公司想要了解员工的工资分布情况,可以通过描述性统计来看工资的平均水平、工资波动情况等。
二、相关性分析相关性分析是用来研究两个或两个以上变量之间的关联程度。
通过分析变量之间的相关性,可以帮助我们了解变量之间的相互影响及其程度。
例如,某电商平台想要了解广告投入与销售额之间的关系,可以通过相关性分析来判断二者之间的相关性,进而确定广告投入对销售额的影响程度。
三、回归分析回归分析是研究自变量对因变量影响程度的一种方法。
通过建立回归模型,可以预测因变量在不同自变量取值下的数值,并了解自变量对因变量的影响程度。
例如,某公司想要了解广告费用对销售额的影响,可以通过回归分析确定广告费用与销售额之间的函数关系,进而预测在不同广告费用条件下的销售额。
四、时间序列分析时间序列分析是研究时间维度上的数据变化规律的方法。
通过对时间序列数据的处理,可以揭示数据的趋势、季节性、周期性以及残差等信息。
时间序列分析常用于经济学、金融学等领域的数据分析。
例如,某银行想要了解某个季度内每日客户交易金额的变化情况,可以使用时间序列分析方法来进行数据处理和趋势预测。
五、聚类分析聚类分析是一种无监督学习方法,将数据样本划分为若干个类别,同一类别内的样本具有较高的相似度,不同类别之间的样本相似度较低。
聚类分析可以帮助我们发现数据中的潜在模式,对大量无标签的数据进行分类和整理。
数据分析方法五种

数据分析方法五种数据分析是指通过对收集到的数据进行分析,以发现数据中的规律、趋势、异常等信息,从而为决策提供支持和参考。
在实际工作和研究中,数据分析方法有很多种,每种方法都有其适用的场景和特点。
下面我们将介绍五种常用的数据分析方法。
首先,我们来介绍描述性统计分析。
描述性统计分析是对数据进行整体性描述和概括的一种方法,主要包括数据的集中趋势和离散程度的度量。
常用的描述性统计指标包括平均数、中位数、众数、标准差、方差等。
通过描述性统计分析,我们可以直观地了解数据的分布情况,对数据进行初步的概括和总结。
其次,我们介绍相关性分析。
相关性分析是用来研究两个或多个变量之间相关关系的一种方法。
在相关性分析中,常用的指标包括皮尔逊相关系数、斯皮尔曼等级相关系数等。
通过相关性分析,我们可以了解不同变量之间的相关程度和相关方向,从而揭示变量之间的内在联系和规律。
接下来,我们介绍回归分析。
回归分析是一种用来研究自变量与因变量之间关系的方法。
在回归分析中,常用的模型包括线性回归模型、多元线性回归模型、逻辑回归模型等。
通过回归分析,我们可以建立变量之间的数学模型,从而预测或解释因变量的变化。
再者,我们介绍聚类分析。
聚类分析是一种将数据集中的对象划分为若干个类别的方法,使得同一类别内的对象相似度较高,不同类别之间的相似度较低。
常用的聚类方法包括K均值聚类、层次聚类、密度聚类等。
通过聚类分析,我们可以将数据集中的对象进行分类,发现数据中的内在结构和规律。
最后,我们介绍因子分析。
因子分析是一种用来研究多个变量之间关系的方法,其主要目的是通过变量之间的相关性,找出共同的因子或维度。
通过因子分析,我们可以降低变量的维度,揭示变量之间的内在结构和关联。
综上所述,数据分析方法包括描述性统计分析、相关性分析、回归分析、聚类分析和因子分析等多种方法。
每种方法都有其独特的特点和适用的场景,我们可以根据具体的需求和数据特点选择合适的方法进行分析。
游戏玩家行为数据的分析与建模

游戏玩家行为数据的分析与建模1. 引言游戏行业近年来蓬勃发展,吸引了大量的玩家,游戏平台也随之产生了大量的数据。
这些数据蕴含了丰富的玩家行为信息,通过对这些数据进行分析与建模,可以为游戏研发者和运营者提供重要的参考依据,帮助他们了解玩家行为规律,优化游戏设计以及制定精准的营销策略。
2. 游戏玩家行为数据的来源游戏玩家行为数据的来源可以分为两类,一类是玩家在游戏平台上产生的实际操作数据,如游戏记录、击败敌人的次数等;另一类是玩家在游戏中展现出的行为特征数据,比如玩家的兴趣爱好、社交关系等。
这些数据来源包括游戏日志、用户反馈、社交媒体数据等。
3. 游戏玩家行为数据的分析方法游戏玩家行为数据的分析方法多种多样。
首先,可以使用统计学方法,对数据集进行描述性统计分析,如计算平均值、方差、标准差等,了解数据的分布特征。
其次,可以使用数据挖掘方法来挖掘数据中的潜在规律与模式,如聚类分析、关联规则分析等。
最后,还可以采用机器学习算法进行模型建立与预测,如决策树、支持向量机等。
4. 游戏玩家行为数据的分析指标游戏玩家行为数据的分析指标可以从多个角度来考虑。
首先,可以从游戏设计的角度,分析玩家在游戏中的行为特征,如游戏时长、游戏等级等。
其次,可以从营销能力的角度,分析玩家消费行为,如付费金额、付费次数等。
还可以从用户满意度的角度,分析玩家对游戏的反馈和评价,如用户留存率、客户投诉率等。
5. 游戏玩家行为数据的建模实例以一款射击类游戏为例,假设我们想建立一个模型来预测玩家的流失情况。
首先,我们收集到了一些玩家行为数据,包括游戏时长、击杀敌人次数、付费金额等。
然后,我们可以使用机器学习算法,比如逻辑回归,来建立一个预测模型。
在模型训练阶段,我们将数据集分为训练集和测试集,利用训练集来训练模型,然后使用测试集来评估模型的预测精度。
最后,我们可以使用该模型,根据玩家的游戏行为数据预测其流失的可能性,并进行针对性的干预措施。
如何进行游戏数据分析——入门篇_数据运营_鸟哥笔记

如何进行游戏数据分析——入门篇_数据运营_鸟哥笔记前言:最近一段时间在做部门网游业务的分析沉淀和框架培训,刚好应网大的需求在公司内开设游戏产品数据分析师认证的课程,因此开始尝试把这几年做数据分析的经验和心得整理出来,希望能形成一份相对完整的游戏数据分析的培训材料;根据以往的培训和招聘经验,个人把游戏数据分析师分为3个层次:“入门篇”主要把“产品健康度”监控相关的指标(描述性指标,告诉我们是什么)做一个系统的梳理,希望能够帮助刚刚入行或准备入行的朋友,快速熟悉游戏运营分析相关的指标含义及应用场景;关于渠道优化、运营活动分析、流失分析、用户行为分析等具体案例分析会在“进阶篇”中跟大家分享;在这里还是要重申一个观点:1、数据分析的本质是一种意识,一种以客观事实为导向进行产品管理和客户管理的意识;2、数据分析师本质上是一个产品分析师,只是在分析的过程中从数据的角度进行切入而已;3、数据分析的价值在于数据应用,没有业务理解和对各部门作业流程的详细了解,是无法对数据作出分析和解释的;不熟悉业务的数据分析师只能称为“数据取数员";正文:对移动游戏数据这块, 我一般喜欢用经典的“水池图”来做说明;作为CP,无论我们从什么角度做数据分析,最终还是希望能够帮助我们更好的实现最终目的:赚到更多的¥从一个庸俗易懂的公式出发:Revenue = AU * PUR *ARPPU统计周期内的收入流水 = 统计周期内的活跃用户规模 * 活跃用户付费比例 * 平均每付费用户付费金额;因此,我们要做的事情是:“最大化活跃用户规模,并在此规模之上最大化用户付费转化及付费强度”.【最大化活跃用户规模】:如果我们把当前的活跃用户看做一个水池,要想提升水池内的含水量,我们可以有几种做法:1.开源:让更多的水注入,导入更多用户;通过市场推广:1.1拓展新渠道;1.2增加推广费用,提高渠道导入、媒体广告导入量;1.3自有资源与其它APP换量;1.4口碑管理、增加市场认知度和认同度,提高自然导入量;2.节流, 减少水池的出水量,降低用户流失;2.1.通过运营活动、版本更新提高用户的游戏参与度(玩的更久)2.2.通过老玩家召回的活动,唤醒沉默用户;可以想象成,水池中的部分水分被蒸发,并没有真正的离开流走,可以再通过降雨的方式重新回到水池中;【最大化用户付费转化及付费强度】:在维持水池水量的同时,我们可以通过各种养殖和捕捞的方式(游戏内的消费埋点、促销、充值活动等)打到更多的鱼;当然,价值挖掘和用户规模的维护并不是完全割裂开的,过度的追求高ARPPU也有可能导致用户的流失增加;这是一个相辅相成的过程;综上所述,移动游戏数据分析指标可以分解为3个模块:1、市场推广相关指标(包括:激活、上线、各节点转化率、成本指标、渠道质量等),它的任务是帮助我们进行“渠道优化”和“产品优化”,最小化用户获取成本,实现更多的新增导入;2、用户活跃 & 留存相关指标(包括:DAUMAU、AT(日均使用时长)、日、周、月留存、回归率等),它的任务是帮助我们在宏观数据表现层面,快速判断产品存在的问题,并对运营活动及产品改进给予“方向性”指导;3、用户付费相关指标(包括:LTV、PUR(活跃用户付费比)、ARPPU (每付费用户付费强度)、充值结构、充值时段等),它的任务也是帮助我们在宏观数据表现层面明确产品盈利能力,并对运营活动及产品改进给予“方向性”指导。
16种常用的数据分析方法汇总

16种常用的数据分析方法汇总数据分析是从大量数据中提取、转化和整理信息的过程,以便更好地理解现象、问题和现象背后的原因。
在数据分析中,有多种方法可以用于收集、处理和分析数据。
以下是16种常用的数据分析方法汇总。
1.描述性统计分析:描述性统计分析是对数据集进行总结和描述的方法,包括计算平均值、中位数、众数、标准差和百分位等。
2.相关性分析:相关性分析用于确定两个或多个变量之间的关系,通过计算相关系数来判断变量之间的线性关系。
3.回归分析:回归分析用于研究自变量与因变量之间的关系,以预测因变量的值。
常用的回归方法包括线性回归、多元回归和逻辑回归等。
4.时间序列分析:时间序列分析用于研究随时间变化的数据,包括趋势分析、季节性分析和周期性分析等。
5.聚类分析:聚类分析用于将一组相似的数据点分为不同的群组,通过相似性度量和聚类算法来确定数据点之间的关系。
6.因子分析:因子分析用于确定一组变量的共同因素,从而减少变量的数量并简化数据集。
7.判别分析:判别分析用于确定分类变量之间的差异,以识别可以用来区分不同分类的关键变量。
8.多维尺度分析:多维尺度分析用于在多个维度上对数据进行可视化和分析,以确定数据之间的相似性和差异性。
9.交叉表分析:交叉表分析用于研究两个或多个变量之间的关系,通过计算频率表和卡方检验来确定变量之间的关联性。
10.因果关系分析:因果关系分析用于确定一个变量对另一个变量产生影响的关系,通过设计实验和进行因果推理来确定变量之间的因果关系。
11.ANOVA分析:ANOVA(方差分析)用于比较两个或多个组之间的差异性,通过计算F统计量和进行假设检验来确定差异是否显著。
12.简单抽样分析:简单抽样分析用于从一个大的总体中选择一个代表性的样本,以便进行更快和更简便的数据分析。
13.对比分析:对比分析用于比较两个或多个变量之间的差异和相似点,以揭示它们之间的模式和趋势。
14.敏感度分析:敏感度分析用于确定一个变量对另一个变量的敏感程度,以评估不确定性对结果的影响。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
游戏数据分析维度、方法
1通过网上,收集关于游戏数据分析方面的资料。
对各资料进行整理,并提出对游戏行业有价值的专题分析内容。
欢迎拍砖!
2数据分析的维度、方法
2.1常规数据分析(设定指标,定期监测)
2.1.1常规数据分析维度
2.1.1.1宏观方面
对宏观指标进行监控(小时、天、周、月、季度、年等),发现异常(人数掉线、新增用户增长异常、ARPU升高等),给公司提供客观的数据来衡量和判断游戏的运营情况
2.1.1.1.1用户数量
注册用户
在线人数(最高在线人数;日、周、月活跃人数;活跃用户平均在线时间、平均在线人数)
2.1.1.1.2 ARPU
每个(平均在线人数、付费用户、活跃用户)每月贡献人民币
运营成本(服务器、带宽、客户服务、推广成本)
产品毛收益
时间卡模式的固定ARPU
增值模式的动态ARPU
时间卡+增值模式的动态ARPU
付费率
2.1.1.1.3 推广力度
推广成本(宣传成本、人力成本、时间成本)
推广效果(各个路径的转化率:看广告人数—目标用户看广告人数—目标用户记住人数—目标用户感兴趣人数—目标用户尝试人数)
2.1.1.1.4 流失率
前期流失率
自然流失率
游戏流失率重要节点分布(初始化页、选线+创建角色、1级、5级、6级、7级、累计)
一般流失率(日、周、月)
2.1.1.1.5 用户自然增长率
2.1.1.1.6病毒性
发送邀请人数、发送率
接受邀请人数、比例接受率
K-Factor=感染率*转化率
2.1.1.2微观方面
对微观指标进行监控(小时、天、周、月、季度、年等),发现异常(道具销量异常等),并指导开发团队修正游戏版本,为新版本和新功能提供决策依据。
2.1.1.2.1 MMORPG游戏:
职业等级分布
任务统计(每个任务参加、完成和取消次数或人数)
经济系统统计
{ 总剩余金钱、背包存放金钱总量、仓库存放金钱总量、邮件存放金钱总量经济产出:任务产出金钱、玩家卖给NPC物品获得金钱、打工获得金钱
经济消耗:(任务消耗、NPC购买消耗、道具合成消耗、道具加工消耗、道具打孔消耗、道具镶嵌消耗、装备升级消耗、装备炼化消耗、兑换家族声望消耗、家族升级消耗、修理装备消耗)
}
活动统计(活动参与人数、活动完成人数、奖励产量、意外预警)
商城统计(销售统计工具,销量排行)
2.1.1.2.2ACG游戏
职业等级分布
资源使用统计
排名统计(增加荣誉感)
2.1.2常规数据分析方法
2.1.2.1对比分析法
各运营核心指标,例如:人气(平均在线人数、高峰在线人数)、收益(每个在线人数的ARPU)
1、与目标对比(例如:在11月30号前,某游戏日活跃用户数运营目标为5万户。
目前运营结果,日活跃用户为4万户,完成率为80%)
2、不同时期对比:同比、环比(例如:周末日活跃用户数比工作日日活跃用户数多)
3、行业内对比(QQ平台、当乐网等)
4、活动效果对比(实验组和控制组)
2.1.2.2结构分析法
例如:某道具销售额占所有道具销售额
2.1.2.3平均分析法
例如:每个地区付费用户的ARPU
2.1.2.4交叉分析法
例如:游戏等级和流失率之间的关系
2.1.2.5综合评价分析法
例如:构建综合指标客画用户的忠诚度(月登陆次数、在线时长、付费金额等)
2.1.2.6漏斗图分析法
例如:初始化页,选线+创建角色、1级、5级、6级等关键路径的转化率
2.1.2.7 PEST分析法
P:国家出台那些相关政策?有何影响?相关法律有哪些?有何影响?
E:GDP及增长率、进出口总额及增长率、消费价值指数、失业率、居民可支配收入
S:中国手机游戏用户与中国公民在人口规模、性别比例、年龄结构、人口分布等方面,手机游戏网民与全国是否有区别?
T:技术(手机终端和游戏开发创新)的发明、传播、更新速度如何?国家重点支持项目、投入研发费用、专利个数如何?
2.1.2.8 5W2H分析法
用户购买行为分析
Why:用户购买的目的是什么?产品在哪方面吸引用户?[产品的画面、操作,各方面细节,游戏是否有内涵,客户服务质量,线上活动(开发新任务、策划活动、客服执行活动)]
What:公司提供什么产品或服务?产品与用户需求是否一致?[例如产品:《新三国争霸》是一款三国题材的策略战争网游。
独一无二的战斗模式,热血沸腾的万人国战,让人欲罢不能。
服务:VIP用户系统、爱问系统、电话、邮件、论坛、传真、即时通讯软件、当面客服等。
与用户需求是否一致:对游戏玩家调研、进行试玩,对产品进行反馈,也可以通过网页上对游戏的评分、评价、下载量、用户量进行评估 ]
Who:谁是我们的用户?用户有何特点?[配有手机且手机功能支持游戏运行,用户年龄结构、男女比例、职业类型等]
When:何时购买?多久再次购买?[分时间点卡和增值道具购买]
Where:用户在哪购买?用户在各个地区的构成怎么样?[各大游戏网站(当乐网、九游游戏)、游戏运营平台(QQ平台、UC平台) 每个省份地市用户分布情况]
How:用户购买支付方式是怎样的?[网上银行卡(易宝网银、快钱)、实物卡(盛大卡、征途卡、QQ卡、完美卡)、声讯(固定电话、手机充值)、支付宝(支付宝、财付通)、短信(手机短信)、卡密(神州行)、网吧直充]
How much:用户购买花费时间、交通等成本各是多少?[每个活跃用户每天在线时长、每个活跃用户ARPU]
2.1.2.9逻辑树分析法
2.1.2.9.1从人气角度
2.1.2.9.2从收益角度
2.2专题数据挖掘(更深入了解游戏用户的行为)
基于目前游戏行业快速增长的行业背景,游戏市场远远没有达到饱和状态。
而传统电信行业逐步达到饱和状态,而且行业又不相同,所以不能够生搬硬套电信行业的一些成功专题分析经验。
但我们可以根据游戏行业目前的业务现状,同
时借鉴电信行业的专题分析经验,从而解决目前游戏业务问题。
2.2.1流失预警
基于某款游戏,如果用户量逐步达到饱和状态,且用户流失率居高不下,严重影响到游戏的利润。
并且获取一个新客户的成本远高于挽留一个客户的成本,这时候流失预警就具有重要意义。
可以和目前的游戏业务专家明确以下问题:
Who : 分析哪些用户,流失的定义是什么
When: 时间窗口设置,分析期、挽留期、反应期
What: 明确哪些分析指标(衍生出一些占比、趋势字段)
2.2.2客户细分
目前游戏行业的资费业务较单一(时间卡或道具销售),随着业务的不断深入,为了达到收益最大化,增加资费业务的种类有较大意义。
可以满足更多用户的差异化需求,同时对不同用户提供差异化产品后可以提高利润。
当游戏行业的资费业务到达一定复杂度后,可以对目前现有的客户资源进行细分,根据不同群体营销不同产品,提高客户的响应度。
2.2.3个性化推荐
根据客户曾经玩过的游戏和购买过的道具,向用户推荐感兴趣的游戏和道
具,从而提高用户响应率,进而提升用户的ARPU(价值)
2.2.4种子用户识别
种子用户是手机游戏领域的意见领袖,通过个人的影响力,他们能够带来大量的新用户。
如果在推广的时候能一开始找准种子用户,将优秀的游戏推荐给他们,能以最低的成本在最短的时间内拥有大量活跃用户,从而达到病毒式营销的效果。
2.3用户调研(设计问卷、开展调研)
用户调研其实在游戏数据分析工作处在一个边缘的位置,很多玩家不清楚自己想要什么,所以某种程度上我们来做这种调研工作往往会得到错误的玩家信号,所以很少会用调研手段来分析玩家。