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
|
24天前
|
数据挖掘 数据库
ChatGPT在数据分析学习阶段的应用
ChatGPT在数据分析学习阶段的应用
37 6
|
24天前
|
数据挖掘 数据处理
ChatGPT在常用的数据分析方法中的应用(交叉分析)
ChatGPT在常用的数据分析方法中的应用(交叉分析)
34 1
|
24天前
|
搜索推荐 数据挖掘
ChatGPT数据分析应用——漏斗分析
ChatGPT数据分析应用——漏斗分析
63 2
|
24天前
|
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)
49 1
|
24天前
|
SQL 数据处理 HIVE
ChatGPT在综合数据处理中的应用(续篇)
ChatGPT在综合数据处理中的应用(续篇)
32 1
|
3月前
|
自然语言处理 数据挖掘 BI
ChatGPT 等相关大模型问题之将现有的数据分析平台与大模型结合如何解决
ChatGPT 等相关大模型问题之将现有的数据分析平台与大模型结合如何解决
|
3月前
|
机器学习/深度学习 SQL 数据采集
"解锁机器学习数据预处理新姿势!SQL,你的数据金矿挖掘神器,从清洗到转换,再到特征工程,一网打尽,让数据纯净如金,模型性能飙升!"
【8月更文挑战第31天】在机器学习项目中,数据质量至关重要,而SQL作为数据预处理的强大工具,助力数据科学家高效清洗、转换和分析数据。通过去除重复记录、处理缺失值和异常值,SQL确保数据纯净;利用数据类型转换和字符串操作,SQL重塑数据结构;通过复杂查询生成新特征,SQL提升模型性能。掌握SQL,就如同拥有了开启数据金矿的钥匙,为机器学习项目奠定坚实基础。
36 0
|
6月前
|
机器学习/深度学习 数据采集 数据可视化
R语言电影数据分析:随机森林探索电影受欢迎程度因素、参数调优可视化
R语言电影数据分析:随机森林探索电影受欢迎程度因素、参数调优可视化
|
6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
|
6月前
|
机器学习/深度学习 数据可视化 算法
python数据分析——在面对各种问题时,因如何做分析的分类汇总
Python数据分析是指使用Python编程语言对数据进行收集、处理、分析和可视化的过程。Python是一种非常流行的编程语言,具有简单易学、代码可读性高、生态系统强大的特点,因此在数据科学领域得到广泛应用。
195 0