一、游戏数据分析实战笔记

如何合理定义流失用户？

流失用户回归率=回归用户/流失用户*100%

拐点理论：X轴上数值的增加会带来Y轴上数值的大幅增益(减益)，直到超过某个点之后，当天X轴增加时Y轴数据增益(减益)大幅减少，这个点就是

不同的游戏，流失用户的流失回归率不一致—————>不同的书籍、不同类型的书籍流式用户的流失回归率也不一致

玩家等级副本流失分析————>书籍章节、用户详情的流失分析

卸载客户端的用户流失分析

卸载客户端的玩家一般是真正流失，回流的可能性很小，因此分析卸载客户端的用户，定位流失用户是非常准确的，也是流失用户分析的一个重要组成部分。

分析方法:采用对比分析、结构分析、交叉分析方法，主要的衡量指标

1、客户端卸载量

2、客户端卸载率

3、卸载客户端的原因

4、卸载客户端账号游戏行为(如：用户等级、持有剧情任务、消耗金币等)

应用5W1H分析方法分析流失用户

5W1H也称六何分析法，对选定的项目、工序或操作，都要从原因(Why)、对象(何事What)、地点(Where)、时间(When)、人员(Who)、方法(How)等6个方面

1、发生了什么(What)：用户流失了。

2、在哪里流式(where):主要指玩家在哪个地图、哪个地域流失了————>在哪个章节流失了？

3、什么人流失了(Who):是新用户流失，还是老用户流失(用户画像)

4、什么时候流失(when):是新手期、中期，还是高级期————>阅读进度流失

5、为什么流失(Why):是因为游戏卡顿、任务不会做，还是副本打不过，还是社会关系薄弱，没有朋友一起玩

活跃用户细分

用户细分其理论依据在与用户需求的异质性和游戏需要在有限资源的基础上进行有效地投放，器目标在于更好地了解用户并满足用户需求，使游戏运营活动做到有的放矢，以提高游戏的盈利能力，推动收入增长。在促进收入增长方面，用户细分的影响最为显著，它能够帮助增长用户数量、提高每个用户的付费额以提升用户生命周期价值

付费分析

用户付费习惯分析：

付费玩家在游戏里的主要消耗方式是什么？高低中端玩家的消耗方式有什么差异？有多少玩家愿意将多少金额花费在什么模式上？有多少付费玩家愿意将所有金额花费在一种模式上？

分析方式:

对比分析、结构分析、交叉分析、分组分析

主要思路:

1、为了了解不同类型玩家购买游戏道具的习惯，需要对付费用户进行定义。根据玩家在游戏中充值金额的分布情况，定义玩家类型:高端玩家、中端玩家、低端玩家

2、通过各模块的付费人数和收入分布，在宏观上了解这款游戏的收入构成

3、分析玩家付费习惯：对比三类玩家将钻石全部用在一种模块上的比例差异；对比三类玩家将不同比例的钻石用在各个模块上的比例差异

装备定价策略分析:

一般使用PSM模型来进行量化，从玩家的角度来对道具给出合理的价格区间

PSM模型:即价格敏感度测试模型，是目前价格测试的诸多模型中最简单、最实用的

设计:通过定性研究，设计出能够涵盖产品可能的价格区间的价格梯度表，然后在这个代表性的样本中，请被访这在此价格梯度表上做出四项选择:有点高但可以接受的价格、有点低但可以接受的价格、太高而不会接受的价格、太低而不会接受的价格。对这四个价格点分别求其上向和下向累积百分比，以此累积百分比做价格需求弹性曲线，四条曲线的交叉点标出产品的合适价格区间、最优价格、次优价格

便宜价格曲线和贵价格曲线的交叉点是“无差异价格点”：人们对此价格点感觉最为平淡

太便宜价格曲线和太贵价格曲线的交叉点时“最优价格点或者理想价格点”：这个点上，销售规模比较大

便宜价格曲线和太贵价格曲线的交叉点是合理价格区间的最低点，贵价格曲线和太便宜价格曲线的交叉点是合理价格区间的最高点

版本更新效果分析

方法:对比分析、交叉分析、结构分析、漏斗分析

分析内容:用户量、用户构成、新用户付费转化、用户留存、市场投放、新用户选择的服务器、新职业、账号余额、新用户来源、客户端卸载原因等方面

分析指标:留存率、付费率、ARPU、CPL、ROI等

活动效果分析

分析方法：对比分析、平均分析、结构分析和综合分析

分析思路：

1、确定综合评价指标体系:分析的指标有新用户数、活跃用户数、收入、ARPPU、付费率和百度指数

2、将各个活动期间的活跃用户数、新用户数、收入、ARPP、付费率和百度指数，与去年全年的整体平均数据进行对比，其对比结果为评价各个指标的参考值

二、数据分析师要掌握哪些技能

要熟练使用 Excel、至少熟悉并精通一种数据挖掘工具和语言、撰写报告的能力、要打好扎实的 SQL基础。

1、要熟练使用 Excel

Excel可以进行各种数据的处理、统计分析和辅助决策操作，作为常用的数据处理和展现工具，数据分析师除了要熟练将数据用 Excel中的图表展现出来，还需要掌握为生成的图表做一系列的格式设置的方法。

2、至少熟悉并精通一种数据挖掘工具和语言

以R语言为例，R编程语言在数据分析与机器学习领域已经成为一款重要的工具。R作为脚本语言凭借其良好的互动性和丰富的扩展包资源可以方便地解决大部分数据处理、变换、统计分析、可视化的问题，并可以重现所有的细节。

3、撰写报告的能力

在撰写报告时，深入地思考，深入分析，逻辑严谨，结论有说服力，能提前预测数据趋势，能从问题中引申出解决方案，提出有指导意义的分析建议，这些都是一名优秀的分析师所体现的特质。

4、要打好扎实的 SQL基础

SQL基础之所以重要，是因为数据分析师分析的数据大多都是从数据库中提取而来的。有良好的 SQL功底并能熟悉使用，不仅能提取到需要的数据，还能大大提高工作效率。

注意：

1、与传统的数据分析师相比，互联网时代的数据分析师面临的不是数据匮乏，而是数据过剩。因此，互联网时代的数据分析师必须学会借助技术手段进行高效的数据处理。更为重要的是，互联网时代的数据分析师要不断在数据研究的方法论方面进行创新和突破。

2、就行业而言，数据分析师的价值与此类似。就新闻出版行业而言，无论在任何时代，媒体运营者能否准确、详细和及时地了解受众状况和变化趋势，都是媒体成败的关键。

三、如何自学数据分析

第一方面是数学基础，第二方面是统计学基础，第三方面是计算机基础。要想在数据分析的道路上走得更远，一定要注重数学和统计学的学习。数据分析说到底就是寻找数据背后的规律，而寻找规律就需要具备算法的设计能力，所以数学和统计学对于数据分析是非常重要的。

而想要快速成为数据分析师，则可以从计算机知识开始学起，具体点就是从数据分析工具开始学起，然后在学习工具使用过程中，辅助算法以及行业致死的学习。学习数据分析工具往往从Excel工具开始学起，Excel是目前职场人比较常用的数据分析工具，通常在面对10万条以内的结构化数据时，Excel还是能够胜任的。对于大部分职场人来说，掌握Excel的数据分析功能能够应付大部分常见的数据分析场景。

在掌握Excel之后，接下来就应该进一步学习数据库的相关知识了，可以从关系型数据库开始学起，重点在于Sql语言。掌握数据库之后，数据分析能力会有一个较大幅度的提升，能够分析的数据量也会有明显的提升。如果采用数据库和BI工具进行结合，那么数据分析的结果会更加丰富，同时也会有一个比较直观的呈现界面。

数据分析的最后一步就需要学习编程语言了，目前学习Python语言是个不错的选择，Python语言在大数据分析领域有比较广泛的使用，而且Python语言自身比较简单易学，即使没有编程基础的人也能够学得会。通过Python来采用机器学习的方式实现数据分析是当前比较流行的数据分析方式。