RFM模型数据处理结果分析(回答网友的问题)

简介:   玩家生命周期 早些时候,有位同行给了一个基于RFM的分析报告,但是不太明白上述用户中的3,4,5类为什么占比非常少,但是生命周期却非常长。 下面是我的一些观点(由于不清楚具体的产品,只知道大概的类别是社交游戏): 首先,使用了基于玩家充值的RFM分析,并把用户分成了8类,经过分析发现刚才上述的规律,那么我们具体来看。

 

 

玩家生命周期

早些时候,有位同行给了一个基于RFM的分析报告,但是不太明白上述用户中的3,4,5类为什么占比非常少,但是生命周期却非常长。

下面是我的一些观点(由于不清楚具体的产品,只知道大概的类别是社交游戏):

首先,使用了基于玩家充值的RFM分析,并把用户分成了8类,经过分析发现刚才上述的规律,那么我们具体来看。

3类用户:高充值、远期、高频率(用户量4.38%,生命周期15)

既然和充值相关那么我们就要考虑本身这类游戏的IB特点以及客群的特点,事实上,页游IB和社交游戏的IB有很多相似之处。从客群来说,年龄层次覆盖更加广泛,玩家对游戏寻求短期刺激,说白了少花时间,低成本(时间+精力),就是图一个“爽”字。从IB来看也是恰恰迎合了这群玩家的特点,这类游戏的IB付费点多,并且付费易用性非常好(充值渠道,UI支付),玩家在游戏时寻求就是这种爽快感。

由此分析3类用户来看,这群用户是曾经深度沉迷或者目前也在沉迷于该游戏的玩家,在这类游戏中达到深度深度沉迷的人本身就会比较少。高充值高频率说明玩家对于游戏内容把握很好,因为玩的越深入,就会发现更多需要付费的IB点,因为这些付费点能够减少玩家的操作时间和耗费精力。而远期说明这部分玩家可能是曾经的深度用户,近期未付费可能是转移(换服)或者流失了,此外还有一种情况是前期积累大量的充值金币(充值过度),导致近期没有再次付费,不过从页游用户的特点来说这个群体存在比较少。

4类用户:高充值、远期、低频率(用户量9.85%,生命周期12)

这个群体的生命周期和1类(高充值、近期、高频率)、8类(低充值、远期、低频率)比较相近,1类用户和8类用户其实是两个极端群体,走向了两级分化,确切说是正在分化,1类用户是正在产生对游戏的粘性,处于用户生命周期价值模型的B阶段,也就是提升期,结合此类游戏的IB来看,IB实用性很强,深度足够,这就恰恰迎合了这群正在产生的玩家的需求,比如快速升级(节省时间和精力)。此外,频繁的诱导型的消费刺激玩家不断的消费,比如充值活动。而8类用户是一批正在走向衰退阶段的用户,就是D阶段,不过也有可能是一群只是进入游戏尝鲜的小白玩家,这两种可能性都存在。而4类玩家从我的角度理解就是从1类用户向8类用户过度的中间态,这群用户随着对游戏的熟知和体验(此类游戏玩家生命周期不会很长)由高频繁、高充值、活跃的付费转向频率下降、充值活跃下降的玩家,后期当玩家失去兴趣后,就会弱化投入,因为此时玩家基本游戏体验和需求已经满足,故有面临流失风险。而中间态这个过度群体本身是过度态,但是这个群体由于是两个极端群体的过度,所以周期会拉长,并且群体比例有限。

5类用户:低充值、近期、高频率(用户量4.48%,生命周期19)

首先我们审视一下7类用户:低充值、远期、高频率(用户量1.09%,生命周期6),可以说生命周期很短,而5类用户生命周期最长,从IB来看,此类游戏最大的IB特色就是“微支付”,游戏特色就是可玩性要强,而且还要SB,7类用户是初期进入游戏快速体验,在游戏进程的前期发现比较好(该类游戏的前期进程都比较容易和周期短),因此在开始阶段付费,但后期没有做好期待与反馈的平衡,就直接流失了,这里生命周期短,是因为本身在体验游戏前期进程所需时间就比较短,但是游戏的IB是从最开始就部下了。回过头来看5类用户,随着玩家的不断体验,用户的反馈总是大于期待,这批用户随着每个IB点的套路走下去(IB密集并且微支付),以一种细水长流的形式在游戏中存留并持续消费,这些玩家在后期如果存留就是高端沉迷用户,这个群体其实体积很大,但是由于很多玩家变成了2类,6类逐步流失了,5类用户其实是最符合该类游戏的特色和迎合的客户群,但是很多时候我们做不好用户期待与反馈之间的平衡,丢失了这部分用户。

相关文章
|
Python
『三分钟学分析』Graveyard分析模型是真的牛X!(上)
在上篇品牌知名度实例的基础上,讲一个经典分析模型,对品牌知名度做更立体的分析。
484 0
『三分钟学分析』Graveyard分析模型是真的牛X!(上)
|
2月前
|
数据可视化
R语言大学城咖啡店消费问卷调查数据报告:信度分析、主成分分析可视化
R语言大学城咖啡店消费问卷调查数据报告:信度分析、主成分分析可视化
|
2月前
|
机器学习/深度学习
R语言使用Rasch模型分析学生答题能力
R语言使用Rasch模型分析学生答题能力
|
2月前
|
机器学习/深度学习 算法 数据挖掘
【数据挖掘】关联模式评估方法及Apriori算法超市购物应用实战(超详细 附源码)
【数据挖掘】关联模式评估方法及Apriori算法超市购物应用实战(超详细 附源码)
115 0
|
9月前
|
自然语言处理
求助:需要训练一个行业模型,用来批量写文章。有酬谢
本人从事环保行业,比较专业的领域,有语料。想训练一个行业模型,然后用来批量写专业原创文章。有那个高手可以实现,来洽谈合作。
470 0
|
10月前
|
数据挖掘
数据分析十大模型之漏斗模型(V2.0全新升级版)
数据分析十大模型之漏斗模型(V2.0全新升级版)
|
存储 缓存 自然语言处理
推荐系统[一]:超详细知识介绍,一份完整的入门指南,解答推荐系统相关算法流程、衡量指标和应用,以及如何使用jieba分词库进行相似推荐
推荐系统[一]:超详细知识介绍,一份完整的入门指南,解答推荐系统相关算法流程、衡量指标和应用,以及如何使用jieba分词库进行相似推荐
推荐系统[一]:超详细知识介绍,一份完整的入门指南,解答推荐系统相关算法流程、衡量指标和应用,以及如何使用jieba分词库进行相似推荐
|
机器学习/深度学习 运维 自然语言处理
一文读懂!异常检测全攻略!从统计方法到机器学习 ⛵
本文系统介绍了『单变量异常检测』和『多变量异常检测』识别技术,包括传统的统计方法(四分位距、标准差),以及前沿的机器学习模型(孤立森林、DBSCAN、LOF局部离群因子)。
1575 2
一文读懂!异常检测全攻略!从统计方法到机器学习 ⛵
|
机器学习/深度学习 算法
量化交易分析:4000多只股票2015-2022年历史数据分享,供小伙伴们学习交流
量化交易分析:4000多只股票2015-2022年历史数据分享,供小伙伴们学习交流
量化交易分析:4000多只股票2015-2022年历史数据分享,供小伙伴们学习交流
|
数据挖掘 测试技术 数据处理
数据分析实战 | A/B测试探寻哪种广告点击率更高?
数据分析实战 | A/B测试探寻哪种广告点击率更高?
数据分析实战 | A/B测试探寻哪种广告点击率更高?