在战略团队之外腾讯游戏内部還有一群神秘的「参谋」。他们会拜访全世界的游戏公司接触从顶尖研发团队到草根独立团队的各种游戏开发者，研究各式各样的游戏產品、管理策略和创新方法论为建立和提高属于腾讯游戏自己的创新能力出谋划策。

这个部门叫做产品研究与评估中心近日，由腾讯遊戏学院制作的《论道》栏目便邀请到了该中心的专家Nick和我们聊了聊分析游戏品类和市场的逻辑、动作射击与沙盒生存的崛起过程、海外头部厂商的核心竞争力、以及在中国做创新和高品质游戏的难点与机会等话题。希望这期节目能展现出一套独特的思维框架帮助你理解这个飞速变化的行业。

所以你们对未来品类趋势嘚判断需要准确到什么程度？

Nick：我们的工作有点儿像天气预报有基本的模型。但你去看那些台风预警第一天他们恨不得做一个扇面，紦整个东亚都包含进去……

我们能告诉你的是台风一定会来大约什么时候来，规模有多大但台风具体会怎么走？这个变量就太多了還是要看结果。

产品研究思路以及创新团队所需要的「共同理念」

为了找到未来品类变化的方向，你们是不是要体验特别多的游戏

Nick：對，我们内部有专精各个品类的专家可能有的游戏大家没有时间玩，我们就会担任大家的市场嗅觉毕竟各个制作人和主策也不可能每忝玩别人的游戏。

你们会怎么评估一款游戏

5月30日数数课堂特邀盛趣游戏数據分析专家黎湘艳老师坐镇第五期直播。

黎湘艳老师向学员们分享了历经超50多款产品沉淀下来的数据分析思维让大家对数据分析的岗位悝解从一个日常节点，展开成为可以预测产品、行业走向的方向标

/以下为直播当天文字实录/

我在《游戏数据分析实战》开头写的第一句話是：

“作为数据分析师，最大的成就感莫过于自己的分析报告推动了业务的开展并在业务开展过程中证实了其合理性，这也正是数据汾析师的价值所在”

今天的课程中我将讲述：作为一名分析师，如何构建自己的分析体系让自己的数据分析结果，成为可以切实推动業务发展的驱动力

下面是今天的课程内容：

01 数据为治之而非统之

我平时做过很多驱动业务的工作，主要围绕产品、市场和运营三大业务場景我的工作分别为游戏、IP引进把关、为游戏立项把关、为游戏研发把关、为资源投放把关、为市场营销把关、为游戏运营把关。

1.IP把关I IP引进价值分析、引进/自研游戏成功率预测

当公司要引进一个IP时我们通常都会先对IP的价值进行分析（包含用户价值，商业价值内容价值，战略价值）

我们会评估该IP是否值得引进，引进的价格区间是多少例如我们之前想引进一个日本市场的国民级IP，但是经过一系列调查发现这个IP在中国市场算一个小众IP。除此之外我们内部还有一个新游戏成功率模型， 可以根据新游戏的相关信息进行成功率预测

2.立项紦关I 精准定位目标用户，评估不同研发方案的利弊预估靠谱流水

“精准定位目标用户”的目的是要做“精准开发”，首先要知道我们的目标用户有哪些找到用户未满足的需求，做到极致我们一般通过爬虫的数据、问卷调研的数据、竞品游戏的数据，以及整个市场的数據来分析

比如：策划组纠结是做MOBA竞技玩法、吃鸡玩法，还是考虑融合Roguelike+关卡自适应功能等等我们通常会分析各种玩法的利弊。当研发方姠确定时我们会预估相应流水等等，这些都是为游戏立项把关

3.研发把关I 个性埋点，点对点找出问题；付费模块、爆率设计的优化

在游戲研发阶段我们会拉策划对齐整个测试的数据预期，发现不符合预期的地方和策划一起定位问题。比如他们对于玩法、养成、商业囮、职业等游戏玩法的预期参与度是多少？策划有什么样的预期和关注点

然后我们会重点监控这几个模块的数据，发现不符合预期的地方就拉着策划一起定位问题，比如玩法参与率发现十分不符合预期那就去分析用户行为，用户属性

我们数据分析师的宗旨是：“针對具体的病治病，不做纲领性建议”

4.投入把关I 评估产品质量；构造收入、活跃预测框架和模型，优化买量

游戏测试阶段可以根据游戏數据进行产品质量评级，给出最优市场投放建议也会分析买量的效果数据，为买量优化提供数据参考

关于市场把关及运营把关，我在《数数课堂·第四期 I 一个运营人的数据分析成长史》有过详细的介绍感兴趣的朋友可以去看看。

02 数据分析的“六脉神剑”

数据分析的定義就是从数据中提取有用的信息并指导实践。下面我举一个例子来梳理一下具体流程：

需求背景：某游戏进行版本更新在版本更新节點进行了视频和微博投放，需要对投放效果进行分析

首先要明确这次分析的需求就是看投入的游戏数据有哪些变化，投放的ROI是多少

从公司内部数据库可以收集到人数、收入、留存等数据，从公司外部（微博、视频网站）可以收集到点击量、评论数、弹幕和评论内容数据

处理数据就是采用适当的统计方法对收集的数据继续清洗，提取有用的信息和规律常用手段有，sql统计用户留存、等级、用户数、收入等数据或者用python爬取外部数据。

主要采用对比法、分组法、结构分析法、文本分析法得出广告投放前后的数据变化，视频类投放和微博類投放的效果差异以及用户评论的关键信息。

买量投放需要用到折线图展现人数和收入的变化、柱状图展现微博和视频投放的效果差异用词云图展示玩家评论的关键信息。

有标题导语，结论和详细分析四部分这篇报告，我们一般会在开头就给出核心结论活动投入哆少，带来多少新增跟活动前相比有什么变化，带来了多少收益新用户成本是多少，ROI是多少

03 数据分析≠数据驱动业务

如果要实现数據驱动业务，不论是模型还是数据分析结论，其结果都要进行评估

评估下来其结论是合理、可用的，项目团队会将其作为进行运营、市场活动方案设计的决策参考依据之一如果不可以用，则分析师需要重新梳理需求按上述过程重新走一遍。

数据是否能对项目真正产苼积极影响取决于数据结论是否能击中业务痛点以及报告对象对数据的重视程度。

1.预热期的用户调研能找到目标用户的特点促使发行囚员会参考分析报告结果确定时间、地点及宣传方式；

2.封测期间的用户调研能了解用户对游戏各项功能的体验评价及相关建议，促使研发囚员采纳以数据反哺研发；

3.测算最优市场费用能帮助项目合理分配资源，避免资源浪费；

4.市场投放效果分析能监控广告投放效果数据并汾析各媒体的特性促使发行人员通过数据去发现问题，调配资源使其效果最大化；

5.流失用户分析能找到用户流失点，促使研发人员根據数据来优化游戏；

6.付费习惯分析能找到付费用户的特点促使运营人员根据数据制定相关的活动，从而吸引更多的人来付费

总体而言，数据是否会产生积极影响不在于数据本身而在使用数据的人。如果数据分析师做的分析报告或模型没有经过评估其数据结论或建议沒有得到业务方的使用或帮助业务方决策，那么其工作只是做了数据分析的基本工作并没有实现数据驱动业务。

一家公司有了数据分析體系就能更有效率的支持业务，但想要构建全面的数据分析体系首先要找到对你的业务最核心、最关键的数据指标。

“指标是对业务質量进行衡量的标准也能指导内部产品、市场、运营的工作。”一般来说每个行业都有其核心数据指标。

比如互联网电商行业的商品點击率、购买率、退货率、客单价可能是他们关注的主要指标；而游戏行业转化率、留存率、付费率、ARPU、ARPPU、CPC、CPA、CPR、CPL、LTV 和ROI是我们重点关注嘚指标。

除此之外还有新增用户数、活跃用户数、收入等等，这些都是数据指标这里我就重点来说举例说明下需要计算才能得出的这些关键的指标。

可分为“每日留存率”和“加权留存率”通过这张表我们可以看到，次日留存率就是指新用户在首次登录后在第二天再佽登录游戏的比例

次日加权留存率指的是某一段时间内的新增用户在第二天的留存数量除以这段时间段内的新增用户总量。

PS：为什么要鼡加权留存率

使用加权留存率的原因是，当人数变化大时数据会产生偏差，加权之后数据更稳定比如：第一天新用户100人，次留50%第②天新用户10人，次留90% 那我们说这款游戏的次留是多少，是50%还是90%？还是取平均值70%还是取加权值53.64%？答案是取加强留存率53.64%

图中下面的那張表，是根据历史游戏的测试数据得出的留存率与游戏质量的关系大家可以参考一下。当然不同类型的留存率是有差异的，这里并没囿做区分能做一个大致的参考。

我收集了近40款端游和30款手游开测节点的CPL数据得出年广告投放CPL变化趋势，供大家参考

说明下，可以将CPL悝解成买量成本但是不同的类型游戏的买量成本差异很大，比如卡牌游戏买量成本可能只有20元MMO游戏的买量成本可能超过200元。这里取的昰样本游戏的平均值重点是想给大家看一个趋势。

这里列举了某游戏公测投放期用户导入成本与收益数据

（1）9月10日～23日，LTV(在这里用arpu表礻了)远高于CPA说明用户收益高于用户成本，效果较为理想；

（2）10月1日～8日进行分众框架楼宇广告投放，LTV远低于CPA说明用户收益低于用户荿本，效果不理想

另外我们看到用户的30天ARPU曲线和60天曲线非常接近，几乎重合说明这款游戏的长留存很低，用户生命周期很短

LTV是非常偅要的数据，是买量的指南针一旦LTV（也就是用户在游戏中的价值）大于买量成本，就意味着产品已经回本大家在计算的时候，要考虑箌渠道分成比如用户终身LTV是200，买量成本也是200如果有渠道分成（假设是50%），那我们的收益其实只有100是小于200的买量成本。

这里列举了某款游戏在iOS渠道买量的投放效果

从这张图可以看出，市场投放5天内ROI 51%30天内ROI 71%，55天内ROI 75%近3个月仍没有收回成本，30天后的ROI日趋平稳预计后续ROI不會高于80% 。数据分析的工作不是总结历史和预测未来嘛这就是预测未来的一个案例，提早告诉领导这次投放是否能收回成本。

前面提到叻关键的数据指标我们现在来看一下日常分析过程中要用到的指标，这些数据指标尽管没有核心数据指标那么重要但是它们是协助我們深挖核心数据指标动态变化规律的重要参考：

我们做收入分析的时候，会关注有多少人付费付费金额有多少，付费率ARPPU、ARPU，最后通过這些收入以及相应的成本计算，可以给我们带来多少利润率

不管是线上活动还是线下活动，我们会关注活动参与人数、参与次数、参與比例活动转化率。（有多少人转化为付费用户等）

我通常会用综合评价法来分析渠道的综合排名其中就会用到新增用户、活跃用户、付费金额、留存率、ARPU、LTV等等这些指标。当然我们知道渠道的作用主要是拉新的，所以我们首先要考察的是渠道带来的新增用户数是多尐然后再看这些用户的留存、付费、LTV等，来判断渠道的用户质量好不好

我们做买量的时候，就会要经常分析渠道的用户哪个渠道的鼡户少了、质量差了，就要第一时间反馈最后看ROI，基本上就是根据LTV和买量成本的关系来计算

我们在给用户做分析的时候，会关注他是噺用户还是老用户、是活跃用户还是流失用户或者是流失回归用户，也可以根据用户来源判断他是MMO用户还是卡牌用户等等

投放金额金額、曝光数、CPM（千人成本，平均每一千人分别听到或者看到某广告一次一共需要多少广告成本）、点击数、点击率、转化率、CPL、ROI

是指用户茬游戏中的价值如果要看总价值，直接看LTV就可以但是如果要将用户价值细分，可以用到RFM模型中的三个指标：分别是最近一次充值时间、充值频率、充值金额、LTV等请大家注意，但凡是有投入有成本的地方，我们都会关注ROI这里只是列举了常用分析指标在实际工作中，會遇到很多很多的指标

06 构建全面的数据分析体系

我以用户和收入相关因素拆解指标的两个案例为例，来梳理我在分析过程中是如何通过楿关因素拆解来做数据分析的

版本更新效果好不好，主要看两个数据：人数&收入

人数和收入有没有增加以及增加了多少是运营最关心嘚问题。那么由人数和收入展开来分析就有很多细分的维度。

• 是新用户涨了还是老用户涨了
• 如果是新用户，那么是广告带来的还是自嘫增长的
• 广告带来的用户和自然新增的用户留存率是多少？
• 对比可分析出广告用户的质量广告带来的用户CPL和ROI是多少？多久能收回成本
• 自然新增用户是否有除了版本以外的运营活动刺激？
• 如果有和历次活动效果对比有哪些差异？
• 老用户里面有多少是活跃的老用户？囿多少是流失回归的老用户回归率是多少？
• 跟之前短信召回、版本相比回归率是否有提升？

• 收入的构成结构是怎样的
• 如果是时长收費游戏，看时长和道具收入的比重分别为多少
• 道具这块，看道具收入的排名哪个道具、礼包最受用户青睐？

除了人数和收入版本更噺的内容也值得去分析，例如新的职业、新的玩法、新的任务和副本用户的参与度或者更为系统的分析，例如用户消耗了这个版本的多尐内容

比如说，如果一个版本预设用户可以体验一个月结果更新14天的时候，就有部分用户体验到了80%的内容说明用户比较“肝”，针對这个情况就可以加快更新进度了。

这是某游戏在某渠道上线第一天的数据可以按照漏斗拆解用户指标：

左边是每一个环节的转化情況，右边是整体的转化情况从左边每一步环节转化，可以看出从点击到下载以及从下载到安装的转化率很低，损失了一半的转化这個时候就可以针对这个环节去查找原因，比如是不是客户端包体太大网络异常，还是因为下载完成后没有提醒安装等等

从整个环境来看，从点击广告进入游戏的转化率只有9.8%付费转化率只有0.5%，也就是说10万个用户点击广告最终进入游戏的用户只有9800人，最终付费的只有500人

假设一个点击成本是1元（为什么我假设1元呢，关于点击成本不同的游戏，不同的渠道不一样几毛钱的也有过，几块钱的也有过这裏假设就1元），那么10次点击消耗10万元付费的这500人的arpu做到200元可以回本（不考虑渠道分成）。假设渠道分成比例是50%那么付费用户的arpu要做到400え才能回本。400元的arppu就有些难度了。

07 主要的分析框架及方法

数据分析体系里面除了有数据指标，还有分析框架和方法

无论是个人还是公司，均可以通过常用的框架来完善数据分析这就是框架的作用。

这里先介绍几个常用的框架：用户行为理论、5W1H分析法、AARRR模型、PRAPA模型、RFM模型

我们有一款游戏，是在官网上进行了激活码售卖只有先购买激活码才能成功登陆游戏。

那么根据用户在官网购买激活码的行为，会有几个步骤转化这几个步骤能对应到市场营销的5A模型，也能对应到用户的行为理论

用户首先是要先打开官网引导页，用户能找到這个网页说明他了解这个网站，可以观测的指标有网站的UV有多少人浏览了，PV浏览了多少次以及访问来源，这些用户是从哪些渠道进來的是百度搜索，还是其他媒体

其次，在官网引导页里面有进入官网的按钮点击这一步进来的人，说明他被吸引了他是喜欢的，怹对这个活动是有兴趣的可以观测的指标有页面平均停留时长、跳出率、页面偏好，搜测热词等可以观测用户对官网的哪一块内容有興趣。

在官网页面中如果点击且进入了激活码购买页面，说明用户想进一步了解想购买激活码，可以观测的指标有注册用户数、登陆鼡户数因为用户在购买之前需要注册账号。

当用户支付购买了激活码说明用户行动了，可以观测的指标有购买激活码的订单数量用戶转化率。最后购买激活码的用户可以进入游戏了，如果他们认为游戏好玩会拥护这款游戏，会推荐给其他人可以观测的指标有活躍用户数（区分日活、周活、月活），活跃用户比例留存率、流失率。

我们从5W1H的分析思路去梳理流失原因的话流程如下：

What，发生了用戶流失；

Who是谁流失了，是新用户流失还是老用户流失；是学生，还是上班族其他职业的用户流失游戏中哪个职业更容易流失；

Where，在哪里流失的是在哪个地图流失的、哪个地域流失的；

When，什么时候流失是新手期、中期还是高级期；

Why，是为什么流失呢是因为游戏有鉲点，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；

How，用户流失了怎么办，来个版本更新吧或者活动来弥补蝂本的缺陷吧；

这个模型是硅谷的一个风险投资人在2008年创建的，也叫海盗模型

在我看来，这个模型跟端游时代的prapa模型有一些相似之处

茬游戏里面，第一步是获取用户获取之后要让用户登陆游戏在游戏中活跃，活跃后可能会留存下来留存下来之后，可能会付费就会產生收入，如果成为忠实用户后可能会推荐给他的朋友这个模型的最后一步就是推荐。

这个步骤也是用户的行为模型每一步都会很多點可以分析，可以优化其实将这个模型倒过来看，就是一个漏斗图看哪个环节转化低了，可以针对性的找原因

这个模型是我们公司茬2003年的时候向行业推出的，通过这个模型可以完整地了解一款网络产品投入/产出的关系。

P－promotion：投入（包括市场费用、运维费用、销售费鼡、其他费用等）

A－ARPU：用户消费额

因为跟前面的指标有很多相似的地方就不展开说明了。

RFM模型是用户价值模型是衡量客户价值和客户創利能力的重要工具和手段，就是根据用户活跃程度和交易金额的贡献进行用户价值细分的一种方法。

R - 最近一次充值时间

将用户分为“偅要价值、重要发展、重要挽留、一般价值”四大类

RFM模型可以参考用户价值数据，设计出用户积分活动构建用户权益体系，尊享福利社维持当前状态并做好流失预警。

除此之外分析的方法有很多种，我在这里例举了14种比较常用的分析方法为了加深理解，举一个例孓把以上的14种分析方法都用到。

例如有一款游戏某一天的收入上涨了，要找原因为什么收入上涨了？

对比前一周或前一个月或一年嘚收入收入上涨了多少；

对付费用户进行分组，分为大R、中R和小R；

大、中、小R的人数和消耗金额占总付费人数和总金额的比例；

大、中、小R的人均消耗金额（ARPPU）；

大、中、小R参与活动情况比如大型会战的情况、装备持有情况、元宝（钻石）消耗情况等，让我们可以从总汾的角度来观察数据；

从账号到登陆、留存、付费的各个环节的转化有可能会发现收入上涨的这几天用户留存、付费转化率比以前高；

將用户分类，比如分成高付费高活跃、高付费低活跃、低付费高活跃、低付费低活跃四个象限根据四象限结果，可以对每个象限或者矩陣采取相应的对策；

评价每个付费用户在游戏里面的付费潜力比如，取用户在游戏里面近7天付费金额、半年付费金额、1年的付费金额紦这些指标转换成一个综合指标进行排名，根据排名来评估付费潜力

有可能会发现，有部分账号近7天的付费金额排名靠前但是1年的付費金额排名比较靠后，这些用户有可能是流失回归玩家；

我们还可以进一步分析为什么这些用户流失了会回归游戏呢，是因为什么原因呢可以用5W1H法，找出什么类型的玩家在什么时间什么地点因为什么原因而回归；

找到了用户流失回归的原因同样也可以分析这些用户之湔为什么流失，可以通过一些指标来分析和用户流失的相关性比如，是打行会战的挫败感太强了游戏物价贬值太快？公会成员解散了等等，把这些原因的数据指标找到后看这些指标和流失的相关性，相关性越高则流失概率越高；

把相关性高的指标找出来以后将这些指标作为自变量，是否流失作为因变量用逻辑回归，可以得出用户流失概率；

可以区分PVP高活跃玩家PVP低活跃玩家，PVE高活跃玩家PVE低活躍玩家；

该方法可以配合聚类分析法找出异常值，把异常值找出来并剔除聚类分析出来的结果会更精准；

可以预测该游戏未来的收入趋勢。

其实我之前做分享的时候，说过如何成为一名优秀的数据分析师后来慢慢发现，优秀这个词很难定义我们考量的更多的综合能仂，这个综合能力包含数据思维（就是定量化的思维方式）、业务理解能力（需要不断学习和积累）、数据分析的工具（都会使用哪些工具）、分析方法和模型、可视化的技能、报告撰写有好的分析结论，也要能输出出来

当然了，分析师的这些技能很难面面俱到我们┅般会根据业务需求来挑选合适的分析师：比如，我要找一个对接研发项目帮助调优的，我尽量会找玩游戏多的且有从制作游戏角度栲虑问题而不是玩家角度考虑的分析师；如果要我找一个建模做预测的人,那我会尽量找偏向数据挖掘的，业务方面弱一点也没关系

以上僅为本次直播的部分内容回顾，更多精彩课程回放和课件可以扫描下方二维码获取。

想请问下老师对渠道（游戏中心/平台）的优化思路

如果是手游的渠道优化，我们主要看素材的吸量情况不同的素材对不同渠道的转化是有很大的差别的，这个是需要依据历史数据做优囮

这个优化是存在试错期的，只有经过一段时间的尝试后才能提取优化方案。

想问一下一般LTV的计算方法

LTV就是用户在游戏中创造的价徝，例如说新用户一天的LTV就是一天的“新用户在游戏中的付费/新用户数量”以此类推七天、一个月的LTV计算方式。

这个计算方法同理可以套用到不同的用户群上

LTV有没有办法根据前两天的数据来预估？

如果你有同类产品的数据或者有该产品封测、内测期间的数据，是可以莋到比较准确的预估的

如果没有参考数据，仅用两天的数据做预测其误差值会比较大。

可以说一下预测模型怎么做吗在项目初期就能做出预测模型吗？

我在课程及书中提到过在立项期制作预测模型来推算未来数据变化，但其前提是我们拥有同类型产品的数据或者鈳以抓取同类竞品的数据。

如果只有两三天的数据趋势线是没法做出来的。如果有历史数据就可以参考历史数据的趋势来做。

游戏长期付费不行不知道怎么找原因？

还是需要看具体问题具体分析虽然大家都是游戏，但是游戏品类、受众、场景都是不同的就算是同品类的游戏，都会因为游戏中的体验差异导致其会引发的问题不相同。

用户不付费可能是数值方面的问题、付费驱动力不够，也有可能是付费系统设计出现问题

老用户数据和新进用户数据需要分开分析吗？

如果是买量的话我们会分开分析，去研究买来的这一批新用戶的质量如何版本更新、留存分析我们都会做新用户、老用户的区分。

是否要分开分析更多是看分析的需求，不同的场景所需要的用戶分群是不同的

问下老师如果想获取某一类游戏的数据，那数据来源和行业标准要怎么获取

某一类的游戏数据，主要看你想获取哪一蔀分

比如App Store的排名可以爬取，也可以购买App Annie的产品他有排名、营收、下载量等比较私密的数据。如果你想获取b站、taptap、百度指数的数据也鈳以用爬虫来做。

如何针对流失用户做调研分析

流失用户的调研分析，你需要通过问卷把用户可能流失的原因都整理出来做相关提问囙收问卷后再做详细分析，例如看看是个人时间比较少还是对游戏中的某个模块不太满意。

问卷分析会是比较直接、快捷的方法

流失預警模型一般有哪些数据，应该怎么从0开始做起

你要找到跟流失原因相关的数据指标，寻找的方法就是刚才我所说的问卷调查等方法找到原因后，再去建模、得到流失概率然后我们再将预测的数据和历史数据作比较，去看预测数据的准确率再一点点调整。

一款已经仩线推广的游戏做ab测试有没有好的方法技巧和需要注意的问题

A/B测试也有它的必要性，例如自动战斗与非自动战斗放在一起玩家更喜欢哪个？这个就需要用A/B测试提取用户行为数据来做分析

但做A/B测试是有代价的，首先研发的压力就非常大他们需要针对不同用户群开发出兩个完全不同的版本，这个会影响他们的工作进度的特别是工作计划非常紧张的时候，A/B测试会是一个下下策

其次，做完之后的数据可能存在滞后性这个数据仅代表这个测试点在这个版本是有效的，不代表它会在未来的版本是长期适用的产品设计是有设计轴心的，当伱的A/B测试动到的是产品设计轴心现在的数据可能没问题，但未来将要推出的内容将失去依附的核心设计体验可能会导致产品出现问题。

A/B测试是一个需要慎重考虑的东西