小白学数据分析----->基于数据驱动的最佳渠道评估策略

简介: 对于游戏数据分析来说,我们要从很多方面下手,具体从数据分析角度来说,作为游戏CP需要作三块工作,第一是游戏推广,第二是游戏质量,第三是游戏运营,就这三点来看,推广是未来游戏是否有稳定人气,获得稳定收入的关键一环。

对于游戏数据分析来说,我们要从很多方面下手,具体从数据分析角度来说,作为游戏CP需要作三块工作,第一是游戏推广,第二是游戏质量,第三是游戏运营,就这三点来看,推广是未来游戏是否有稳定人气,获得稳定收入的关键一环。

关于手机游戏的渠道分析,是很重要的分析方向,对于这一点,其实无论是端游,页游还是如今火热的手游都是一样的,也确实是作为游戏CP很头疼的事情。原因很多,就手机游戏来看,比如苹果商店的封闭性,不能进行多渠道的转化追踪;而多渠道时(比如国内现在的多个安卓渠道),追踪转化分析又太过麻烦,基本上每家的游戏少说也有20+的渠道。这点导致了,我们在做安卓市场时,面临适配,系统,分辨率等等问题。所以大家都选择在ios上先发和投入,如果OK,在进行下一步的研发运营。因为会觉得,少了适配等一些列的硬伤,倒是做起来比较容易。

然而这点其实又规避了另一个问题,那就是,国内现在无论在官方的ios商店,还是第三方的市场商店,解决了适配,但是依旧要面临对渠道的追踪。因为尽管游戏下载的最终入口是在官方[未破解情况下],抑或是第三方的破解渠道,作为CP必须面对的就是渠道转化,用户质量,谁都不想自己做一笔糊涂账。实则我们的研发之路避开了机型适配等问题,但是却面临渠道转化的障碍,进而就是如何进行优化投放。

既然大家现在很关心渠道推广优化,那么以上的问题就必须有个解决的办法。这个解决办法就是如下的最佳渠道评估策略。

所谓最佳渠道评估策略有三部分构成:

数量:

渠道获取用户能力

作为渠道而言,对于游戏的首要价值,就是大量的用户资源,这点成为了目前粗放推广最为关注的部分,因此成就了今天很多的大渠道,也因此使得很多小的CP没有竞争实力,推广上架无比艰难。

数量分析揭示了渠道的用户获取能力,再更加实际的来说,可以探测用户对渠道的粘性和忠诚度,这点对于渠道推广是有帮助的,因为如果一个渠道本身用户的成长体系不完善,不存在具有粘性的核心用户群,那么给予CP的用户资源也是有限的。

在这数量这一最粗放的力度上,我们将注重关注以下的指标:

 

以上几个指标,似乎是大家很常用的,但是仅仅到这个层级是远远不够的,因为我们并没有准确的去监控和识别用户的行为信息,仅仅是数量级的分析。实际上,对于某些大渠道来说,我们可以关注,玩家在活动或者更新周期,返回渠道的概率分析,这点也是值得的。

一般而言,我们可以通过安装后的注册转化率来了解渠道用户是否目标用户,当然这只是分析目标用户的第一个重要标准,同时这个转化率连带的会引发很多的实际的问题进行分析。

 

以上是第一个层级的分析策略,当然基于以上这些因素的分析,这里不再展开,可以根据自己的实际需要,有目的的进行实施就可以了。

质量:

玩家参与游戏情况

目前的移动互联网环境下,很多的游戏产品对于渠道推广投放,有很多是停留在数量这个层级上,稍微好一些的会关注渠道收入贡献情况,这点也是在渠道能够带来收入的前提下来进行的,不过我们似乎忽略了一些问题,那就是,在收入之前,连渠道用户的质量都不了解,就不能谈收入。因为这种情况下,会一直存在CAC〉LTV,即单用户的贡献远远小于用户获取成本。

因此,质量的分析,快速的优化,决定未来投放渠道的收入增长潜力。

 

以上四个指标作为质量控制的重要要素存在,帮助我们在渠道投放初期就要去了解渠道的投放质量,这点实际上相比较玉前一个层级,重点解决投放质量的问题。

平均日活跃用于了解该渠道的长期日活跃走势和平均水平,而一日玩家比例了解新增玩家中,只有在新增当天进行过游戏的玩家的比例,由于这点对于后续的留存率影响很大,所以必须要去了解留存率的水分有多少,真实的用户留存是什么水平。有关于这点在后续的文章中会继续与大家探讨。

刚才谈到了留存率,作为质量控制的一个节点,次日留存率水平在衡量渠道质量这方面还是有作用的,这是衡量渠道质量必须要考核的指标之一。

最后是首周付费比例,这点是辅助的分析渠道接下来营收能力的一个重要因素,因为渠道的用户资源最终还是要转为收入,不能完成这一步,不能完全判断一个渠道质量的价值。首周付费比例,决定了渠道推广后,用户的付费质量情况,这点可以和非推广时期的用户首周付费比例作一个对比分析。

收入

渠道收入能力情况

一如刚才所说的,渠道的用户资源,最终还是要转化为实在的收入,这是体现渠道价值的最佳方式,在这点上,我们重点覆盖以下的指标:

 

这几个指标的使用应该来说大家很熟悉,刚才也谈到了游戏产品的终极形态一定是要营收的,这是我们做游戏的目的,在这点的关注上,其实我们不必聚焦于详细的细分数据,只需要知道渠道究竟有多大的收入价值就可以了。当然在长期持续的过程中,我们要不断的监控和衡量渠道收益能力,做好用户获取成本和单用户收益之间的杠杆。

而以上所说的,实在宏观全局上,了解渠道与渠道之间的差异。实际上在渠道整体的策略上存在一个完整的闭环过程。

 

我们刚才的策略是构建了一个完整的基于渠道分析的数据体系,也就是做渠道分析该去看那些指标,以及如何作出分析。后续的其实还有详细的渠道分析,真正从具体的业务逻辑上实际分析把控,说的简单点,了解一些渠道本身的特点。

—————————————————————————————————————————————————————————————————————

后记

数据来源:TalkingData

下图中,这个渠道的用户大量是休闲用户,而这些用户中,也存在具体的兴趣特点,这些都是需要作为CP需要去了解和熟悉的。尽管我们现在看到市场中,都在谈论轻付费,休闲游戏是比较好的研发方向,实则未必说一些重度游戏不存在市场,如果自己产品本身发定位准确,再加上渠道的特点和游戏特点契合度很大,那么一旦精准定位了用户群,其活跃,付费都是很棒的。

 

在游戏数据分析领域,其实我们要关注的方面无非就是三点,推广、质量、运营。今天所谈到的只是在推广这点上,一个细分的渠道分析策略,尽管只是一个点,但是足以影响了我们整个渠道策略的闭环形成。可以想象和了解的是,在过去没有数据作为基础支持的情况下,有着太多的教训,原因其实你没有用数据化的思维来做渠道运营。

最后,简单提一下另外的质量和运营,所谓质量,可以简单的理解是游戏的品质,这个品质涉及的面很广,从基本的游戏流畅性,到系统设计,可玩性,游戏性,付费深度等等很多的方面,另外一点就是运营,所谓运营,就是当产品投放到市场后,如何更好的经营用户,经营收益,这是运营要去考虑的。因为推广完成了精准用户群的导入,质量保证了内容的绝对精彩,而运营则要集二者之大成,确保游戏的生命力持久,收入稳定,用户群活跃。

啰嗦几句废话,尽管目前的渠道情况,作为CP来说是很清晰,不过大家不能失去了希望和动力,因为总有好的资源可以使用和挖掘,在这种如北京天气般有些朦胧的气氛下,数据一定程度上可以帮助我们擦亮眼睛,找到方向。anyway,未来的渠道格局和生态,作为CP一定是要通过数据来说话的。

相关文章
|
1月前
|
自然语言处理 小程序 数据挖掘
数据分析实战-Python实现博客评论数据的情感分析
数据分析实战-Python实现博客评论数据的情感分析
95 0
|
4月前
|
机器学习/深度学习 存储 SQL
15个超级棒的外文免费数据集,学习数据分析不愁没有数据用了!
15个超级棒的外文免费数据集,学习数据分析不愁没有数据用了!
|
2月前
|
数据采集 数据挖掘 API
主流电商平台数据采集API接口|【Python爬虫+数据分析】采集电商平台数据信息采集
随着电商平台的兴起,越来越多的人开始在网上购物。而对于电商平台来说,商品信息、价格、评论等数据是非常重要的。因此,抓取电商平台的商品信息、价格、评论等数据成为了一项非常有价值的工作。本文将介绍如何使用Python编写爬虫程序,抓取电商平台的商品信息、价格、评论等数据。 当然,如果是电商企业,跨境电商企业,ERP系统搭建,我们经常需要采集的平台多,数据量大,要求数据稳定供应,有并发需求,那就需要通过接入电商API数据采集接口,封装好的数据采集接口更方便稳定高效数据采集。
|
3月前
|
数据可视化 数据挖掘 Java
提升代码质量与效率的利器——SonarQube静态代码分析工具从数据到洞察:探索Python数据分析与科学计算库
在现代软件开发中,保证代码质量是至关重要的。本文将介绍SonarQube静态代码分析工具的概念及其实践应用。通过使用SonarQube,开发团队可以及时发现和修复代码中的问题,提高代码质量,从而加速开发过程并减少后期维护成本。 在当今信息爆炸的时代,数据分析和科学计算成为了决策和创新的核心。本文将介绍Python中强大的数据分析与科学计算库,包括NumPy、Pandas和Matplotlib,帮助读者快速掌握这些工具的基本用法和应用场景。无论是数据处理、可视化还是统计分析,Python提供了丰富的功能和灵活性,使得数据分析变得更加简便高效。
|
3月前
|
数据挖掘 API
京东商品详情API:数据分析和挖掘以优化销售策略
商品关联分析:通过分析商品之间的关联规则,商家可以发现哪些商品经常一起被购买,从而制定捆绑销售或搭配销售策略,提高客单价和用户满意度。
|
15天前
|
人工智能 监控 数据可视化
【Python】Python商业公司贸易业务数据分析可视化(数据+源码)【独一无二】
【Python】Python商业公司贸易业务数据分析可视化(数据+源码)【独一无二】
|
1月前
|
存储 数据采集 数据挖掘
python数据分析——数据分类汇总与统计
数据分类汇总与统计是指将大量的数据按照不同的分类方式进行整理和归纳,然后对这些数据进行统计分析,以便于更好地了解数据的特点和规律。
56 1
|
1月前
|
存储 SQL 数据挖掘
python数据分析——数据的选择和运算
在数据分析中,数据的选择和运算是非常重要的步骤。数据选择和运算是数据分析中的基础工作,正确和高效的选择和运算方法对于数据分析结果的准确性和速度至关重要。
42 0
|
1月前
|
JSON 数据挖掘 数据格式
python数据分析——数据分析的数据的导入和导出
数据分析的数据的导入和导出是数据分析流程中至关重要的两个环节,它们直接影响到数据分析的准确性和效率。在数据导入阶段,首先要确保数据的来源可靠、格式统一,并且能够满足分析需求。这通常涉及到数据清洗和预处理的工作,比如去除重复数据、处理缺失值、转换数据类型等,以确保数据的完整性和一致性。
36 0
|
1月前
|
数据采集 数据可视化 数据挖掘
python数据分析——业务数据描述
业务数据描述将从统计学角度来分析这指标。利用统计方法,数据分析人员可以通过相应统计模型开展数据分析。数据分析过程包括数据收集,数据处理,数据探索,模型方法应用,分析结果数据展现及形成分析报告。 业务报表是指对业务内容和数据的统计分析图表。统计图表代表了一张图像化的数据,形象地呈现数据。我们常常提到的可视化分析图表一般包括比较类图表,占比类图表,相关类图表和趋势类图表。
36 1