科技: 人物 企业 技术 IT业 TMT
科普: 自然 科学 科幻 宇宙 科学家
通信: 历史 技术 手机 词典 3G馆
索引: 分类 推荐 专题 热点 排行榜
互联网: 广告 营销 政务 游戏 google
新媒体: 社交 博客 学者 人物 传播学
新思想: 网站 新书 新知 新词 思想家
图书馆: 文化 商业 管理 经济 期刊
网络文化: 社会 红人 黑客 治理 亚文化
创业百科: VC 词典 指南 案例 创业史
前沿科技: 清洁 绿色 纳米 生物 环保
知识产权: 盗版 共享 学人 法规 著作
用户名: 密码: 注册 忘记密码?
    创建新词条
科技百科
  • 人气指数: 7373 次
  • 编辑次数: 1 次 历史版本
  • 更新时间: 2011-12-12
高兴
高兴
发短消息
相关词条
游戏动机分类
游戏动机分类
NimbleBit成功经验
NimbleBit成功经验
现场活动推广游戏
现场活动推广游戏
游戏运营关键参数
游戏运营关键参数
《Subway Surfers》成功因素
《Subway Surfers》成功因素
游戏行业与女性
游戏行业与女性
独立发行游戏经历
独立发行游戏经历
Valve内部运作机制
Valve内部运作机制
小型开发商发行策略
小型开发商发行策略
无广告应用创收7个方法
无广告应用创收7个方法
推荐词条
希拉里二度竞选
希拉里二度竞选
《互联网百科系列》
《互联网百科系列》
《黑客百科》
《黑客百科》
《网络舆情百科》
《网络舆情百科》
《网络治理百科》
《网络治理百科》
《硅谷百科》
《硅谷百科》
2017年特斯拉
2017年特斯拉
MIT黑客全纪录
MIT黑客全纪录
桑达尔·皮查伊
桑达尔·皮查伊
阿里双十一成交额
阿里双十一成交额
最新词条

热门标签

微博侠 数字营销2011年度总结 政务微博元年 2011微博十大事件 美国十大创业孵化器 盘点美国导师型创业孵化器 盘点导师型创业孵化器 TechStars 智能电视大战前夜 竞争型国企 公益型国企 2011央视经济年度人物 Rhianna Pratchett 莱恩娜·普莱契 Zynga与Facebook关系 Zynga盈利危机 2010年手机社交游戏行业分析报告 游戏奖励 主流手机游戏公司运营表现 主流手机游戏公司运营对比数据 创建游戏原型 正反馈现象 易用性设计增强游戏体验 易用性设计 《The Sims Social》社交亮 心理生理学与游戏 Kixeye Storm8 Storm8公司 女性玩家营销策略 休闲游戏的创新性 游戏运营的数据分析 社交游戏分析学常见术语 游戏运营数据解析 iPad风行美国校园 iPad终结传统教科书 游戏平衡性 成长类型及情感元素 鸿蒙国际 云骗钱 2011年政务微博报告 《2011年政务微博报告》 方正产业图谱 方正改制考 通信企业属公益型国企 善用玩家作弊行为 手机游戏传播 每用户平均收入 ARPU值 ARPU 游戏授权三面观 游戏设计所运用的化学原理 iOS应用人性化界面设计原则 硬核游戏 硬核社交游戏 生物测量法研究玩家 全球移动用户 用户研究三部曲 Tagged转型故事 Tagged Instagram火爆的3大原因 全球第四大社交网络Badoo Badoo 2011年最迅猛的20大创业公司 病毒式传播功能支持的游戏设计 病毒式传播功能 美国社交游戏虚拟商品收益 Flipboard改变阅读 盘点10大最难iPhone游戏 移动应用设计7大主流趋势 成功的设计文件十个要点 游戏设计文件 应用内置付费功能 内置付费功能 IAP功能 IAP IAP模式 游戏易用性测试 生理心理游戏评估 游戏化游戏 全美社交游戏规模 美国社交游戏市场 全球平板电脑出货量 Facebook虚拟商品收益 Facebook全球广告营收 Facebook广告营收 失败游戏设计的数宗罪名 休闲游戏设计要点 玩游戏可提高认知能力 玩游戏与认知能力 全球游戏广告 独立开发者提高工作效率的100个要点 Facebook亚洲用户 免费游戏的10种创收模式 人类大脑可下载 2012年最值得期待的20位硅谷企业家 做空中概股的幕后黑手 做空中概股幕后黑手 苹果2013营收 Playfish社交游戏架构

游戏运营数据解析 发表评论(0) 编辑词条

目录

[显示全部]

社交游戏分析学常见术语编辑本段回目录

你们若对社交游戏有所研究,定不会对“微交易”、“硬核玩家”、“休闲玩家”及“病毒式传播”等术语感到陌生,甚至是“免费模式”。但是讨论农场和小鱼游戏,我们将面临众多新词汇,它们将老式统计学和最新搜索引擎分析学融为一体。

所以,对于那些非统计学精英或非分析学人士而言,以下是获悉社交游戏参数术语的速成课程。

ARPU

ARPU

ARPU

这个词语源于电信公司。ARPU(每用户平均收益)用于衡量单位订阅者所带来的收益。其中包括订阅费用、虚拟商品、额外营销收益和广告印象。社交游戏十分注重参数,ARPU可根据日期、国家、人口统计或其他参数进一步细分。

用户流失率

这是指社交游戏活跃用户的更换率(游戏邦注:或指“损耗率)。社交游戏的活跃程度很高,其用户基础变幻莫测,这是因为玩家时常放弃体验某款游戏或删除游戏。用户流失指的就是用户持续增损。

用户群

这是统计学的常见术语,用户群是指在某一特定时间范围内共同分享某一特定经验的群体。在社交游戏参数中,用户群用于分析用户留存率。通过将用户分组(游戏邦注:6月10日访问的用户”),分析其中回访率,我们可以准确发现哪个促进因素效果最显著。

DAU

DAU(日活跃用户)就像其字面意思一样:单日内的活跃用户数量。

DAU/MAU

DAU/MAU比例是社交游戏的重要参数。通过将日活跃用户和月活跃用户进行比较,我们可以粗略发现用户每月访问游戏的平均天数是多少。如果游戏拥有50万DAU,100万MAU,其DAU/MAU比值就是0.5,也就是说玩家每月平均体验游戏的时间是15天。DAU/MAU同社交游戏成败息息相关。

RockYou

RockYou

RockYou的Lisa Marino认为,DAU/MAU的最低极限是0.2。这保证游戏能够达到临界规模的病毒式传播和用户粘性。

用户粘性

Facebook玩家一般每次体验数款游戏。用户粘性表示玩家体验游戏的时间长短。玩家访问了多少游戏功能?玩家每次浏览了多少页面?回访用户的比例是多少?

登陆活动

登陆活动是指玩家登入游戏实施的首个活动。在线游戏能够跟踪玩家所有活动,而登陆活动分布是我们需要给予更多关注的参数。玩家的首个体验活动是什么?哪个登陆活动最能够有效促使用户回访?

例如,我们可以发现大多数玩家收到礼物时都会登陆游戏,他们登陆后首先会检查礼物。我们可以通过了解更受欢迎的登陆活动,相应投入更多此类资源,进而提高用户留存率、粘性和再访问率。

退出活动

这是登陆活动的反面。退出活动是指玩家退出游戏的最后一个活动。追踪退出活动分布能够帮助我们获悉用户退出游戏的原因所在。

K Factor

K Factor系数用于衡量产品的病毒传播率。K Factor=(感染率)X(转化率)。感染率是形容某个用户向其他用户传播游戏的程度(游戏邦注:如通过数据更新或者邮件邀请)。转化率同营销人士熟悉的概念大同小异,是指将感染用户转化成新注册用户的比例。

更简单地说,1 K Factor表示平均1个用户带来1个新用户。K Factor越高,社交游戏发行商越受益,因为这是个获取新用户的有效工具。

终身网络价值

是指用户置身网络期间为网络带来的价值。例如,用户是否推动病毒式传播?用户是否传播游戏?是否积极推动ARPU的增长?而就用户获得成本而言,是指我们需要投入多少成本(游戏邦注:通过营销和病毒式传播)才能获得新用户?

Kontagent

Kontagent

Facebook应用分析数据供应商Kontagent表示,基本等式是1/(1-K)X月ARPUX用户寿命。

MAU

和DAU类似,MAU(月活跃用户)指的是游戏每月的活跃用户总数。

用户再访问

玩家最终会终止体验游戏。再访问是指我们如何重新获得用户。因为这一领域的游戏竞争激烈,所以实施和跟踪再体验行为必不可少。

留存率

这是相对流失率而言。留存率是指我们如何维护好自己的用户基础。

病毒式传播率

病毒式增长是针对社交媒介游戏而言。病毒式传播率表示用户推广和传播游戏的程度(游戏邦注:通过K Factor衡量)。社交游戏因此能够通过合作、竞争和添加新功能不断发展,而这又将推动病毒式传播的发展。每个功能都是发展的资源,不论效仿Facebook通知或者是微博功能。不要混淆“病毒式传播”概念。(本文为游戏邦/gamerboom.com编译

The Secret Glossary of Social Games Analytics

If you’ve been reading up on social gaming, you’re probably familiar with terms like “microtransaction,” “core gamer,” “casual gamer” and “viral.” Maybe even “Freemium.” But buried in all the talk of Farms and Fish is a new lexicon that combines old school statistics with the latest in search engine analytics.

So, for those of you who are neither stat geeks nor analytics jockeys, here’s a crash course in basic terminology for social games metrics.

ARPU

A term carried over from Telecom companies, Average Revenue Per User (ARPU) is measured as total revenue divided by the number of subscribers. This includes revenue from subscriber fees, virtual goods, affiliate marketing and ad impressions. Because social games are so metrics-heavy, ARPU can be broken down by day, by country, by demographic, or by pretty much any other metric.

Churn

The turnover rate (or “attrition rate“) of a social game’s active players. The noise level in casual gaming is extremely high, which means social games have a user base that is constantly changing as gamers abandon the game or delete the Facebook app. Churn refers to this constant loss and gain of members.

Cohort

A common term in statistics, a cohort is “a group of subjects who have shared a particular experience during a particular time span.” In social gaming metrics, cohorts are used for analyzing retention. By organizing users in groups such as “everyone that visited on June 10th” and analyzing the percentage that revisit, you can pinpoint what promotions are having the greatest effect.

DAU

Daily Active Users (DAU) is just what it sounds like: the number of active users over the course of a single day.

DAU/MAU

The DAU/MAU ratio is one of the hot metrics in social games. Comparing Daily Active Users to Monthly Active Users shows roughly how many days per month your average user engages with your game. If you have 500,000 daily users and 1 million monthly users, the DAU/MAU is .5, translating to the average user logging in ~15 days per month. The DAU/MAU ratio is strongly correlated with social gaming success.

According to Lisa Marino from RockYou, the minimum threshold for DAU/MAU is .2. This is necessary for a game to hit critical mass virality and engagement.

Engagement

Facebook players typically have dozens of “active” games at a time. Engagement measures how long they spend playing your game. How many features do they access? Are they spending hours or seconds? How many pages does the average user view? What percentage are returning visitors?

Entry Event

An entry event is the first action a user performs when they enter the game. Online social games can track every action you perform, and the Entry Event Distribution is one of the more important metrics to follow. What do your users do first? Which entry events are the most effective at bringing people back?

For example, you might find that a majority of your users log in when they receive a gift, and the first thing they do is check that gift. By determining the more popular entry events, you can push more resources towards them, thus increasing retention, engagement and re-engagement.

Exit Event

The opposite of entry events. Exit events are the last actions a user performs before exiting the game. Tracking the Exit Event Distribution helps show why users are disengaging with the game.

K Factor

K Factor measures the virality of your product. K Factor = (Infection Rate) * (Conversion Rate). An Infection Rate is how much a given user exposes the game to other players, such as through status updates or email invites. A conversion rate, as marketers know, is when that “infection” results in a new sign up (or “install”.)

Put more simply, a K Factor of 1 means every member is bringing you one additional member. A high K Factor is treasured by social game publishers, because it becomes a very effective vehicle for bringing in new players.

Lifetime Network Value

The value a user provides to your network over the course of their entire “lifetime” on the network. For instance, is the user contributing to viral effects? Evangelizing the game? Contributing positively to ARPU? This is compared to the User Acquisition Cost, or how much it costs (via marketing and viral efforts) to bring in new members.

According to Facebook app analytics provider Kontagent, a (very basic) equation is 1/(1-k) * Monthly ARPU * User Lifetime.

MAU

Like DAU, Monthly Active Users (MAU) tracks the total number of users in a given month.

Re-Engagementyue

Gamers stop playing eventually. Re-engagement is how you get them back. It includes re-engaging gamers who have been signed off for an hour, a day, a month, or more. There’s a lot of competition out there, so implementing and tracking re-engagement practices is a must.

Retention

Think of it as the opposite of churn. Retention is how well you maintain your userbase.

Viral Rate/Virality

Viral growth is the name of the social media game. Measured by K Factor, the Viral Rate/Virality shows how much your users are promoting, evangelizing and spreading your game. Because of this, social games are increasingly built around cooperation, competition and the constant addition of new features, which increase virality. Every feature is a source for growth, whether it’s “liking,” Facebook notifications or tweets. Not often confused with “virility.”(Source:wavedash

游戏运营数据解析编辑本段回目录


最近在做一些社交SNS方面的数据分析工作,发现了一些与游戏运营相通的东西,社交游戏的某些指标和术语其实在大型的网游数据分析方面也可以使用。本质上他们代表的含义是一致的,只是在表现和分析的角度上不同而已。今天来说三个术语MAU,DAU,DAU/MAU。

本文综合了一些论坛博客的文章以及国外一些材料,不对或有歧义之处还请各位纠正和谅解。

MAU=Monthly Activited Users  月活跃用户

应用在SNS社交游戏和大型网络游戏中,其含义表示在自统计之日算起一个月内登录过游戏的玩家总量。

DAU=Daily Activited Users  日活跃用户

关于此数据,存在一定的争议,有的度量是把每日重复登录的用户也统计在内,但是这种情况下没有适当的代表游戏的真实数据水平。

另外一种度量方式是不计算重复登录的玩家,统计每日登录过游戏的玩家即可。

这两个目标可以衡量服务的衰退周期。

DAU/MAU

用户活跃度指数衡量用户的黏性,留存率,游戏收益情况,这在社交游戏中使用率非常高,可以认定为用户活跃度指数,也就是用户的活跃度如何,理论上可以接受的风险值是0.2,也就是说当值低于0.2时,游戏的整体服务进入一个衰退的阶段,只不过这个衰退的阶段依据游戏本身的寿命还有长短之分。

当比值接近1时,那么用户很活跃,流失率低,黏性强。

DAU/MAU怎么解释来解释原理?

我们假设MAU是不变的,如果DAU在增加,说明游戏对用户的口碑和黏性开始发生深度的交互作用,在每日登录游戏的用户规模越大,越逼近MAU的水平,那么就是说用户上线的天数和频率增加。如果DAU下降,那么用户开始对游戏失去兴趣。

“MAU和DAU分别从宏观和微观角度对服务的用户黏性进行了权衡,也可以这么说,MAU更像战略层面的表征,DAU更像战术层面的表征。”

示例:

如果一款游戏拥有50万DAU,100万MAU,那么比值是0.5,也就说玩家每月平均体验游戏时间为0.5*30=15天。说明游戏黏性比较强。

DAU/MAU的最低极限是0.2,这保证游戏能够达到临界规模的病毒式传播和用户粘性。

事实上,对于一款产品,如果在OBT的前三个月DAU和MAU都会保持稳定的增长,因为这个时期,用户处在初次安装以及大量的广告投入,而真正看游戏的品质和生命力应该从OBT之后的3个月算起。

也就是说能够指示我们游戏成功运营的标志之一就是DAU/MAU,如果在之后该值保持在20%以上,那么他拥有稳定的用户留存率,并持续获利。而这个值应该在OBT3个月后再来衡量,换句话如果只在初期获得高的值,而后迅速下跌,那么说明游戏本身对玩家吸引力不足,留存率不高。

游戏运营中的DAU预测模型编辑本段回目录

我们知道在所有的游戏运营数据中,最终要的两个数据莫过于DAU、ARPU了。
|-DAU代表每天有多少活跃用户。
|-ARPU代表平均每个活跃用户会花多少钱。
这两个数据指标共同构成了产品每天的收入。

今天重点讲一下关于DAU这个关键数据的预测,以及相关数据指标的制定:
在展开细节之前,我先说几个与DAU息息相关的数据指标。
1、新增用户:指每天新注册到游戏中的那一部分用户。
2、次日留存:指每天新注册用户中,有百分之多少的玩家在注册的第二天还会继续登陆游戏。
3、老用户流失率:指除次日留存流失掉的那一部分用户之外,还会额外产生的数据波动。

关于“老用户流失率”这个数据指标可能不太好理解,我这里举例说明。
假设1号DAU为10万,其中包括1万的新用户,再假设次日留存为30%,那么这1万用户第二天还会剩下3000。
如果2号的新增也为1万,那么理论上2号的DAU应该为10.3万。

但是因为有一些老用户的数据发生了变化。
情况1:如果在原有的9万(10万DAU-1万新增)用户基础上,又流失了1万。
那么2号的实际数据应该是10.3万-1万,即9.3万。

情况2:如果在原有的9万用户基础上,从历史流失用户中召回了1万。
那么2号的实际数据应该是10.3万+1万,即11.3万。

情况3:如果在原有的9万用户基础上,流失了5000,但是从历史流失用户中召回了1万。
那么2号的实际数据应该是10.3万+5000,即10.8万。

因此这个数据有可能是正值也可能是负值。
当为正值时,说明老用户流失>召回;
当为负值时,说明老用户召回>流失
不知道这么解释大家明白了么。

ok,下面开始展开DAU的数据预测。假设我们希望DAU每天以一个固定的比例(增长率)进行增长。
也就是说:
今日DAU = 昨日DAU * (1 + 增长率)
今日DAU = 昨日DAU + 昨日DAU * 增长率

因为:今日DAU = 昨日DAU – 昨日新增 * (1 – 次日留存) + 今日新增 – 老用户流失
=> 昨日DAU – 昨日新增 * (1 – 次日留存) + 今日新增 – 老用户流失 = 昨日DAU + 昨日DAU * 增长率
=> -昨日新增 * (1 – 次日留存) + 今日新增 – 老用户流失 = 昨日DAU * 增长率
=> -昨日新增 + 昨日新增 * 次日留存 + 今日新增 – 老用户流失 = 昨日DAU * 增长率

因为:今日老用户流失 = (昨日DAU – 昨日新增) * 老用户流失率
=> 今日新增 – 昨日新增 + 昨日新增 * 次日留存 – (昨日DAU – 昨日新增) * 老用户流失率 = 昨日DAU * 增长率
=> 今日新增 – 昨日新增 + 昨日新增 * 次日留存 – 昨日DAU * 老用户流失率 – 昨日新增 * 老用户流失率 = 昨日DAU * 增长率
=> 今日新增 – 昨日新增 * (1 – 次日留存 – 老用户流失率) = 昨日DAU * 增长率 + 昨日DAU * 老用户流失率
=> 今日新增 = 昨日DAU * (增长率 + 老用户流失率) + 昨日新增 * (1 – 次日留存 – 老用户流失率)

因此,我们可以测算。

当次日留存、老用户流失率明确时,新增的指标的测算公式:
今日新增 = 昨日DAU * (增长率 + 老用户流失率) + 昨日新增 * (1 – 次日留存 – 老用户流失率)

当新增、老用户流失率明确时,次日留存指标的测算公式:
次日留存 = (昨日DAU * 增长率 + 昨日DAU * 老用户流失率 – 新增 * 日老用户流失率) / 新增

当新增、老用户流失率、次日留存的指标都明确时,DAU的测算公式:
今日DAU = 昨日DAU – 新增 * (1 – 次日留存) + 新增 – (昨日DAU – 新增) * 老用户流失率

游戏运营的数据分析 编辑本段回目录

这几天一直在看如何展开数据分析文章,大家写的都不错,说实话,针对如何展开游戏运营数据分析的指导真的非常少,作为每个公司的核心机密是不会拿到台面上与大家分享的,一段时期我上网看了很多的材料,当显示不能满足需求的时候,就要靠我们自己来挖掘。以下是我的结合一些文章后自己总结的数据分析的方法。

————————————分割线—————————————————

数据分析工作可以从宏观数据和微观数据(细分数据)说起,这种方式也是我比较喜欢的,正如小强所言,宏观数据是对总体趋势的预测,以及对异常数据的敏感性把握。而微观数据分析的来源一方面就是从宏观数据的异动而产生的需求,二者是一种相互依托的关系。当然如果不是专业做DA工作,也许按照这种方式是没有什么问题的,因为毕竟工作时间和精力不允许有更多的研究工作。从我这个菜鸟DA来说,其实还有很多的工作要做,而采取的形式是另外一种形式,不过其内涵与之前的是一致的。

如下图,大概每个行业的数据分析体系都是这个模式:

网游的常规数据的把握和检测更多的是针对人气(总登,峰值,APA,注册,流失,在线时长),消费(ARPU,充值,消耗,渗透率)。

专题数据挖掘目前在网游数据分析领域应用比较小,即使有这方面的研究也属于公司的核心技术,这一部分的研究是对整个游戏玩家的游戏行为,购买行为,情感行为,游戏心理,游戏压力,游戏寿命,游戏体验,游戏交互,IB购买关联喜好,经济系统运营分析等等深入的专题研究,不是为了解决某个问题而解决,而是一项基于海量数据的定期专题式的研究分析,只有深刻了解了用户的需求才能做出和运营好符合玩家口味的产品。

用户调研其实在网游数据分析工作处在一个边缘的位置,很多玩家不清楚自己想要什么,所以某种程度上我们来做这种调研工作往往会得到错误的玩家信号,所以很少会用调研手段来分析玩家。

按照这个方式总结起来如下图:

这里的深度寻因是一种长期和固定的针对用户各种特征的寻因。

那么对于我们而言,要做有两块工作,常规数据分析,专题式的数据挖掘研究。常规数据分析除了在宏观把握数据的趋势和异动之外,还要在微观上,将异动的数据指标进行细分,从微观角度找出问题的所在解决问题。而专题的数据分析是我们主动的提出一些问题,进而去寻找数据并进行研究,并不是为了解决问题而解决。这看似不能最直接的解决问题,然而这些数据的解读,我们能够掌握

玩家想要什么(what);

为什么要(why);

从哪里可以得到(where);

什么时候我们做(when);

哪些玩家针对哪些运营策略(who);

我们应该给多少(how much);

以什么形式进行(how);

通过5W2H的方法,结合分析手段来解决这些问题。以下为根据网络总结的数据分析的一些注意点和方法。

常规数据分析的思路--从收益角度

但我们面临收益下降时,需要我们定位问题,从收益角度出发来解决问题。

常规数据分析的思路--从人气的角度

通过以上的数据解读和针对这些宏观数据的细分,我们可以完成一些异动数据的分析和紧急的需求。

而在做好这项工作的同时,我们也需要做好专题式的数据分析工作,提供运营人员更多的运营决策。

针对游戏数据挖掘的专项研究目前来说总结如下几点:

在专题的数据挖掘与分析模式,有以下的几种形式:

•用户生命周期模型

•流失因素函数及模型计算

•网络媒体效果分析

•游戏活动及系统风险评估

•游戏经济系统预警评估

 

针对专题式的数据挖掘,目前还在一个缓慢的研究过程,这一块确实

是比较困难,不同于传统零售,金融,电信行业。网游具有着独特性在具体的分析过程中,需要结合特点,合理应用理论和技术解决问题。


参考文献编辑本段回目录

http://www.mydull.com/?p=274
http://gamerboom.com/archives/27867
http://www.cnblogs.com/yuyang-DataAnalysis/archive/2011/12/06/2277469.html

→如果您认为本词条还有待完善,请 编辑词条

词条内容仅供参考,如果您需要解决具体问题
(尤其在法律、医学等领域),建议您咨询相关领域专业人士。
0

标签: 游戏运营数据解析 社交游戏分析学常见术语 游戏运营的数据分析

收藏到: Favorites  

同义词: DAU,MAU,社交游戏分析学常见术语,游戏运营的数据分析

关于本词条的评论 (共0条)发表评论>>

对词条发表评论

评论长度最大为200个字符。