手游產品最常用的5種玩家行為數據分析模型全解析

幾百個數據采集點、數百億級數據量，手游產品的數據分析是怎么做的?數據分析的基礎模型涵蓋方差分析、因子分析、回歸分析、主成分分析、聚類分析、邏輯回歸、用戶細分等等，游戲運營的數據分析通常依據AARRR海盜法則相對精簡，業內專注對留存、付費及活躍的幾個常用數據的分析。

這里我們將介紹在游戲數據分析領域常用的5種數據分析模型。通過這些模型，分析師可以把數據與玩家行為、市場投放、運營活動、節假日等因素結合起來，了解用戶行為波動的峰值、時段、原因，從而指導決策。

一、事件分析

1、事件分析的定義

事件分析是用來分析某一行為發生數量與趨勢變化的模型，用戶(USER)在項目上的任意行為定義為事件(EVENT)。事件可以通過埋點進行采集，利用采集到的數據直接對某一事件進行統計、計算、歸類、展示時，稱為事件分析。

2、事件分析的作用

利用事件分析模型的統計、計算、歸類和展示能力，可以分析一段時間內，指定群體產生特定行為的趨勢情況。從而對事件的影響和走勢變化能夠宏觀把控，優化決策。

3、事件分析的業務場景

實際分析過程中，通過事件選框選擇待分析的事件組，通過維度進行多分組同時展示，通過篩選條件下鉆限制指定群體特征。通過時間、分析頻率確定分析的適當范圍，通過圖表樣式適應需要的表達形式。

以游戲付費事件舉例來說，可以解決如下問題：

(1)每日的總流水金額趨勢圖，今日實時的流水情況。

(2)上周各渠道的每日流水趨勢，各渠道的流水分布情況。

(3)來自上海的用戶，最近一月人均付費金額的變化趨勢。

(4)對比上海和北京的用戶，最近半年在購買會員卡上的付費次數與金額情況。

二、留存分析

1、留存分析的定義

留存分析是一種專門分析用戶參與情況、活躍情況的模型。

留存分析考查進行過某項初始行為的用戶，在一段時間后進行回訪行為的人數和比例，并可以對留存或者流失的具體用戶進行下鉆跟蹤。

2、留存分析的作用

通過初始行為和回訪行為的設置，可以靈活分析不同初始行為下，用戶的整體參與程度、回訪情況。根據回訪行為的表現情況進行分析，探索和尋找“流失點”，從而對事件的影響能進行宏觀把控，優化決策。

3、留存分析的業務場景

實際分析過程中，先確定需要分析的初始事件和回訪事件，并通過篩選條件下鉆限制指定群體特征。結合待分析的時間區間可得到在特定時間后的留存表和留存率趨勢。

以新用戶獲取到消費轉化舉例來說，可以解決如下問題：

(1)新用戶登錄后的次日，登錄活躍的人數和占比情況。

(2)新用戶登錄后的7日內，消費轉化，且消費金額達到200元的人數和占比情況。

(3)上海新用戶登錄后的1個月內，實現消費轉化的人數和比例每日趨勢變化。

(4)一線城市新用戶登錄后的1個月內，進行登錄，且消費金額達到200元的人數和占比情況。

(5)新用戶登錄后的次日，沒有登錄活躍的人數和名單。并查看他們的行為軌跡。

三、漏斗分析

1、漏斗分析的定義

漏斗分析是一種分析用戶一系列行為流程的轉化模型。

漏斗分析考查指定用戶群組，在完成了一系列行為流程后的轉化人數和轉化率，通過它可以分析每一步行為過后的轉化情況。

2、漏斗分析的作用

利用漏斗的特性，可以幫助分析師快速掌握一段時間內產品在各個步驟環節中的轉化情況，并且可以對不同分組的用戶漏斗情況進行對比。從而達到找到轉化短板、查缺補漏、優化轉化流程的目的。

3、漏斗分析的業務場景

實際分析過程中，先選定需要分析的行為步驟組，確定每一個步驟的特定篩選條件，并且可以對不同分組的用戶漏斗情況進行對比。根據每個步驟的轉化情況進行分析，從而達到找到轉化短板、查缺補漏、優化轉化流程的目的。

漏斗分析創建的越細致越能找到重關聯的事件可優化的短板，從而實現精細化運營。

以渠道投放到消費轉化舉例來說，可以按如下步驟創建簡易的漏斗：

渠道投放——新用戶獲取——用戶登錄——開始新手教學——完成新手教學——開始戰斗——充值消費

(1)可以分析上述每一步的單步轉化情況，確定漏斗短板。

(2)可以對比不同渠道的用戶在各步驟的轉化差異，從而優化投放策略。

(3)策略優化后，可以監測各步驟轉化率的變化，從而確定優化的效果。

可以下鉆分析完成或流失用戶的行為序列，從而找到轉化共性。

四、用戶群分析

1、用戶群的定義

用戶群是一種將具有相同用戶屬性或行為特征的人匯總并歸類的分析手段。

用戶群模型利用用戶的屬性或行為特征，定期將特定人群歸類。歸類后的人群可以作為各個模型中篩選活用的基礎。

2、用戶群的作用

將具有共同特征的人組成用戶群后，可以通過各種分析模型宏觀了解人群的群特征，并微觀洞察具體用戶的行為序列軌跡。利用用戶群在行為上的對比，來發現哪些因素影響短、中、長期的留存及收入，以對用戶群進行精細化運營和定制營銷策略。

3、用戶群分析的業務場景

實際運用過程中，先選定需要限定的用戶屬性或行為特征，并根據需求選定用戶群列表是否需要動態更新。利用設置好的用戶群，可以在其他模型中靈活運營。

以游戲場景來說，可以創建如下的簡易用戶群：

(1)大R玩家：用戶累計付費超過2000元

(2)新手期玩家：在最近7天做過用戶注冊事件，且用戶等級小于20

(3)首日充值用戶：用戶充值次數大于等于1次，且收否首日充值為真

(4)節日活動參與用戶：參與活動類型為節日活動，且大于等于1次

(5)近期流失核心用戶：在最近7天沒做過任意事件，且在最近14天做過任意事件大于等于1次，且用戶等級大于30

五、屬性分析

1、屬性分析的定義

屬性分析是一種專門分析用戶屬性的統計與分布情況的模型

屬性分析模型按照用戶屬性進行歸類，可以同時查看不同分組值用戶的統計數與分布情況。如查看用戶在各省的分布情況、用戶的年齡分布情況等。

2、屬性分析的作用

利用屬性的統計與分布模型，可以快速描繪出整體用戶群的用戶畫像。多角度、全方位的掌握指定用戶群的特征，宏觀上把握整體用戶的組成與偏好，從而為精細化運營提供依據。

3、屬性分析的業務場景

實際運用過程中，先選定需要分析的用戶屬性項目，再選擇進行分組查看的屬性如省份。最后選擇合適的分組值與圖表樣式即能呈現需要的用戶畫像，為精細化運營提供依據。

以游戲場景來說，可以得到如下的用戶畫像信息：

(1)各省份用戶數量的分布情況

(2)20歲以下用戶，在不同玩法下的消費鉆石情況。

(3)在多個渠道上，各種機型的分布數量情況

對比大R、中R、小R群體，在用戶等級上的分布情況

對各種類型產品的數據分析與運營，手游產品的應用方案都有很好的參考價值。相比較而言，手游產品事件點多(動輒幾百個數據采集點)、數據量大(動輒數據量幾十億、百億級別)，在如此大量的數據情況下，如果能夠細分用戶群組、活用分析模型，就有機會找到數據驅動運營或產品調優的最好方式。