一份逐层递进的数据分析报告是怎样炼成的?

2020-04-27  本文已影响0人  小莫_数数科技

数据分析是游戏运营的重要岗位技能之一,在很多游戏运营岗位的招聘JD中,经常能看到关于游戏数据分析的要求,通常要求运营同学可以监控游戏数据,完成数据分析报告,并根据数据报告的结果调整运营方案。那么,如何才能快速写好一份高质量的数据分析报告呢?

数数科技邀请某游戏大厂的运营专家分享了他做数据分析报告的思路,文中图表使用的数据来自数数科技的数据分析平台ThinkingAnalytics(文中简称TA),数据已做模糊处理。

以下为分享正文:

最近我一直在跟的一款卡牌游戏结束了7天的付费测试,测试结束后,最重要的就是输出数据报告。

数据报告可以帮助我们了解本次测试存在哪些问题,玩家对游戏是否认可,从而针对性的做出优化。同时,测试数据的好坏,也与后续的运营方案、推广方向息息相关。那么数据报告该如何撰写呢?这里我跟大家分享一下我撰写数据报告的框架。

宏观数据分析

要想直观的知道数据好坏,第一步就应该看宏观数据。

1.1 新增情况

由于我们第二天中午就陆续关闭了下载,所以可以看出主要的新增集中于前2天。首日累积新增用户数7,445,次日新增2,504,测试期间共导入10,939用户。

1.2 留存情况

可以看出,我们与上次测试相比,整体留存都有一定额度的提升。次留从40%提升至45%,达到本次测试预期。

但对比A级产品次留45%,3留35%,7留15%的数据来看,3留问题比较严重,并且从3~4日的衰减来看,两次测试都没有很好的解决这一问题,后续会详细分析具体原因。

1.3 付费情况

从每日数据可以看出

整体收入的付费率和ARPPU比较稳定,收入降低主要是停止导量,老用户流失导致。

3月14日额外开启抽奖功能促进收入明显,付费率和ARRPU都有显著提升。

后续还会再分析首充动力和复购情况,看看能不能进一步挖掘付费率的提升,以及VIP分布和LTV情况,看看ARPPU还没有进一步提升的可能。

微观数据分析

2.1 新增数据分析

2.1.1 不同渠道的新增情况

可以看出,除了UC的量比较大以外,其他各个渠道新增的量级都比较相似,后续新增大幅度减少主要是因为内测期间,我们并不想扩大规模,于是陆续关闭了下载。

2.1.2 新增到游戏的转化情况

玩家从下载→安装→登录→创角,这一系列的流程完成后,才能真正形成新增。

哪一步有问题,都会影响转化率,从而损失新增。所以,在TA平台通过漏斗模型,我们可以看到在这个过程新增的损失情况。

整体来看转化率都还是比较高的。当然这个也要分渠道再看每个渠道的情况,毕竟每个渠道账号体系不同,包体不同,可能会出现部分渠道转化率偏低的情况。

2.2 留存数据分析

既然发现了3留问题严重,我们可以深入看一下,到底3留的问题出现在哪里。

通过TA后台,我们可以快速的通过图表看到数据结果。

2.2.1 不同渠道的留存变化

红色线为总体留存平均值,可以看出,应用宝、小米、UC用户的3日后留存都明显偏低。3日留存在不同的渠道最高和最低的点,两者相差10%。

考虑到产生2日、3日留存的玩家都是已经对游戏有一定了解,产生这么大的差异考虑可能原因是2点:

不同渠道的素材图不同,吸引来的目标用户不同,而应用宝、小米、UC的素材恰好吸引的不是我们的目标用户。

应用宝、小米、UC的用户对我们这个游戏类型本身不感冒,这个要对比一下其他同类型游戏是不是也有数据偏低的问题。

不过,这2点考虑都需要跟商务同学沟通下,看看是否能够提升渠道的用户质量。总之,区别渠道质量来客观审视留存的高低是非常有必要的。

很可能一两个渠道的数据异常,就拉低了整体留存,让我们做出错误的判断。

2.2.2 不同等级的流失变化

首先看一下基本的不同等级的流失人数和流失概率。可以看出流失凸点分别是4级、6级、10级、13级、21级以及23~30级。

知道流失凸点还不够,最重要的是知道在流失凸点时,玩家究竟做了什么?

我们对任务、引导、升级、通关等数据进行了埋点,根据流失埋点数据,我们可以看到不同等级的玩家在流失前做的最后一件事:

以此,我们可以快速找到玩家流失点,再结合实际游戏体验,发现问题的核心原因主要在于:引导、任务以及副本上。

在进一步拆分问题之前,我们先看一下,付费玩家的留存数据。

2.2.3 不同付费额度留存变化

付费对玩家留存影响也是非常大的。从TA平台,我拉取了不同VIP等级的流失曲线,可以看到,即使是V1玩家,整体的留存也是远远好于V0玩家的。

所以说,通过提高首充吸引力,让玩家尽快充值来提升游戏的流失成本,从而提高游戏留存,这个方法确实有效。

同时,在23~30级这个点上,V0~V3玩家的流失都有所上升。此时,导致留存较低的节点已经初步找到了:4级、13级、21级、28级,V0~V3的玩家的留存低,是整体留存较低的重要原因。那么进一步去看这些玩家在对应等级的经历,即可更加细化的找到问题原因。

这里就拿21级这一个点,来举例说明一下:

/21级(第2天):dungeon_1008、dungeon_1011、升级/

结合上文玩家流失前做过的最后一件事可以看出,21级最大的流失点是进入副本关卡(dungeon),针对关卡这个点,很可能是难度导致了较低付费玩家的流失。

那么,对比一下不同付费的关卡通关成功率吧。

可以看出,在玩家流失高点,也是关卡通过率的低点。而对于V3以上的玩家来说,可能由于其装备水平本身较高,所以并没有感受到卡点的存在,整体关卡通过率都比较高。

那么,结合上文流失前玩家做的最后一件事,可以看出:通过率相对低的关卡,与流失点重复率较高。关卡难度是影响玩家流失的核心原因之一。

2.3 付费数据分析

本次测试是第一次开付费功能,我主要是关注整体付费结构和首充动力。

付费结构帮助我们了解玩家付费能力,在后续付费活动设计上,可以根据不同能力的玩家设计不同的付费目标。而首充动力是为了让尽可能多的玩家产生破冰消费,一旦破冰后,后续付费将会更加容易,同时也对玩家留存帮助较大。

2.3.1 不同VIP等级分布

付费玩家约占20%,比例还是比较高的,V1占整体的12%左右,说明首充对玩家的吸引力很大。

但V2开始比例有明显衰减,可能是小额玩家重复付费欲望不强。为了验证这个结论,我拉取了不同档位的充值次数,来看进一步的原因。

2.3.2 充值次数对比

从表里可以看到,除了648档位重复充值次数较高外,其他的档位重复充值次数都很低。结合本次运营活动只有首充、月卡和公测付费金额双倍返还外,针对中间用户的付费活动不足,导致其缺少充值动力。

后续在公测时,应该针对不同档位的玩家有针对性的设计,拉高重复充值率。

2.3.3 玩家首充动力

虽然重复充值率偏低,但整体付费率还算可观。

多数玩家在4级开启首充后,就进行了首次付费。这得益于玩家被各个游戏教育养成的付费习惯,当然,也是我们本身奖励足够吸引人。

在13级,15级还有一个比较明显的小突起,此时差不多是第一次出现了匹配玩家付费能力的幸运礼包,促进了玩家首次付费。

同时,我按照看流失用户的思路,也看了下玩家在付费前的最后行为。

有了这个数据,我们就可以更明确知道玩家产生付费的动力来源于哪里了。当然,这个数据来源于充值前,所以对于一次性充值较多的用户,可能并不准确。但是对于首充动力,还是能够表现得很明显的。

比如我们的V1玩家付费行为21%来源于1922任务,而1922任务结束后,正好是第一次弹出首充界面的时机,可以看出这部分玩家看到首充的奖励,没怎么犹豫就进行了充值。

而V2更多的是道具驱动,再结合道具的整体销售情况,也能更加明确的得知哪些道具对哪些玩家来说更容易产生冲动了。

2.3.4 LTV对比

LTV是一个比较重要的数据,这决定了我们的买量成本和回本时间。

只有知道玩家在生命周期贡献了多少钱,才能更合理的控制成本,从而产生更多的利润。

总体LTV首日7元,3日13.9元,7日18.1元;华为和官网用户LTV表现突出;首日分别达到了18.9元、15.3元;7日更达到81.2元、40.1元;但是,虽然华为渠道的用户独树一帜,但毕竟这次是小规模内测,我们也不要忽略个别玩家对整体数据的影响。

于是我拉了玩家的充值排行榜,看看是不是个体玩家导致的差异。

结果发现,果然,华为2个玩家充值遥遥领先。不过,这也进一步说明,华为的付费用户质量确实非常好,可以考虑在后续投放时,更多的偏向这个渠道了~

以上,本次数据报告就到这里。

在书写专业的测试报告时,宏观数据和微观数据要结合来看。

宏观数据可以帮我们了解到整体游戏的数据情况,发现游戏存在的问题。

微观数据,就是将宏观数据层层分解,比如流失率可以分解为流失玩家的流失曲线、流失触发点,ARPU和付费率可以分解为付费玩家的付费阶层以及付费触发点等,帮助我们找到问题的原因,从而优化游戏数据。

上一篇下一篇

猜你喜欢

热点阅读