小白学数据分析----->移动游戏的使用时长分析

简介: 写下该文章,是因为之前看到了几款游戏一个典型的玩家刺激活动,在《多塔联盟》,《萌江湖》等多款游戏的设计中都有体现,如下图所示: 这个功能点的设计,今天在这里讲的更多的还是跟数据有关系,跟用户的行为有关系,大家可能发现了,英雄招募首日共计5次,每次10分钟,如果你感兴趣,一定有一个疑问,为什么是5次,且每次是10分钟? 对于这一点,我相信有的开发者并没有仔细的考虑过,只是在大家都有了这个功能后,我也应该具备,然而这背后其实还是有些值得东西去探索的,今天我们将看到为什么在这款游戏中一共做5次,每次10分钟是可以的,而在别的游戏中就不行,就不可以这么做的故事。

写下该文章,是因为之前看到了几款游戏一个典型的玩家刺激活动,在《多塔联盟》,《萌江湖》等多款游戏的设计中都有体现,如下图所示:

这个功能点的设计,今天在这里讲的更多的还是跟数据有关系,跟用户的行为有关系,大家可能发现了,英雄招募首日共计5次,每次10分钟,如果你感兴趣,一定有一个疑问,为什么是5次,且每次是10分钟?

对于这一点,我相信有的开发者并没有仔细的考虑过,只是在大家都有了这个功能后,我也应该具备,然而这背后其实还是有些值得东西去探索的,今天我们将看到为什么在这款游戏中一共做5次,每次10分钟是可以的,而在别的游戏中就不行,就不可以这么做的故事。

如果对于以上的设计给予一个数据的解释,那么我们应该从以下的方向上进行探讨:

新增玩家的单次使用时长(次数)

新增玩家的单日使用时长(次数)

新增玩家的每周使用时长(次数)

当然,如果你统计的数据足够多,也可以分析活跃玩家,付费玩家在这几点的统计。

在第一张截图中,我们看到,玩家首日要进行5次,每次10分钟的抽奖,换句话,你的新增玩家群体首日的游戏关注时长(注意不是使用)要有这个能力才可以完成这个抽奖活动,所以我们需要了解你的用户是否是这个行为习惯的。比如在下面的玩家群体,首日的游戏时长是19分钟,而此时让玩家去承担完成一个50分钟的抽奖活动,对于用户而言是存在压力的。

原因其实是因为下面的这个U型曲线造成的:

在这个曲线中,我们理想的用户激励成长曲线是蓝色,因为,玩家会随着给予奖励或者激励的丰富而不断进行响应我们的设计,实际上我们设计的累计登录30天之类的活动也是这么思考的。然而我们从黄色曲线可以看到,玩家在初期对于激励的响应是很好的,但是随着激励的不断增加,这种响应并不会显著增长,而是缓慢降低。而这种态势的 进一步扩大,其实就是我们看到的白线,其实我们很多的设计,其响应情况都是和白线是一致的。

回头我们在看刚才的问题,其实我们发现也许我的游戏不应该设计5次,每隔10分钟的抽奖,因为很可能很多进入第3次时就疲劳了,其激励并未有玩家很好的响应。因为很多的玩家的游戏时长并未达到你的要求。

如下图,我们看到玩家单次游戏时长有21%在3-10min,23%在10-30min,这个时候我们可以确定,至少有46%的人是有响应的可能性,也许在这个过程中,我们应该调整每次抽奖的时间间隔,让玩家响应活动的可能性在提高一些。

当然,下面这个图的单次游戏时长我们可以看到,小于1min的比例是很低的,这里也可以和大家说的是,这种情况是正常的,至少对于新玩家这个表现来看,玩家进入游戏还是正常的。

下面我们也可以看一个其他的情况,如下所示,明显的发现,单次游戏时长小于1min的比例较高,也就是说这款游戏对于新玩家而言,前期的体验解决的不是非常理想,是需要不断的优化和改进的。

当然,从我们刚才看到的游戏活动的截图中,玩家是可以在一天中不断上线和下线参与活动的,而从这个维度,我们需要精确去了解玩家的单日游戏时长情况,这点对于这类通过时间设计的活动是很有效的。在下面的图中,我们看到对于新登玩家而言,没有小于1min的玩家,也就是说,对于新玩家而言首日的体验还是很流畅的,而就我们刚才设计的活动来看,活动设计时间应该保持在10-30min是很理想的,也许50min并不是一个很好的选择,至少有46%的玩家是这样的。

如果从活跃玩家的单日游戏时长来看,这点也许是更明显的,不同群体在游戏时长的表现差异是很明显的,所以对我们而言,了解了游戏行为或许可以帮助们更加合理的设计运营活动。

当然,对于活跃用户而言,我们在这个问题上,也可以统计分析活跃用户的使用时长问题,尤其是我们要进行一些针对活跃用户的活动或者系统设计时应该给予考虑的,在下面的图中,我们可以看到,活跃用户群体的使用时长和新增用户的时长之间差异是很明显的,如果对比付费用户的使用时长,这点差异是更加明显的,而这些玩家看似简单的统计信息背后可能就变成了我们文章开头的活动设计关键参考因素。

相关文章
|
3月前
|
数据采集 存储 数据挖掘
【优秀python数据分析案例】基于Python书旗网小说网站数据采集与分析的设计与实现
本文介绍了一个基于Python的书旗网小说网站数据采集与分析系统,通过自动化爬虫收集小说数据,利用Pandas进行数据处理,并通过Matplotlib和Seaborn等库进行数据可视化,旨在揭示用户喜好和市场趋势,为图书出版行业提供决策支持。
308 6
【优秀python数据分析案例】基于Python书旗网小说网站数据采集与分析的设计与实现
|
1月前
|
数据挖掘 UED
ChatGPT数据分析——探索性分析
ChatGPT数据分析——探索性分析
|
1月前
|
数据可视化 数据挖掘 数据处理
ChatGPT数据分析应用——热力图分析
ChatGPT数据分析应用——热力图分析
|
1月前
|
数据挖掘
ChatGPT在常用的数据分析方法中的应用(分组分析)
ChatGPT在常用的数据分析方法中的应用(分组分析)
|
1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
49 0
|
1月前
|
数据挖掘
ChatGPT在常用的数据分析方法中的应用(对比分析)
ChatGPT在常用的数据分析方法中的应用(对比分析)
|
2月前
|
机器学习/深度学习 人工智能 数据挖掘
数据分析师是在多个行业中专门从事数据搜集、整理和分析的专业人员
数据分析师是在多个行业中专门从事数据搜集、整理和分析的专业人员
37 3
|
3月前
|
前端开发 Java JSON
Struts 2携手AngularJS与React:探索企业级后端与现代前端框架的完美融合之道
【8月更文挑战第31天】随着Web应用复杂性的提升,前端技术日新月异。AngularJS和React作为主流前端框架,凭借强大的数据绑定和组件化能力,显著提升了开发动态及交互式Web应用的效率。同时,Struts 2 以其出色的性能和丰富的功能,成为众多Java开发者构建企业级应用的首选后端框架。本文探讨了如何将 Struts 2 与 AngularJS 和 React 整合,以充分发挥前后端各自优势,构建更强大、灵活的 Web 应用。
57 0
|
3月前
|
SQL 数据采集 算法
【电商数据分析利器】SQL实战项目大揭秘:手把手教你构建用户行为分析系统,从数据建模到精准营销的全方位指南!
【8月更文挑战第31天】随着电商行业的快速发展,用户行为分析的重要性日益凸显。本实战项目将指导你使用 SQL 构建电商平台用户行为分析系统,涵盖数据建模、采集、处理与分析等环节。文章详细介绍了数据库设计、测试数据插入及多种行为分析方法,如购买频次统计、商品销售排名、用户活跃时间段分析和留存率计算,帮助电商企业深入了解用户行为并优化业务策略。通过这些步骤,你将掌握利用 SQL 进行大数据分析的关键技术。
178 0
|
3月前
|
数据采集 机器学习/深度学习 数据挖掘
【数学建模-某肿瘤疾病诊疗的经济学分析】数据分析
本文提供了针对一个肿瘤疾病诊疗经济学分析的数学建模案例,其中包括了数据清洗、特征工程、模型分析等步骤,并提供了相关的代码和最终报告的下载链接。
44 0