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
|
2月前
|
搜索推荐 数据挖掘 C++
数据分析方法-对比分析和用户画像
数据分析方法-对比分析和用户画像
68 1
数据分析方法-对比分析和用户画像
|
2月前
|
数据采集 数据可视化 数据挖掘
数据分析案例-汽车客户信息数据可视化分析
数据分析案例-汽车客户信息数据可视化分析
99 0
|
2月前
|
数据可视化 架构师 数据挖掘
数据分析案例-数据科学相关岗位薪资可视化分析
数据分析案例-数据科学相关岗位薪资可视化分析
52 0
|
2月前
|
数据采集 数据可视化 数据挖掘
数据分析案例-BI工程师招聘岗位信息可视化分析
数据分析案例-BI工程师招聘岗位信息可视化分析
59 0
|
4月前
|
机器学习/深度学习 数据采集 运维
重要的数据分析方法:时间序列分析
重要的数据分析方法:时间序列分析
107 1
重要的数据分析方法:时间序列分析
|
5月前
|
数据挖掘
88 网站点击流数据分析案例(统计分析-键路径转化率分析)
88 网站点击流数据分析案例(统计分析-键路径转化率分析)
37 0
|
4月前
|
机器学习/深度学习 自然语言处理 数据挖掘
Python数据分析中文本分析的重要技术点,包括文本预处理、特征提取、情感分析
Python数据分析中文本分析的重要技术点,包括文本预处理、特征提取、情感分析
88 1
Python数据分析中文本分析的重要技术点,包括文本预处理、特征提取、情感分析
|
2月前
|
数据可视化 搜索推荐 数据挖掘
数据分析案例-顾客购物数据可视化分析
数据分析案例-顾客购物数据可视化分析
98 0
|
6天前
|
数据采集 数据可视化 数据挖掘
Seaborn在数据分析中的应用:案例分析与实践
【4月更文挑战第17天】本文介绍了Seaborn在数据分析中的应用,它是一个基于Python的可视化库,简化了复杂数据的图表创建。通过一个销售数据分析的案例,展示了数据加载、描述性统计、相关性分析、多变量分析及高级可视化步骤。实践技巧包括数据清洗、图表选择、颜色使用、注释标签和交互性。Seaborn助力高效数据探索和理解,提升分析效率。注意,实际使用需根据数据集和目标调整,并参考最新文档。
|
20天前
|
存储 机器学习/深度学习 数据采集
数据分析师如何处理数据以进行分析?
【4月更文挑战第4天】数据分析师如何处理数据以进行分析?
19 9

热门文章

最新文章