小白学数据分析----->付费渗透率再研究

简介: 今天所谈到的东西其实是关于新增付费用户的研究模型的内容,谈到模型,有时候我们过于神话了,模型其实最后就是一套方法论,我自己觉得这倒是自己思维思考最后落地的一个载体,因为思维要实现、训练、评估,最后出现一个载体来落实我们思维的所思所考这个载体就是模型。

今天所谈到的东西其实是关于新增付费用户的研究模型的内容,谈到模型,有时候我们过于神话了,模型其实最后就是一套方法论,我自己觉得这倒是自己思维思考最后落地的一个载体,因为思维要实现、训练、评估,最后出现一个载体来落实我们思维的所思所考这个载体就是模型。在没有经过实现、训练、评估之前,算不上一个模型,只有经历以上的过程才是一个模型。

之前有说过付费用户金字塔模型,付费渗透率_I的内容分析,今天就的内容算是对于付费渗透率的再研究。可以肯定一点的是我们之前对于付费用户金子塔的研究包含了所有付费用户的成分,我们之前的方法是从用户贡献度或者说是价值量来衡量,把用户分成了鲸鱼用户、海豚用户、小鱼用户。但是我们今天将从用户的生命周期角度来剖析这个问题,进而引出付费渗透率的再研究。

付费用户的构成

付费用户是一个很复杂的群体,第一层认识使我们普遍认识的,也是我们最多采用的数据分析是层次,但是从第二层开始的细分,对于我们的后续很多分析其实是很有益处的。我有一个猜想:

如果用户金子塔是稳定的,那么付费渗透率的提升是否一定有意义?

提出这个假设的原因在于我们对不同付费群的研究中发现,群体用户的特征在最初的阶段就已经形成了,换句话说我们推测一个用户在一款游戏的付费能力基本上就是圈定了,当然针对这一点很多人会产生质疑,因为通过游戏付费“陷阱”、粘性、延伸消费,进一步扩大需求,刺激消费。这一点确实是存在的,然而如果你仔细去分析数据,很多玩家在整个的生命进程中,消费基本上是在自己的承受范围之内和压力之内。

我们不排除极限用户,比如深度迷恋游戏以至于全面投入游戏中,但是这类的用户所占比例很小。进而从这个角度我们来分析,每个人的付费能力是基本固定的(想要延伸和刺激消费,就得更新、运营),那么我们不断拉高的渗透率其实没什么太大的作用,因为付费的人终究付费,花费多的人(有钱人)自然就愿意花费,如果你的游戏足够值得他们去消费,那些本来付费就很少的人,玩到最后也会花费很少,甚至就是流失,因为游戏太多,选择太多,诱惑太多。这么看,渗透率意义是局限的。

那么在这种情况下,我们可以来做一件事,那就是在付费用户的初期,我们就能够预测和判断付费用户的付费能力,而不是通过后期的实实在在的数据来验证究竟哪些是真正的鲸鱼,哪些是海豚,哪些又是小鱼。这点也恰恰反映了数据分析的价值所在,用过去发现利用未来,而不是用未来验证说明过去,因为如果那样,你没有进步的可能。因为前进与创新的动力来自于对未知的探索和训练,这未知是指导的、灵感的、偶然的。

付费渗透率的结构化

在上次的分析论述中,我其实就是想将付费渗透率结构化,所谓结构化,就是分层建立付费渗透率,因为我们在付费用户的研究上已经建立了金子塔模型,那么过去我们使用一个付费渗透率指标去衡量的方式需要进一步细化,当然这不是说原来的方式不对,因为在一些高级别的分析报告和演讲中,我们就需要这种一个指标就OK了。

然而作为一个分析师,在具体面对业务时,我们不能够就这样的粗放使用一个付费渗透率去分析问题,因为这样会掩盖掉很多的问题。因此我建议的结构就是分层付费渗透率:

 

W-PUR:鲸鱼用户的付费渗透率

D-PUR:海豚用户的付费渗透率

F-PUR:小鱼用户的付费渗透率

这里面可能就存在一个问题,估计大家都有这个疑问,我们该如何计算这个PUR呢?计算方法如下

鲸鱼用户/活跃用户数量

这里需要解释一下,这里的鲸鱼用户是基于历史鲸鱼用户特征计算出来的本月的鲸鱼用户,本身是一种预测数据,但肯定是付费用户,活跃用户即MAU。

付费渗透率的序列化

留存率我想大概大家都比较熟悉,比如次日、3日、7日、30日、这是从对一批或者一个渠道新登用户的一种观察分析手段,是一种时间序列化的方式,由此我想对于付费渗透率我们也可以进行时间序列化。

即推出首日、次日、7日、30日付费渗透率的,但是明确一点的是这里的用户是新登用户。其定义形式如下:

N日付费渗透率

限定时间内的新登用户,N日付费的用户/限定时间内的新登用户

假设10月8日有500人新登用户,首日50人付费,那么首日的付费率为50/500=10%;

假设10月8日有500人新登用户,10月9日(即次日)有25人付费,则次日付费率为25/500=5%;

这种方式的付费比率从另外一个角度将我们之前统计的付费渗透率进行了细分和立体化,这种付费渗透率细分把新用户和活跃用户的付费问题明确了,因为有的新用户是首日之日便开始付费,而有的新登用户是在一定时期内选择付费,但是达不到活跃用户的标准。这样也能帮助我们更加细致的研究活跃用户的自然付费周期。

以上的是针对具体每日的付费渗透率分析,当然了就像留存率研究一样,我们可以限定时间为周,即一周的新登用户在下周内的付费渗透率研究,这都是可行的。具体还要看自己需要。

此处是借助于留存率的模式进行的付费渗透率研究,方法和之前的其实本质上是一样的,稍加改动,至于该方法是否符合您的产品需要和分析需要,这要根据自己实际情况,这里所述的内容仅供参考,作为探索和讨论之用。

相关文章
|
7月前
|
机器学习/深度学习 数据采集 存储
基于振弦采集仪的工程监测数据分析方法研究
基于振弦采集仪的工程监测数据分析方法研究主要涉及以下几个方面:
基于振弦采集仪的工程监测数据分析方法研究
|
6月前
|
文字识别 算法 数据挖掘
视觉智能开放平台产品使用合集之对于统计研究和数据分析,有哪些比较好的工具推荐
视觉智能开放平台是指提供一系列基于视觉识别技术的API和服务的平台,这些服务通常包括图像识别、人脸识别、物体检测、文字识别、场景理解等。企业或开发者可以通过调用这些API,快速将视觉智能功能集成到自己的应用或服务中,而无需从零开始研发相关算法和技术。以下是一些常见的视觉智能开放平台产品及其应用场景的概览。
|
4月前
|
存储 数据可视化 数据挖掘
大数据环境下的房地产数据分析与预测研究的设计与实现
本文介绍了一个基于Python大数据环境下的昆明房地产市场分析与预测系统,通过数据采集、清洗、分析、机器学习建模和数据可视化技术,为房地产行业提供决策支持和市场洞察,探讨了模型的可行性、功能需求、数据库设计及实现过程,并展望了未来研究方向。
221 4
大数据环境下的房地产数据分析与预测研究的设计与实现
|
7月前
|
机器学习/深度学习 数据采集 数据可视化
Python在数据分析领域的应用研究
Python在数据分析领域的应用研究
107 0
|
7月前
|
机器学习/深度学习 数据可视化 数据挖掘
SPSS用K均值聚类KMEANS、决策树、逻辑回归和T检验研究通勤出行交通方式选择的影响因素调查数据分析
SPSS用K均值聚类KMEANS、决策树、逻辑回归和T检验研究通勤出行交通方式选择的影响因素调查数据分析
|
7月前
|
数据挖掘 定位技术
基于出租车GPS轨迹数据的研究:出租车行程的数据分析
基于出租车GPS轨迹数据的研究:出租车行程的数据分析
|
数据挖掘 Go 数据库
数据分析与数据挖掘研究之一 (下)
数据分析与数据挖掘研究之一
数据分析与数据挖掘研究之一 (下)
|
数据挖掘 数据库 Perl
数据分析与数据挖掘研究之一 (上)
之前做过一些数据分析与数据挖掘相关的工作,最近抽空将之前做的内容简单整理一下,方便查看,主要使用R语言和PERL脚本语言,使用TCGA和ICGC数据库中的临床数据,做类似的分析可以参考一下,如果想查看详细内容与数据可以通过本人的Gitee及Github仓库下载,链接于篇尾附上。
数据分析与数据挖掘研究之一 (上)
|
新零售 数据挖掘
数据分析系列剧第三集:行业研究
  中秋过后,小蔡拿着他的计划和周总讨论。 小蔡:“周总,这是我放假期间制定的一份工作计划(见下图),您看是否需要调整?” 周总接过计划,看了一会说:“嗯,还不错!接下来你是要做预测,那说说你的思路吧。
1020 0
|
数据挖掘
数据分析系列剧第四集:行业研究报告与生产计划
在老李的指导下,小蔡画出了服装行业研究报告的思路框架(见下图) 接着小蔡基于该思路撰写了一份简要的报告(见下图)。   周总看完了这份报告,点点头说:“小蔡,写的不错!你对服装行业已经有了一定了解,接下来我们讨论一下你报告中提到的资源配置的问题。
1026 0
下一篇
DataWorks