【揭秘游戏方法论】数字占星术:如何让数据帮助产品进行决策?

【揭秘游戏方法论】数字占星术:如何让数据帮助产品进行决策?

编者注:本文整理自极客公园系列公开课「探秘游戏方法论」的第一期「数字占星术」。「探秘游戏方法论」公开课的目的旨在邀请游戏背后的开发、运营、分析的相关人士,传授游戏领域里那些具有普适意义的产品观和方法论。

本期课程的演讲嘉宾分别为腾讯互娱高级数据营销经理路金贤和数据营销经理王常伦,主要内容为数据在产品决策中所起的预测性作用。


数据的来源和价值

数据主要从三个方面获得:

  1. 游戏数据,包括市场数据和运营数据;
  2. 平台数据,包括游戏之间的交叉数据和平台的行为数据;
  3. 外部数据,包括可以直接获取的外部数据和外部合作数据。

知道数据来源后,就开始进行采集,这就是所谓的「布点」。其实内部数据和外部数据的获取都是一样的,就是布点,在你所关注的关键路径和所需要获得的关键数据上去布点,按照一定的时间维度去进行数据采集。

采集来的数据可能含有一些无效或无用信息。这就需要对数据进行分类,把噪音去除掉,实际就是一个数据筛选的过程。

我们会从整个的用户全生命周期来采集数据,就是从用户看到品牌概念起,到他有没有对品牌所传达的信息产生兴趣,直到他最终愿意去尝试产品,并且向周围的人推荐这个产品。

事前决策

数据的用途可以分为事前决策、事中优化和事后考核三个部分。

如何预测产品与市场走势?

  1. 新进量级的预估。产品投入到市场之后,新进的量级是什么程度,有多少新用户会进来。

  2. 日活跃、PCU(最高同时在线玩家人数)的预估。比如拍了一部电影,有多少人喜欢到电影院看这部电影。所以我们先要有一个基础的判断,判断完之后还要看一下这款产品拉来的人中到底有多少真正留下,有多少人愿意付费,这是我们比较关注的。

游戏新进用户受哪些因素的影响?

对一件事情的未来预测受很多因素的影响。但我们会发现并不是很多影响因素都可以量化,像团队的制作水准,什么样的团队制作水准算高,什么样制作团队水准算低。高的你给他打多少分,高和低之间有多么大的差距,一开始我们都很难给出原始的判断。

在游戏中我们遵循「大道至简」的原则。当用数据去预测产品趋势的时候,我们尽量选择可量化的因素,以及产生主要影响力或者能够融合多个影响的因素。

我们发现有两个指标对这款产品到底能否上线影响甚大:

  1. 百度指数。它代表市场热度和用户关注度。一款游戏上线之前,如果大家都不知道名字那就太失败了。

  2. 网吧点击率。我们认为网吧里面的点击率代表了目标用户群体对产品前期的关注度。

我们分析了大量游戏,通过比较分析每一款游戏上线之前百度指数、资源转化率、网吧点击率,我们发现有比较明显的线性关系。

通过把百度指数、网吧点击率与实际的资源转换率相结合以后,我们可以比较好地预测总体的 90%。口碑传播是一个很重要的点,它更难用数据量化。爆款产品和口碑传播有关系,当然能够提前预测一下自己的产品能不能成为爆款。

用户进来以后怎么办?

我们可以预估月活跃,用户进来不是我们的目的,流向和投放是我们的最终目的。要对一个月之后的日活跃度有一个判断,意味着在产品第一天上线开始对它的每一天都要做出判断,要画出曲线图来。

在日活跃的关注度上,这一部分群体是可以剖开来看的。这一天日活跃相当于昨天的用户流到今天,我们把每一天的活跃用户剖析来看,每一天的日活跃用户和每一天新进用户的后续留存有直接的关系,这部分数据是我们每一个产品都可以算出来的数据。不同的产品每一天的用户都有不同的留存率,不同的产品每一天有不同的留存率,所以这是两个维度。

同一个产品每一天都不一样,不同产品也会不一样。在这种情况下,我们需要知道留存曲线满足什么样的规律,才能说今天新进 50 万,第二天、第三天、第四天留存多少,在广泛的数学模型里我们选择满足的模型来。后来明显的看出来它满足指数衰减的模型曲线,把我们的数据导入进去,就可以算出来这一款产品留存曲线是什么,系数和你的品质有关,和我们每一天的运营有关。

通过刚才讲到的留存曲线,我们把每一天的日活跃用这个公式算出来。因为我有每天的新进,我去算一下每一天的留存情况,得出来日活跃的曲线。后来实际证明,我们预估的日活跃和实际的日活跃之间模拟是很好的,产品预估误差值和实际值差距很小。

如何为预算决策提供服务?

一款产品上线以后,我们只需要看用户来了以后会不会留下来,留下来之后会不会付费,如果付费能付多久。在你进行判断的时候,我投入多少,能产出多少,最后看出投入和产出满不满足我心中的期望。大概的模型就是根据资源可以判断用户的规模,根据留存可以判断日活跃,这款产品的生命周期我们做出基本的判断之后就能得出产出是多少。

我们不会在一条错误的道路上越走越远,这就是数据决策可以给整个预算决策带来的有效的东西。老板最不希望看到的就是他做决策之前不知道决策做完是对还是错,我们可以通过这种方式告诉他这一点。

日常工作中会进行哪些数据测试?

  1. 市场反映测试。在游戏运营当中面临一个问题,一个产品在小众测试的时候吸引到的往往是核心用户,他们留存率非常好,大部分进来以后不走了。有的月留存数据可以达到 90% 以上,这是因为他们是核心用户。到市场真正投放的时候是不是也会这么好,这就很难讲。我们会通过一些常规的运营,找核心的测试用户群;其次还会通过一些大众渠道,比如在门户网站通过投放和普发吸引大众用户,观看他们在游戏里面的行为,比较两类用户群体的差别。我们发现常规游戏 10% 的周留存率差距是比较正常的。

  2. 素材测试。我们前期要做内容测试,是关于用户心理层面定性的分析,这部分点击你广告的用户,当素材展现在他面前,让他感觉到和游戏相匹配,你就能把这部分群体吸引进来。所以我的素材希望传达的品牌理念和希望吸引的人群,能够跟产生消费的人群产生共鸣。

  3. 落地页测试。对此我们有如下这样的经验:

(1)在广告的紧急需求上,可以直接考虑设计静态广告,成熟产品在外包设计的时候,可以考虑静态广告设计,这样制作成本将降低 2/3;

(2)传统的 banner 广告位不适宜采用悬念式广告,广告诉求最好简单直白,产品 Logo 出现在第一帧;

(3)有吸引力的素材元素(如明星)建议在素材的第一帧直接体现;

(4)促销信息清晰明了,建议在第一帧直接出现;

(5)不同风格的落地页,对用户转化率有较大影响;

(6)对于页游来讲,进入游戏路径越清晰,用户的活跃转化率和注册转化率越高;

(7)对于端游来讲,「突出奖励,创意更具视觉冲击力」可以获得更高的用户转化率;

(8)落地页下载按钮直接出发下载,并不一定是好的方式。

事中优化

做精准营销的第一个特点是我要了解清楚我的用户是可以被分类的,这是基础点。所有人都只有一种需求的情况下无须精准营销;第二,分类技术可以把不同的东西分到不同的用户群体当中。

其实精准营销对于单品来讲,它使用的技术是完全一致的。看一个 CF 的例子。它有自己的官网,有自己的客户端,谈起标签的构造我们总认为没有能力构造这个标签,不知道他的年龄和地域,似乎只有大的公司才知道,但是游戏类型我们是知道。有没有想过把这些产品用户的行为构建成标签库,从而在你可以掌握的渠道里对其进行精准营销?

所以不同的用户看到的官网是不一样的,重度活跃用户和轻度活跃用户所看到的道具的推介是不一样的。你半年没来,来到一款游戏最关注的是它有什么新的玩法,以及现在玩还能不能追得上,所以这时候要告诉用户,你来吧,把你原来的全给补上去,不用担心。来了之后有新的玩法和你原来玩的完全不同。对于天天玩这款游戏的用户,来了之后不需要告诉他这些信息,只需要告诉他有新的东西来了,在原来的基础上可以尝试这些新的活动。通过这种方式我们发现确实有效果,注册 CPA 降低 40% 多,拉新转化率提升了很多。

事后考核

如果我们能够在事前对趋势或者未来有一个很好的预判,当他达到了我们的预判,我们认为他就符合了这个 KPI,达不到我们就认为哪个地方做的不对,通过数据的回看检查哪里做的不对。

有趣的数据

  • 对于端游和页游来讲,用户转化效率近一年出现下滑,下滑幅度约 30%;

  • 去网吧玩游戏的用户,在过去一年下滑幅度约在 15%;

  • 21-24 岁游戏用户最为集中;40 岁以上用户占比总体用户比例约为 10%;

  • 移动游戏偏年轻,30 岁以上用户仅占 15% 左右;

  • 广东省游戏用户群体最为集中;广东、江苏、山东位列用户 Top3;

  • 移动游戏用户群,广东依然位列第一,浙江取代山东进入 Top3;

  • 北京、成都、广州,位列游戏用户数分布 Top3;

  • 男女用户比例约为 6:4;

  • 一半左右的玩游戏人群,几乎每天都会参与游戏

关于腾讯互娱数据产品与技术组

前身为成立于 2010 年的数据分析组;到 2011 年从统计学领域向更深的营销端结合,将传统的数据分析和挖掘工作直接和业务挂钩;到 2013 年,从原先单一服务的媒介业务中脱离出来,成为服务于全营销领域的数据营销组;到 2014 年,数据产品慧聪原来数据营销的基础上进一步剥离出来。

移动游戏数据分析
下载极客公园客户端
iOS下载
反馈