第一章 了解游戏数据数据分析
简述性内容，略
第二章 认识游戏数据指标
2.1 数据运营
运营，可以理解为运筹和经营。
2.2 数据收集
2.2.1 游戏运营数据
从游戏的角度，运营数据分解为三种：
- 基础统计：解决用户从哪里来、活跃度、收入等情况，是对于宏观质量和运营情况的描述。这是最基础的统计分析维度，也是最耗费时间和经理的。
- 行为方式：针对目标用户群，对其行为方式进行分析，提高留存和收益。
- 用户价值：重点是高价值用户群。
2.2.2 游戏反馈数据
游戏反馈数据，分为数值和需求两类反馈数据。
2.2.3 收集方式
- 客户端：在客户端中植入SDK，将收集到的数据自动上传到服务器。优点在于：省去系统开发时间，对于复杂的分析（用户分群、营销推送、多维数据钻取分析等），较为轻松的完成。
- 服务端：多数通过游戏日志或数据库来完成。缺点：这种数据收集方式对于移动游戏来说是残缺不全的，因为移动游戏的大量行为是在客户端触发的。服务端的数据收集和分析要求团队对游戏数据有明确的需求和规划能力，且通过服务端建立的数据分析系统并不具备复用能力，因为每一款游戏有独立的服务器端，并且数据表结构不同，在游戏数量增加后，随着每款游戏的不同服务器端有更多数据表结构出现，很难完成对每一款游戏的分析系统的建设。
2.3 方法论
2.3.1 AARRR模型
AARRR模型是由acquisition、activation、retention、revenue、refer几个单词缩写构成，分别对应生命周期的5个重要过程，即从获取用户，到提升活跃度，提升留存率，并获取收入，直至最后形成病毒式传播。
AARRR模型指出了移动游戏运营两个核心点：
- 以用户为中心，以完整的用户生命周期为线索。
- 把控产品整体的成本/收入关系，用户生命周期价值（LTV）远大于用户获取成本（CAC）就意味着产品运营的成功。
1. 获取用户
这是运营的第一部。需要关注用户的数量，此外，用户的质量也尤为重要。AARRR模型指出了一条精细化运营的定律，就是LTV（用户生命周期价值）>>CAC。也就是说，在投入成本获取用户后需要着重关注和提升用户在整个生命周期中所创造的实际收入价值，从而保证获得最大的ROI。
用户推广渠道：移动端推广渠道图谱
互联网广告常用术语：移动互联网运营推广专业名词大全
2.提高活跃度
新增用户经过沉淀转化为活跃用户。
如果很多用户是通过终端预置、广告等不同渠道进入产品，有很高的活跃度，但也不能说明活跃度真的很高，应该结合 其他指标深入分析。如果这些用户是被动的进入游戏，如何把他们转化为活跃用户，是运营面临的第一个问题。
差的渠道，会带来大量的一次性用户。绝大部分一次性用户，都是无效的，不能创造任何价值。好的推广渠道往往有针对性地圈定目标人群，他们带来的用户和产品有很大的吻合度，容易转为活跃度用户。
3.提高留存率
需要利用留存率，又分为日、周、月留存率。
4.获取收入
获取收入是运营最核心的内容。来源主要有3种：付费应用、应用内付费及广告。
5.自传播
需要产品自身足够好，有很好的口碑。
6.三个问题
AARRR解决3个问题，为：
- 靠谱的市场营销。用户从何而来？
- 靠谱的产品质量。留下来没有？是否喜欢产品？
- 靠谱的商业模式。用户带来什么价值？如何扩撒价值？
7.全局作用
2.3.2 PRAPA模型
PRAPA模型体系，围绕在投入和回报层面。PRAPA的含义：
- P-promotion：用户推广
- R-register：注册用户
- A-active：活跃用户
- P-pay：付费用户
- A-arpu：平均每用户收入
其转化关系：
- P-R：用户数量表现，新登录用户转化成本。
- R-A：用户质量表现，留存率。
- P：用户收入表现，付费转化率。
- P-A：用户价值挖掘，收益转化能力。
2.4 数据指标
2.4.1 用户获取
（1）日新登用户数（DNU）
定义：每日注册并登录游戏的用户数。
解决问题：
- 渠道贡献的用户份额。
- 宏观走势，确定投放策略。
- 是否存在大量垃圾用户。
- 注册转化率分析。
（2）日一次会话用户数（DOSU）
定义：一次会话用户，即新登录用户中只有一次会话，其会话时长低于规定阈值。
解决问题：
- 推广渠道的质量评估。
- 用户导入是否存在障碍点，如网络状况、加载时间、客户端崩溃等问题。
- 游戏引导设计分析点之一。
2.4.2 用户活跃
（1）日活跃用户数（DAU）
定义：每日登录过游戏的用户数。
解决问题：
- 核心用户规模。
- 产品生命周期分析。
- 产品活跃用户流失，分解活跃用户。
- 用户活跃率，活跃用户计用户量。
（2）周活跃用户数（WAU）
定义：最近7日（含当日）登录过游戏的用户数，一般按照自然周计算。
解决问题：
- 周期性用户规模。
- 周期性变化趋势，主要是推广期和非推广期的比较。
（3）月活跃用户数（MAU）
定义：最近一个月即30日（含当日）登录过游戏的用户数，一般按照自然月计算。
解决问题：
- 游戏用户规模稳定性。
- 推广效果评估。
- 总体游戏用户规模变化。
（4）日参与次数（DEC）
定义：用户对游戏的一次使用算作一次参与，日参与次数就是用户每日对游戏的参与总次数。
解决问题：
- 参与频率分析，尤其是在上线、版本更新和运营活动等期间，监控该数据，了解用户对产品的反馈，发现异常情况
- 衡量用户黏性，针对不同用户群分析（活跃、新增、付费）。
（5）日均使用时长（DAOT）
定义：每日总计在线时长/日活跃用户数。
解决问题：
- 分析产品的质量问题。
- 观察不同时间维度的平均使用时长，了解不同用户群的习惯。
- 渠道质量衡量标准之一。
- 留存即流失分析的依据。
（6）DAU/MAU
DAU/MAU理论不低于0.2，0.2×30=6天，即用户每月至少有6天登录游戏，此固定比例也是衡量用户规模的参考。
解决问题：
- 游戏人气变化的风向标。
- 用户活跃天数的评估。
2.4.3 用户留存
留存率的定义：
某段时间的新增用户数，记为A，经过一段时间后，仍然使用的用户占新增用户A的比例即为留存率
（1）留存率分为：次日留存率、三日留存率、七日留存率：
解决问题：
- 产品质量评估
- 用户质量评估
- 用户规模评估
- 流失
（2）流失率：日流失率、周流失率、月流失率
解决问题：
- 活跃用户生命周期分析。
- 渠道的变化情况。
- 拉动收入的运营手段，版本更新对于用户的流失影响评估。
- 什么时期的流失率较高。
- 行业比较和产品中期评估。
2.4.4 游戏收入
（1）付费率（PR,PUR）
定义：付费用户数占活跃用户的比例。
解决问题：
- 游戏产品的收益转化能力标准。
- 用户付费关键点和转化周期。
- 付费转化效果评估。
（2）活跃付费用户数（APA）
定义：在统计时间区间内，成功付费的用户数。一般按照月计，在国际市场也称作MPU（Monthly Paying Users）。
活跃付费用户数的计算公式：APA＝MAU×MPR
解决问题：
- 产品的付费用户规模。
- APA的构成情况，鲸鱼用户、海豚用户、小鱼用户的比例以及收益能力。
- 付费群体的价值即整体稳定性分析
（3）平均每用户收入（ARPU）
定义：在统计时间内，活跃用户对游戏产生的平均收入。一般以月计。
平均每个用户收入的计算公式：ARPU＝Revenue/Plyers、Monthly ARPU＝Revenue/MAU
即游戏的总收入除以游戏总活跃用户数，一般按照月计。在手游市场一般按照日计，计算公式：Daily ARPU（DARPU）＝Daily Revenue/DAU
ARPU用于产品定位初期的不同规模下的收入估计，也是LTV的重要参考依据。
解决问题：
- 不同渠道用户质量的判断。
- 产品收益贡献分析。
- 活跃用户人均收入与投放成本的关系。
（4）平均每付费用户收入（ARPPU）
定义：在统计时间内，付费用户对游戏产生的平均收入。一般以月计。
平均每付费用户收入的计算公式:ARPPU＝Revenue/Payment User、Monthly ARPPU＝Revenue/APA
即游戏的总收入除以游戏总付费用户数，一般以月计。在手游市场一般按日计算公式：Daily ARPPU（DARPPU）＝Daily Revenue/Daily APA
ARPPU容易受到鲸鱼用户和小鱼用户的影响，分析时需谨慎。
解决问题：
- 付费用户的付费能力和梯度变化。
- 付费用户的整体付费趋势和不同付费阶层差异。
- 对鲸鱼用户的价值挖掘。
（5）生命周期价值（LTV）
定义：用户在生命周期内为该游戏创造的收入总和。可以看成是一个长期累积的ARPU。
对每个用户的平均LTV计算：LTV＝ARPU×LT（按月或天计算平均生命周期）
其中，LT为Life Time（生命周期），即一个用户从第一次参与游戏，到最后一次参与游戏之间的时间，一般计算平均值，LT以月计，就是玩家留存在游戏中的平均月的数量。
在实际中我们采取以下的LTV计算方法：
跟踪某日或者某周的新增用户，计算该批用户在随后的7日、14日、30日的累积收入贡献，然后除以该批新增用户数，即累积收入/新增用户＝累积ARPU（LTV）。此种方式可计算该批新增用户在不同生命周期阶段的粗略生命周期价值，此时我们可根据不同阶段的LTV绘制曲线，了解LTV变化发展情况。
解决问题：
- 用户收益贡献周期。
- 用户群与渠道的利润贡献，LTV与CPA的衡量。
- LTV不区分付费与非付费用户，看待整体的价值。
2.4.5 自传播
K因子的计算公式如下：
K＝（每个用户向他的朋友们发出的邀请的数量）×（接收到邀请的人转化为新用户的转化率）。
假设平均每个用户会向20个朋友发出邀请，而平均的转化率为10%，则K＝20×10%＝2。
- 当K＞1时，用户群就会像滚雪球一样增大。
- 当K＜1时，用户群到某个规模时就会停止通过自传播增长。