小白学数据分析----->基于数据驱动的最佳渠道评估策略

简介: 对于游戏数据分析来说,我们要从很多方面下手,具体从数据分析角度来说,作为游戏CP需要作三块工作,第一是游戏推广,第二是游戏质量,第三是游戏运营,就这三点来看,推广是未来游戏是否有稳定人气,获得稳定收入的关键一环。

对于游戏数据分析来说,我们要从很多方面下手,具体从数据分析角度来说,作为游戏CP需要作三块工作,第一是游戏推广,第二是游戏质量,第三是游戏运营,就这三点来看,推广是未来游戏是否有稳定人气,获得稳定收入的关键一环。

关于手机游戏的渠道分析,是很重要的分析方向,对于这一点,其实无论是端游,页游还是如今火热的手游都是一样的,也确实是作为游戏CP很头疼的事情。原因很多,就手机游戏来看,比如苹果商店的封闭性,不能进行多渠道的转化追踪;而多渠道时(比如国内现在的多个安卓渠道),追踪转化分析又太过麻烦,基本上每家的游戏少说也有20+的渠道。这点导致了,我们在做安卓市场时,面临适配,系统,分辨率等等问题。所以大家都选择在ios上先发和投入,如果OK,在进行下一步的研发运营。因为会觉得,少了适配等一些列的硬伤,倒是做起来比较容易。

然而这点其实又规避了另一个问题,那就是,国内现在无论在官方的ios商店,还是第三方的市场商店,解决了适配,但是依旧要面临对渠道的追踪。因为尽管游戏下载的最终入口是在官方[未破解情况下],抑或是第三方的破解渠道,作为CP必须面对的就是渠道转化,用户质量,谁都不想自己做一笔糊涂账。实则我们的研发之路避开了机型适配等问题,但是却面临渠道转化的障碍,进而就是如何进行优化投放。

既然大家现在很关心渠道推广优化,那么以上的问题就必须有个解决的办法。这个解决办法就是如下的最佳渠道评估策略。

所谓最佳渠道评估策略有三部分构成:

数量:

渠道获取用户能力

作为渠道而言,对于游戏的首要价值,就是大量的用户资源,这点成为了目前粗放推广最为关注的部分,因此成就了今天很多的大渠道,也因此使得很多小的CP没有竞争实力,推广上架无比艰难。

数量分析揭示了渠道的用户获取能力,再更加实际的来说,可以探测用户对渠道的粘性和忠诚度,这点对于渠道推广是有帮助的,因为如果一个渠道本身用户的成长体系不完善,不存在具有粘性的核心用户群,那么给予CP的用户资源也是有限的。

在这数量这一最粗放的力度上,我们将注重关注以下的指标:

 

以上几个指标,似乎是大家很常用的,但是仅仅到这个层级是远远不够的,因为我们并没有准确的去监控和识别用户的行为信息,仅仅是数量级的分析。实际上,对于某些大渠道来说,我们可以关注,玩家在活动或者更新周期,返回渠道的概率分析,这点也是值得的。

一般而言,我们可以通过安装后的注册转化率来了解渠道用户是否目标用户,当然这只是分析目标用户的第一个重要标准,同时这个转化率连带的会引发很多的实际的问题进行分析。

 

以上是第一个层级的分析策略,当然基于以上这些因素的分析,这里不再展开,可以根据自己的实际需要,有目的的进行实施就可以了。

质量:

玩家参与游戏情况

目前的移动互联网环境下,很多的游戏产品对于渠道推广投放,有很多是停留在数量这个层级上,稍微好一些的会关注渠道收入贡献情况,这点也是在渠道能够带来收入的前提下来进行的,不过我们似乎忽略了一些问题,那就是,在收入之前,连渠道用户的质量都不了解,就不能谈收入。因为这种情况下,会一直存在CAC〉LTV,即单用户的贡献远远小于用户获取成本。

因此,质量的分析,快速的优化,决定未来投放渠道的收入增长潜力。

 

以上四个指标作为质量控制的重要要素存在,帮助我们在渠道投放初期就要去了解渠道的投放质量,这点实际上相比较玉前一个层级,重点解决投放质量的问题。

平均日活跃用于了解该渠道的长期日活跃走势和平均水平,而一日玩家比例了解新增玩家中,只有在新增当天进行过游戏的玩家的比例,由于这点对于后续的留存率影响很大,所以必须要去了解留存率的水分有多少,真实的用户留存是什么水平。有关于这点在后续的文章中会继续与大家探讨。

刚才谈到了留存率,作为质量控制的一个节点,次日留存率水平在衡量渠道质量这方面还是有作用的,这是衡量渠道质量必须要考核的指标之一。

最后是首周付费比例,这点是辅助的分析渠道接下来营收能力的一个重要因素,因为渠道的用户资源最终还是要转为收入,不能完成这一步,不能完全判断一个渠道质量的价值。首周付费比例,决定了渠道推广后,用户的付费质量情况,这点可以和非推广时期的用户首周付费比例作一个对比分析。

收入

渠道收入能力情况

一如刚才所说的,渠道的用户资源,最终还是要转化为实在的收入,这是体现渠道价值的最佳方式,在这点上,我们重点覆盖以下的指标:

 

这几个指标的使用应该来说大家很熟悉,刚才也谈到了游戏产品的终极形态一定是要营收的,这是我们做游戏的目的,在这点的关注上,其实我们不必聚焦于详细的细分数据,只需要知道渠道究竟有多大的收入价值就可以了。当然在长期持续的过程中,我们要不断的监控和衡量渠道收益能力,做好用户获取成本和单用户收益之间的杠杆。

而以上所说的,实在宏观全局上,了解渠道与渠道之间的差异。实际上在渠道整体的策略上存在一个完整的闭环过程。

 

我们刚才的策略是构建了一个完整的基于渠道分析的数据体系,也就是做渠道分析该去看那些指标,以及如何作出分析。后续的其实还有详细的渠道分析,真正从具体的业务逻辑上实际分析把控,说的简单点,了解一些渠道本身的特点。

—————————————————————————————————————————————————————————————————————

后记

数据来源:TalkingData

下图中,这个渠道的用户大量是休闲用户,而这些用户中,也存在具体的兴趣特点,这些都是需要作为CP需要去了解和熟悉的。尽管我们现在看到市场中,都在谈论轻付费,休闲游戏是比较好的研发方向,实则未必说一些重度游戏不存在市场,如果自己产品本身发定位准确,再加上渠道的特点和游戏特点契合度很大,那么一旦精准定位了用户群,其活跃,付费都是很棒的。

 

在游戏数据分析领域,其实我们要关注的方面无非就是三点,推广、质量、运营。今天所谈到的只是在推广这点上,一个细分的渠道分析策略,尽管只是一个点,但是足以影响了我们整个渠道策略的闭环形成。可以想象和了解的是,在过去没有数据作为基础支持的情况下,有着太多的教训,原因其实你没有用数据化的思维来做渠道运营。

最后,简单提一下另外的质量和运营,所谓质量,可以简单的理解是游戏的品质,这个品质涉及的面很广,从基本的游戏流畅性,到系统设计,可玩性,游戏性,付费深度等等很多的方面,另外一点就是运营,所谓运营,就是当产品投放到市场后,如何更好的经营用户,经营收益,这是运营要去考虑的。因为推广完成了精准用户群的导入,质量保证了内容的绝对精彩,而运营则要集二者之大成,确保游戏的生命力持久,收入稳定,用户群活跃。

啰嗦几句废话,尽管目前的渠道情况,作为CP来说是很清晰,不过大家不能失去了希望和动力,因为总有好的资源可以使用和挖掘,在这种如北京天气般有些朦胧的气氛下,数据一定程度上可以帮助我们擦亮眼睛,找到方向。anyway,未来的渠道格局和生态,作为CP一定是要通过数据来说话的。

相关文章
|
3月前
|
数据挖掘 PyTorch TensorFlow
|
13天前
|
数据挖掘 关系型数据库 Serverless
利用数据分析工具评估特定业务场景下扩缩容操作对性能的影响
通过以上数据分析工具的运用,可以深入挖掘数据背后的信息,准确评估特定业务场景下扩缩容操作对 PolarDB Serverless 性能的影响。同时,这些分析结果还可以为后续的优化和决策提供有力的支持,确保业务系统在不断变化的环境中保持良好的性能表现。
23 2
|
22天前
|
存储 机器学习/深度学习 数据可视化
数据集中存在大量的重复值,会对后续的数据分析和处理产生什么影响?
数据集中存在大量重复值可能会对后续的数据分析和处理产生多方面的负面影响
49 10
|
2月前
|
机器学习/深度学习 人工智能 搜索推荐
某A保险公司的 数据图表和数据分析
某A保险公司的 数据图表和数据分析
64 0
某A保险公司的 数据图表和数据分析
|
4月前
|
数据采集 DataWorks 数据挖掘
提升数据分析效率:DataWorks在企业级数据治理中的应用
【8月更文第25天】本文将探讨阿里巴巴云的DataWorks平台如何通过建立统一的数据标准、规范以及实现数据质量监控和元数据管理来提高企业的数据分析效率。我们将通过具体的案例研究和技术实践来展示DataWorks如何简化数据处理流程,减少成本,并加速业务决策。
502 54
|
3月前
|
机器学习/深度学习 算法 数据挖掘
Python数据分析革命:Scikit-learn库,让机器学习模型训练与评估变得简单高效!
在数据驱动时代,Python 以强大的生态系统成为数据科学的首选语言,而 Scikit-learn 则因简洁的 API 和广泛的支持脱颖而出。本文将指导你使用 Scikit-learn 进行机器学习模型的训练与评估。首先通过 `pip install scikit-learn` 安装库,然后利用内置数据集进行数据准备,选择合适的模型(如逻辑回归),并通过交叉验证评估其性能。最终,使用模型对新数据进行预测,简化整个流程。无论你是新手还是专家,Scikit-learn 都能助你一臂之力。
149 8
|
2月前
|
机器学习/深度学习 数据采集 数据可视化
如何理解数据分析及数据的预处理,分析建模,可视化
如何理解数据分析及数据的预处理,分析建模,可视化
55 0
|
3月前
|
机器学习/深度学习 数据挖掘 TensorFlow
🔍揭秘Python数据分析奥秘,TensorFlow助力解锁数据背后的亿万商机
【9月更文挑战第11天】在信息爆炸的时代,数据如沉睡的宝藏,等待发掘。Python以简洁的语法和丰富的库生态成为数据分析的首选,而TensorFlow则为深度学习赋能,助你洞察数据核心,解锁商机。通过Pandas库,我们可以轻松处理结构化数据,进行统计分析和可视化;TensorFlow则能构建复杂的神经网络模型,捕捉非线性关系,提升预测准确性。两者的结合,让你在商业竞争中脱颖而出,把握市场脉搏,释放数据的无限价值。以下是使用Pandas进行简单数据分析的示例:
46 5
|
4月前
|
存储 数据挖掘 数据处理
DataFrame探索之旅:如何一眼洞察数据本质,提升你的数据分析能力?
【8月更文挑战第22天】本文通过电商用户订单数据的案例,展示了如何使用Python的pandas库查看DataFrame信息。首先导入数据并使用`head()`, `columns`, `shape`, `describe()`, 和 `dtypes` 方法来快速概览数据的基本特征。接着,通过对数据进行分组操作计算每位顾客的平均订单金额,以此展示初步数据分析的过程。掌握这些技能对于高效的数据分析至关重要。
44 2
|
4月前
|
数据采集 机器学习/深度学习 算法
"揭秘数据质量自动化的秘密武器:机器学习模型如何精准捕捉数据中的‘隐形陷阱’,让你的数据分析无懈可击?"
【8月更文挑战第20天】随着大数据成为核心资源,数据质量直接影响机器学习模型的准确性和效果。传统的人工审查方法效率低且易错。本文介绍如何运用机器学习自动化评估数据质量,解决缺失值、异常值等问题,提升模型训练效率和预测准确性。通过Python和scikit-learn示例展示了异常值检测的过程,最后强调在自动化评估的同时结合人工审查的重要性。
105 2