新手运营必备：游戏数据分析方法

本文主要以广告变现游戏为例进行说明

一、IAA游戏变现模式

假如我有一款的游戏（自研、代理、联运等），直接上架应用商店，但了解这个游戏的人太少了，也没有人下载，那要怎么赚钱呢？当然是获取游戏用户。

关于“买量”，就是花钱买用户。一般获取用户的方式有多种，如平台资源、广告买量投放、用户运营等，这里主要指讲“投放”。要去广告平台投放广告（做一些游戏画面的视频），这些广告平台有丰富的资源、大量的用户，例如抖音/今日头条/微信/QQ（巨量引擎、腾讯广点通）等等，他们会为我展示游戏广告，这样一来有的用户喜欢我的游戏视频，就会点进去下载。

另一方面叫做“变现”，当我的游戏有很多人在玩的时候，他们每天花点时间玩，因为休闲游戏没有或较少有内购充值付费，或者你没有版号，所以基本只能选择广告变现。我可以在游戏里安插广告位，比如在奖励加倍、解锁关卡、获取体力/技能等等，并去展示其他的游戏、app等，在我的游戏里展示他们的广告，只要有用户点击展示（或下载、点击等）了，我就能拿到收益，一般给钱的可能是广告平台也可能是其他的开发者。

广告点

投放广告=花钱=买量，展示广告=赚钱=变现

宏观上，变现（通过接别人的广告赚的钱）>买量（自己投放广告获取用户的费用）。

微观上细分到用户层面：用户的ltv>获取成本。

而IAA游戏赚的就是差价！

游戏内关注那些指标？

二、数据分析方法

先推荐一本书：《游戏数据分析实战》，笔者在早期的时候经常看这本书，已经看了几遍吧，其中收益还是很大的，很多分析过程都讲得非常详细。在带团队的时候，我曾给每一位下属都送了一本。此前也有小伙伴向我咨询有什么课程或者书籍可参考，笔者自认为这本书是不错，所以推荐给有数据分析需求的小伙伴。

1.指标拆解法/目标拆解法/公式拆解法

收入降低了，问题出在哪，什么原因导致的？

核心思维：对事物的层级式解析，在拆解时，对因素层层分解，找到可以落地的事件。假设以收入为导向。

2.5W1H分析法

用常用5W1H可以帮助你分析问题：

举个例子1：比如游戏埋点，用户关卡埋点问题。

举个例子2：比如游戏分析时发现dau降低了。

3.漏斗分析法

漏斗分析是一套流程分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。游戏分析中常用于例如新手引导等转化率场景。整体漏斗模型的核心思想其实可以归为分解和量化。

举例：XX游戏二次版本测试新手引导流失数据

从启动游戏到进入关卡，这部分流失就已经14.9%，期间玩家基本不用操作，也未涉及具体玩法。根据游戏大小分析比如1G，玩家有一定的下载安装成本，却在打开游戏、加载资源、loading等待中就已经有较大流失，需要针对机型设备的资源加载速度等原因进行分析，以减少设备因素引起的流失率。

根据分析，本次出现卡loading的bug，导致大部分玩家在loading界面进不去游戏，所以产生高流失，所以这个部分主要解决bug问题。

1-4关均为玩法战斗展示、操作中断处，为题材、美术、玩法等筛选过程。流失较低，说明进入的玩家基本都愿意继续玩下去。
第5-7步新手流失高峰，这里面会有一些打断性的引导，比如新功能开放，导致用户体验不好，需要优化这部分引导体验。
第12关会出现一个新玩法，该部分流失较高，考虑优化玩法内容，或者是否该玩法出现时间过早。

这里就不针对性的全部进行解释，一般漏斗分析法常用于对游戏流失分析，且都能有比较好的效果。

4.用户分群法

用户分群分为普通分群和预测分群。普通分群是依据用户的属性特征和行为特征将用户群体进行分类；预测分群是根据用户以往的行为属性特征，运用机器学习算法来预测他们将来会发生某些事件的概率。用户分群主要用于运营活动精细化，为达成目标而不同人群采取不同措施，从而有的放矢。

案例：流失回流活动怎么做？为什么做的活动没有效果？投了很多回流礼包为什么玩家也不回来？

1）普通分群：根据已有的标签属性划分。

第一类：活跃逐渐降低、玩法参与降低，流失不玩游戏——这类玩家离开游戏核心本质是对游戏玩法越来越没兴趣、厌倦。所以这类玩家要想挽回，给礼包之类效果不好，因为他对游戏就没兴趣了。应该额外推送告诉玩家，我们现在更新了新玩法新活动、新玩法，和之前有大不一样。
第二类：触发流失。比如MOBA游戏，玩家一下子5连败之类，挫折心理导致不玩游戏了。这类玩家要给予关怀措施。比如给送保星卡，回来匹配队友强，匹配算法监测。
第三类：环境时机不允许。比如学生党等，这种适合周末活动、流量礼包等。

2）预测分群：比如流失预测

案例：要做运营活动，怎么做？根据活跃度和充值简单拆分人群。

第一类：活跃高付费低的肝帝玩家。活跃高说明对我的游戏兴趣挺大，这类玩家需要转化为充值用户，先小额付费刺激或者免费体验一下。比如王者荣耀，发一些英雄/皮肤体验券，体验一下充值乐趣，6元皮肤。
第二类：活跃高付费高玩家。非常核心的用户，重点跟进维护，挖掘他们的需求、困境，满足需求，保持玩家游戏体验。
第三类：活跃低付费高/很少，或者是土豪、代充，battlePass等。
第四类：活跃低付费低。做一些活跃类活动，先促活，再拉付费。

5.AB测试/灰度法

比如最近因为游戏关卡调整，于是就在抖音采用灰度测试。灰度测试时为了验证一个新的产品交互设计、产品功能或者策略、算法的效果，在同一时间段，给多组用户（一般叫对照组和实验组，用户分组方法统计上随机，多组用户统计角度无差别）分别展示优化前和优化后的产品交互设计，并通过数据分析，判断优化前后的方案在一个或多个评估指标上是否符合预期的一种实验方法。

简单的说，控制变量法，不同分组样本同质化，排除人群不同的影响，看多组人群对产品的数据差异有何不同。严谨的ab测试要做假设检验，假设检验核心思想，小样本在一次事件中不可能发生，如果发生就有足够理由拒绝、接受。

主要用于游戏迭代、调优。举个例子：游戏关卡难度及顺序有所调整，同质玩家行为表现有差异。

6.TGI指数法

TGI指数= [目标群体中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例]*标准数100，TGI指数等于100表示平均水平，高于100，代表该类用户对某类问题的关注程度高于整体水平，反映偏好度、喜好度等的指标，可以用于游戏成功活动复用，指导其他游戏等。

案例：游戏内设计了一个元旦活动

总体游戏用户中20%参加了元旦活动，女性玩家中35%参加了元旦活动，元旦活动在女性玩家中TGI指数=35%/20%*100=175。18-30岁群体40%参加了元旦活动，元旦活动在18-30岁群体中TGI指数=40%/20%*100=200。说明元旦活动在女性、年轻群体（18-30）中偏好/喜好度高。后续其他产品中，针对这类群体，复用此类效果好的活动，提高收益。

三、实际应用场景举例

1.留存降低

1）分清短线留存和长线留存。因为玩家随着在游戏内的成长，玩家第x天，不同阶段遇到、接触、感受到游戏内容是有差异的。

次留降低，先看玩家进入游戏最先接触的内容，新手引导。如下图新手引导漏斗分析：

当然也要适当结合人群画像来分，不同人群对同样的游戏内容是有差异的，如果游戏做不到差异化，那么就平衡取舍，适合大多数就好。例如，一款moba游戏新手引导，玩过类似游戏的和没玩过类似游戏的新手引导就有差异化，如果新手引导步骤多，玩过的会觉得很繁琐、傻瓜、厌烦，会加剧流失。如果完全没玩过的，甚至会信息传达不到位，导致进入游戏挫败流失。

2）看关卡、等级留存/流失，透过现象看本质，看玩家的实际进程