小白学数据分析----->ARPDAU的价值

简介: 最近盛大刚刚发布了财报,有人给我打电话问什么是ARPDAU?ARPDAU能够起到什么作用?本文就这个问题给大家解析一下ARPDAU。在讲ARPDAU之前,有两个概念大家应该很清楚,一个是ARPU,另一个是ARPPU,如果有不清楚的同学请查看《移动游戏数据分析白皮书》。

最近盛大刚刚发布了财报,有人给我打电话问什么是ARPDAU?ARPDAU能够起到什么作用?本文就这个问题给大家解析一下ARPDAU。在讲ARPDAU之前,有两个概念大家应该很清楚,一个是ARPU,另一个是ARPPU,如果有不清楚的同学请查看《移动游戏数据分析白皮书》

首先我们明确ARPDAU的定义:日活跃用户的平均收益,Avg. Revenue Per DAU;计算方式为,ARPDAU=每日总收入/每日活跃用户数。

为什么要有ARPDAU?

在移动端市场由于移动游戏的用户忠诚度不够高,流动性强,手游产品生命周期短,推广费增长迅速、推广周期短的因素所以我们不能再以ARPU或者ARPPU这种按周或者月为维度的衡量方式来进行计算。ARPDAU其实是在更加短的时间间隔内对游戏的收益能力与用户量之间寻找一个桥梁。

 

从下面的公式中可看到其作用:

Revenue=DAU*ARPDAU

上述公式是对每天收入的一种计算模式,如果按照用户生命周期来做衡量则变成:

E_Revenue=DAU*ARPDAU*E_LT

注:E为期望,LT为生命周期

综上我们可以得到,在用户规模和平均收益固定的前提下,可以根据生命周期长度的变化来确定收入规模,这点其实是我们平时最常去考虑的。

其实上述公式在海外已经多次被讨论过,用户规模、用户生命周期、产品质量和渠道推广这几点都是对这个公式的直接反馈。就ARPDAU来看,我们可以理解为下面的一句话:每当游戏产生一个有效的活跃用户,则单日为游戏贡献收入为ARPDAU,如果有效活跃用户的生命周期为LT,则单个用户全生命周期内贡献的收入为LT*ARPDAU。

由此可见,ARPDAU已成为衡量游戏收益能力的一个新指标。ARPDAU直接反馈在推广阶段,是一个有效活跃用户预期收益能力的表现。为什么这样说,因为一个有效活跃用户每活跃一天产生的收入就是ARPDAU,如果留存效果比较好,生命周期比较长,那么单个活跃用户在生命周期内贡献的收入就是ARPDAU与LT的乘积。这一点如果和CPA结合起来,就可以去衡量近来的一个有效CPA与ARPDAU*LT之间的大小。

DAU

无论是重计费游戏还是轻计费游戏,都想把用户规模做到一定的量级。从这个公式中能够看到,在ARPDAU较低的情况下,生命周期长度和用户规模都成为保障收入的支撑;其次有效用户群不仅代表推广阶段较好的用户质量,同时也是产品质量的重要体现。

就DAU而言,我们需要进一步了解DAU的结构和质量。因为DAU是最直接影响未来的用户生命周期和提升付费概率的因素(比如DAU中,优质用户不断的积累)。

小白ARPDAU

 

LT

用户生命周期,一方面是对近来推广的用户质量体现,同时也是产品黏度和质量的重要衡量指标。如果要在三个参数打上标签,我觉得下面的标签算是一个例子:

小白ARPDAU2

 ARPDAU

Jon Walsh说,“从游戏类型来看,有的游戏属于高转化率游戏,这类游戏付费转化率高,但是ARPPU低;有的游戏属于高付费游戏,这类游戏付费转化率低,但是ARPPU高。“不过如果你去从ARPDAU的角度去看待的时候,你会发现不必考虑付费用户的付费结构和规模,从而快速通过生命周期和规模衡量收益能力。

相关文章
|
5月前
|
人工智能 数据可视化 数据挖掘
【python】Python航空公司客户价值数据分析(代码+论文)【独一无二】
【python】Python航空公司客户价值数据分析(代码+论文)【独一无二】
503 1
|
1月前
|
数据挖掘 PyTorch TensorFlow
|
3月前
|
数据挖掘 PyTorch TensorFlow
Python数据分析新纪元:TensorFlow与PyTorch双剑合璧,深度挖掘数据价值
【7月更文挑战第30天】随着大数据时代的发展,数据分析变得至关重要,深度学习作为其前沿技术,正推动数据分析进入新阶段。本文介绍如何结合使用TensorFlow和PyTorch两大深度学习框架,最大化数据价值。
82 8
|
3月前
|
消息中间件
数据架构问题之流批一体在数据分析型应用中的价值是什么
数据架构问题之流批一体在数据分析型应用中的价值是什么
|
数据采集 搜索推荐 算法
数据分析案例-航空公司客户价值分析(聚类)
数据分析案例-航空公司客户价值分析(聚类)
646 0
数据分析案例-航空公司客户价值分析(聚类)
|
数据采集 存储 人工智能
数据价值有效发挥的障碍:高级数据分析常见的五种挑战
我们经常听到高级分析的成功案例。人们对人工智能的期望很高——据预测人工智能和人工智能的年经济价值将在9.5万亿到15.4万亿美元之间——因此,只要有可能,许多人都想把目光聚焦在数据分析技术的发展上。
|
数据可视化 数据挖掘 大数据
要使数据分析真正有价值和有洞察力,就需要高质量的可视化工具
要使数据分析真正有价值和有洞察力,就需要高质量的可视化工具。市场上有很多产品,特点和价格各不相同,本文列出了一些广泛认可的工具。其实企业如何选择一个合适的可视化工具,并不是一件容易的事情,需要仔细的考虑。 Salesforce公司的一项调查显示:53%的员工要经常查看分析数据,却只是依靠手工操作。在大量的电子表格、图表和数据中滚动鼠标,就好比是大海捞针。数据可视化工具面向用户直观显示结果,帮助用户快速理解和分析数据。 高质量的可视化工具对于数据分析至关重要。数据可视化工具是一种应用软件,帮助用户以可视化、图形化的格式显示数据,呈现数据的完整轮廓。像饼状图、曲线图、热图、直方图、雷达/蜘蛛图只是
要使数据分析真正有价值和有洞察力,就需要高质量的可视化工具
|
机器学习/深度学习 算法 数据可视化
硅谷资深数据科学家教你认清探索性数据分析(EDA)的价值
本文主要介绍了探索性数据分析的价值,说明了探索性数据分析(EDA)是什么以及详细介绍了两种假设,另外文中分析了探索性数据分析对于建模而言是很重要的一步,能够帮助数据科学家找到模型结果出错的原因。
2211 0