出品|中国统计网（ID：cntongji） 嘉宾|杨郁
采访|赵良
审核|赵良
编辑|惊渡
赵良：请问游戏行业一般有哪些分析？哪些业务上的集中度比较高？
杨郁：从游戏分析角度来说，有下面几块比较重要。
**首先，游戏导量分析，**在游戏上线开始内测或游戏初期小规模测试的时候，往往需要在各个渠道或广告上进行投放试点，此时投放的效果数据非常重要。在各个渠道或广告进行试导量之后，通过数据对导量效果进行分析评估，对游戏后续的大规模投放具有重要的参考意义。
其次，比较关注用户留存方面数据。用户留存主要针对新用户。比如当天新激活的用户中的次日留存、7日留存、14日留存数据，留存率是每一个游戏都非常看重的指标。
**然后，当游戏发展到一定规模后，**需要对游戏总体的活跃现状进行分析，一般包括日活跃、周活跃、在线情况方面的分析，比如说平均在线人数、峰值在线人数等，这几个指标对游戏人气、用户规模具有较大参考意义。
**另外，对于游戏非常重要的是付费分析。**企业都需要靠用户付费来盈利。一般付费分析包括用户的付费率、付费转化、付费周期间隔、活动对付费的提升带动作用等等，都是付费分析比较重要的点。
最后，用户流失分析，主要根据用户的生命周期和价值两方面去考虑。从生命周期的角度来说，比较关注老用户（核心用户）的流失；从价值的角度来说，比较偏向付费用户的流失。用户在哪些场景下会产生流失，可以通过什么方法来预防这些流失。
其它，就是一些比较细节的用户行为方面的分析，比如用户的游戏时长、在游戏里的消耗、喜欢购买哪些物品、在具体游玩时的任务完成情况、局数完成情况、关卡情况等等。
赵良：对于游戏公司来说，业务流量从哪里来？新用户留存对游戏公司的重要性体现在哪里？
杨郁：对于游戏来说，获取流量的方式比较有限，无外乎两种：广告和渠道。
通过广告的方式， 就是与广告平台合作洽谈，把游戏的推广链接放在广告平台或广告联盟中。例如，你在玩某个APP的时候，会弹出一些游戏的广告。另外还包括积分墙的形式。比如你在玩A游戏，会有积分墙的推荐，邀请你去下载B游戏，下载并注册完成之后，你在A游戏里面会获得一些奖励。
另一种方式就是渠道。目前有两大类， IOS和安卓。IOS比较规范，只要通过苹果的审核手续等，游戏就能上传到AppStore中，用户可以检索到，但具体在AppStrore中的排名是苹果根据自己算法生成的（下载，评论，新增，付费等）。Android比较混乱一点，国内渠道没有统一，较知名的手机厂商都有独立的应用商店。如果要上热搜榜或者排名比较靠前，一个看游戏本身的质量，另外需要支付相应的推广费用。
如上所述，对于一个游戏公司来说，获取新用户的成本是很高的。现在往往一个新用户的成本达到几十块。通过数据分析，研究如何留住新用户，提高新用户的留存率，分析哪个渠道或哪个流量来源的新用户质量比较高，是非常重要的事情。
在游戏行业，一般留存率指启动留存率，即当天新激活设备在第N天依旧启动，例如：7日留存率，当天新增激活设备在第7天还启动的比例。**一般来说，留存率往往代表了游戏的总体质量和用户的接受程度。**实际中，我们可以按某些分析维度对留存率指标进行细分，常规的分析维度有：操作系统（IOS、Android）、不同渠道（360、华为、OPPO等）、不同省市地域（北京，上海，广东省）、游戏版本、不同区服等等。通过细分维度，可以准确发现哪些渠道或地域的留存率比较高，指导后面具体的投放，同时也能发现问题。此外，启动留存率其实是一个弱指标。因为启动不能具体地衡量出用户在游戏中的具体行为质量。因此为了更进一步分析用户的留存率，我们往往会引入一些用户行为留存率指标，例如：当天新增的用户中有50%在第二天还是会启动登陆，但是我只有30%的用户可能在第二天游玩的时长大于5分钟，这几个数据之间会有比较大的差异，有时候可以更加关注基于用户行为方面的留存率。
此外，此前业内比较多的使用次日留存率、7日留存率、14日留存率来作为留存率结算的依据，往往会导致某些平台对留存率进行造假，刷出留存率比较高的情况。因此，查看留存率的指标应该是在一个长时间并且连续的区间来看，或者选取第8日、第16日的留存率，或者通过指标加权留存率等等。因为在实际中发现，有过游戏第7日留存率还在10%左右，但第8日就一个启动都没有了。
关于留存率的具体应用，主要有三个方面。第一点，分析出来哪些渠道或者流量留存率较高，后期就在这些地方加大投放，但前提是必须确保这个留存率是真实的。第二点，通过用户在游戏内的数据判断哪些行为会对留存率产生积极影响，并提前对这类行为进行触发。例如：某款手游发现某用户在首日对某物品有消耗，或接触到某一场景时，对其后续留存会有明显的提升作用，那么在设计游戏的时候，就可以相应地将这类场景提前，让用户尽早接触到这类场景。第三点，新手引导的问题。大部分用户在新手引导这一过程就直接离开了游戏，可以尝试在新手引导期进行精确埋点或日志分析，挖掘用户在新手引导的哪一帧或哪个时间点会离开游戏，以便对新手引导进行改良优化。
总的来说，新用户留存率是游戏最重要的两个指标之一。它的重要程度仅次于付费。留存率最能反映出一个游戏的品质及后续发展情况。通过对用户留存的分析及数据挖掘，能看出哪些点对于提升用户留存率有作用，对游戏的设计改进和运营策略的调整，都有着重大意义。
源自网络
赵良：您能否就游戏内容再进行一下讲解？针对运营人员，在新用户留存这一块他们需要得最多的数据是哪些？
杨郁：新用户留存是作为渠道选择导量比较重要的几个指标之一。在导量阶段，衡量一个渠道的好坏，主要从几个指标来进行评价，其中包括新用户留存率，付费率、付费金额、LTV、游戏时长等。一般来说，留存率和用户价值是两个最主要的指标，如果留存率高，用户价值也高，那么这就是最优质的渠道。
对于运营人员来说，他们通常看次日留存、3日留存、7日留存及14日留存。而且还可以对这些数据进行细分，比如从渠道方面进行细分，看哪一个渠道的留存率比较高。或者通过操作系统进行细分，比如IOS与安卓渠道的留存率对比，不同区服的留存率对比等等。运营人员另一个需求较大的数据是行为数据留存率，例如：当天新登陆，第二天依旧在登录，并且时间大于五分钟的这批用户的留存率。此外，会有特定用户群体的留存率分析，例如：首日登陆并且付费的用户，或首日登陆并领取奖励的用户，在第二天的留存率分别是多少，本质上是对比不同群体用户间的留存率差异和用户质量情况。一般中等规模及以上的游戏公司都有自建立的数据平台，上面有比较成熟的分析体系，部分数据则通过数据仓库直接线下统计给到运营分析人员。指标在游戏中的落地则表现在根据这些指标去调整游戏的设计策略，通过优化游戏让用户有一个更好的体验。例如：在新手引导期，如果用户在这个阶段有大量流失，那么是什么导致流失，找出这个流失点及流失场景对于新手引导设计的改进是很重要的。有一个好的新手引导体验，用户往往会更愿意继续玩下去。
赵良：那么老用户的流失通常是在哪些阶段？或者什么因素会导致流失？从数据分析师的角度出发，分析的角度是在哪里？方法有哪些？分析出来之后，这些数据又是如何落地的？落地的场景又在哪里呢？
杨郁：从业务角度来说，老用户流失的可能性比较多。比如说，用户在游戏中所有内容已经全部体验完，已经打通关了，没有新的追求点了；用户在游戏中遇到了阻力，卡在一个关卡很久，很长时间没办法通过，难度过大；或者由于游戏会不断地更新版本，用户对旧版本的喜爱高于新版本，新版本中的一些功能，对旧版本中的一些人物进行了删减，或者对人物的技能进行了重新设计，改过后用户不是很喜欢，就不喜欢新版本；又或者在游戏中时间久了，一些免费玩家或玩伴都走了，用户继续玩下去没有什么意思，游戏的人气整体上没有刚开始的时候那么好，开始情绪低落等等，都是导致用户流失的原因。总之，用户流失从业务上的原因来说多种多样。
从数据分析角度来说，比较关心用户在流失时所处在游戏中的生命阶段，以及在游戏中流失前的一些行为状态变化，通过这两方面的分析挖掘可以改进游戏设计策略以及开展用户流失预警工作。
用户在游戏中所处生命阶段一般可以由用户在游戏中的等级这个数据来衡量，因为一般等级是与用户在游戏中的成长、时间等指标都是成正比的。分析老用户的流失首先会看哪些等级的用户流失率较高，精准定位出用户流失主要是在哪些等级阶段，随后分析这些等级对应游戏中的具体行为。对于卡牌类游戏来说，可能具体行为就是用户流失时所处的关卡，在某一关卡的用户流失数量和流失概率分别是多少。其余，包括游戏中天梯竞赛排名的下降波动数据等等。对于棋牌类的游戏，可能是用户对局输赢，用户连续输好几把或者是一天之内胜率下降到多少时，用户流失概率比较高。
我们之前对游戏中的大R用户（高付费）的流失情况进行过统计分析，发现这部分用户在流失时，往往在某个关卡的卡关时间比较久，70%的用户都在关卡卡了6天以上。对手游来说，6天是比较长的时间了。深入分析发现，大R用户在卡关后的前3天内往往会付费，而且付费金额挺高。但无奈付费后玩了几天还是无法通过关卡，导致最终用户的流失。
因此，分析用户在关卡持续卡了多久之后会流失，比较有助于游戏的运营以及策划人员做一些游戏设计上的改良。特别是卡关后有较大付费的用户，最终因无法通关而流失，是十分可惜的。因此，基于这些数据，可以适当结合游戏的具体关卡场景，通过活动或设计改良，提供用户更多的条件机会，例如： 多条命，多回血，通关后的奖励提升等等。
除了在游戏设计上的改良，基于游戏中的数据分析挖掘，可以支撑用户流失用户的召回以及流失用户的预测工作。流失用户的召回指在游戏中已经流失的用户，通过接触渠道引导用户重新回到游戏中，往往在游戏发新版本时比较常见。当然，召回并不是说所有用户都进行召回，通过数据分析，利用RFM模型进行用户的细分，可以优先选择在游戏中付费高，活跃度高，而且流失时间距今比较近的短流失用户进行召回。
关于待流失用户的预测，我们通过数据挖掘模型的方法，比如说逻辑回归，可以对现在游戏中的用户的流失概率进行评分，特别是对于核心老用户以及付费用户群体。通过模型筛选出这部分流失用户，例如：筛选出待流失的付费用户后，对于这部分用户群体，可以通过游戏中的客服进行一对一的关怀维系，沟通交流对游戏的想法，甚至有时满足他们的一些要求，或者说是给予部分优惠等，以便他们能够在游戏中继续玩下去，因为付费用户，尤其是大R用户的流失对于游戏来说确实是非常不好的。
图片
图片源自网络
赵良：我觉得有一块可能会非常重要，对于待流失的用户我们如何进行挽留和判断？您刚才所说的是用回归模型，那么在回归模型这一块的自变量上，一般是有哪些变量组成，以及如何判断一个用户即将流失？这方面有相关的经验吗？
杨郁：对于待流失用户的预测，其实从模型上来看和其他行业有类似的地方。
首先，我们会建立一个样本学习集，即从一些已经流失的用户里面选取他在流失之前一定时间范围内的行为数据，来建立逻辑回归模型。
其次，模型建立完毕后，通过一些验证测试集的检验调优，最终会对现在游戏里的活跃用户进行一个流失倾向的评分，计算出流失概率值。往往会对流失概率比较高的，并且付费价值较高的用户会进行一些挽留。
**当然在建立训练模型的时候，自变量的选取也是非常重要且耗时的一步。**其实类似于现在机器学习中的特征选择，只有好的特征才能最终输出好的模型。一般从游戏数据维度来说，会从用户的活跃度、付费、游戏内的价值行为（消耗趋势、消耗波动值，某项物品占消耗或购买的比例，游戏中天梯排名的变动情况、下降情况等）来构建自变量。
曾经做过最终对模型比较重要的几个变量，一个是活跃度的下降趋势，即一个用户活跃度趋势是下降的，那他流失的概率会比较高。还有天梯排名下降的情况，即一个用户在游戏天梯中的排名曾经到过前五，但最近跌至二三十位甚至于更靠后，那么排名的下滑幅度也是重要的一个流失参考指标。此外，游戏中用户货币消耗的趋势，即用户货币的消耗越来越少、库存也越来越少，则这个用户的流失倾向会比较高；另有一种是货币的大额消耗波动，有些用户会在流失之前将所有的货币去进行武将的兑换或是抽奖，如果没有抽到心仪的东西就可能会导致用户的流失等等。当然，有时候并不一定是单个自变量的影响，而是很多变量交叉影响的综合结果，模型能够很好的帮助我们发现这样的规律。
一般在做模型的时候，会多放点变量到特征选择里面去，包括一些原始变量和衍生变量。在特征选择阶段，除了根据统计指标判断外，还会加一点业务上的判断经过特征选择后的变量进入到后续数据挖掘模型中，例如：决策树、逻辑回归、贝叶斯、支持向量机等分类算法，都可以试试，当然考虑到最终系统应用实施，逻辑回归相对来说好一些，在实际应用中也确实较好。
赵良：游戏公司在游戏消费分析这个环节，从业务角度来说，达到的目的或考量的因素会有哪些？业务部门在这方面，数据分析需求最多的会有哪些？从数据分析的获取到最终的落地的整个流程会有哪些？以及数据分析最终落地的应用环节会有哪些呢？能否分享一下呢？
杨郁：游戏数据分析要直接帮助游戏盈利的话从本质上来说比较困难，更多是通过游戏消费分析给游戏的运营以及策划人员提供用户的付费习惯、付费行为的分析报告，帮助他们对用户的付费行为、付费构成、付费情况及付费转化有比较全面地了解和认识。例如：最关注的指标就是每天的付费用户数，付费金额。这些指标也可以通过不同的维度来细分挖掘，例如：前面提到的IOS和Android渠道的付费金额及占比，不同渠道来源的付费用户数，付费金额的对比等等。
另外，通过付费用户数，付费金额衍生出一些其他指标，用户付费率（付费用户数/活跃用户数），ARPU（付费金额/活跃用户数），ARPPU（付费金额/付费用户数），也可以帮助我们对付费用户行为及质量进行有效评估和监控。同时，也可以对不同用户群体的付费指标进行对比，例如：新用户的付费率，ARPU，ARPPU是多少，老用户的付费率，ARPU，ARPPU是多少，不同等级的用户付费情况的构成细分等等。
对于具体游戏来说的话**，付费分析的最终应用落地会有以下几方面**：一是通过首付的场景分析可以看看哪些商品对用户的吸引力比较大，也就是说用户首次付费后马上在游戏中的动作场景，例如玩家付费就是为了去买某款皮肤，付钱就是为了得到一个限量的武将等等，及时地了解用户付完钱后购买商品的情况，并进行商品的优化调整。另一方面，游戏里面多多少少都会有活动。付费分析中，涉及比较多的是评估一个活动对游戏消费的拉动作用有多少。例如：充值送武将的活动，送A武将可能对充值的拉动效果比较好，送B武将可能对充值的效果稍微差一些；上个月这个活动对消费拉动会有50%的提升，这个月我再做效果会有多少，等等诸如此类。通过数据分析，让游戏的运营、策划人员搞清楚开展某个活动对实际游戏的拉动消费的作用提升，某款游戏适合做哪些活动，适合把哪些资源拿出来做活动等等。其次，付费有时还会涉及一些预测类的工作，例如：通过7日内的LTV（7日生命周期价值）价值数据，预测他终身的LTV会达到多少，当中也会涉及一些其他指标的使用。最后，与游戏比较相关的还有游戏里一些付费点设计，玩家是否会有相应的转化。
总体来说，通过游戏付费分析，首先可以了解付费用户的构成，特别是大R用户，其实大部分游戏当中只要把大R用户维系好，基本上游戏收入不会太差；其次，就是活动效果的分析评估，通过数据分析活动应该设计成什么样子，投入什么资源，多久搞一次活动，目标付费群体是哪些等到。最后，就是刚刚有提到过的一些付费点，设计的付费点实际当中用户是否有付费，以及付费转化率等等，最终结果给到运营、策划人员，帮助他们在实际的游戏中进行改进优化。
赵良：聊了这么多，你感觉我们还有哪些点是没有聊到的呢，你可以进行补充。
杨郁：游戏数据分析人员本质上主要服务于游戏的运营，策划，产品人员，同时结合自身对游戏的业务理解以及专业素养，对游戏进行深入的数据统计，数据分析和挖掘，通过分析提出一些游戏当中可以优化改进的建议，某些建议可能是运营策划产品同事不一定能想到的。
从数据产品的角度来说，可以辅助他们并最终在游戏中落地应用的，主要有两个场景：一个是上面提到过的流失预测，将预测出可能潜在流失概率高的用户给到项目组，可以在游戏中配合进行一些关怀和挽留。另一个就是商品推荐，通过游戏数据分析和挖掘，找出用户现在比较喜欢什么游戏当中的什么内容，可能他比较喜欢游戏当中的什么内容。例如：拿卡牌类游戏来说，玩家现在已经拥有哪些武将，玩家可能比较喜欢哪些武将，在玩家进入游戏的时候适时恰当的给他进行某些其他感兴趣的武将推荐，包括一些物品的推荐也是类似的。其他的，就是一些特定用户群体或玩家的分群分析，用户间的部落或公会分析等等。
