从数据监测角度看如何合理定义游戏运营KPI.pdfVIP

从数据监测角度看如何合理定义游戏运营KPI 如何更有效的利用数据，是目前大家比较困惑的地方。比如，某游戏开发商特别重视用户留存，花了 大量的人力物力来优化留存，虽说用户留存方面确实做的很棒，但忽视了其他方面的优化，整体收入并不 高。他的疑问就是：为什么我如此努力的优化游戏体验、新手引导，用户留存很高，但还是赚不到钱？这 说明数据化运营需要更理性的制定目标，需要更全面的规划，需要对产品数据有更深入的理解。 数字困境（from gdcchina ） 目前，从我们的平台观测来看，游戏厂商热衷的游戏类型正在发生转变。从4 月到8 月的新增游戏来看， 越来越多的游戏厂商把产品研发重点从休闲类游戏转移到更易产生付费的传统游戏上来，比如角色扮演类、 策略类。一方面，这类游戏模式已经在其他平台被证明了无数次，它们更易被玩家接受，更容易让玩家保 持在线市场；另一方面，休闲类游戏虽然用户基数很大，但并不容易产生付费点，即便有较好的用户留存 也不易产生付费转化。 游戏类型（from gdcchina ） 未来传统游戏类型在移动平台上会逐渐成为主流。 用户留存 （from gdcchina ） 从不同游戏的用户留存来看，桌面游戏的用户留存更好一些。这类游戏包括包括诸如三国杀、德州扑克等 传统卡牌游戏，这类游戏的特点是游戏方法虽然简单，但不同回合之间却可以产生不同的变化，虽然玩法 单一，但变化无穷，用户留存方面相对来说就有较好的表现。相对来说，其他类型的游戏在留存方面就不 太容易做的很高。比如动作类、休闲类，此类游戏以消费游戏设计好的内容为主，如果不能引起用户兴趣， 那么就会造成用户流失；而新近崛起的策略类游戏，因为新作比较多，作品质量也可以说是良莠不齐，因 此整体留存偏低，相信未来会有更好的表现。 游戏生命周期分布（from gdcchina ） 不同游戏的用户生命周期分布是另外一个比较有趣的话，这组数据从另一个侧面印证了游戏类型与用户留 存之间的关系。这张图表表现的是不同用户玩游戏总时长的分布情况，我们看到桌面游戏超过1 年的用户 数量很多，而动作游戏的用户生命周期基本保持再90 天左右，这说明当用户打穿了游戏以后，就很难在继 续留在游戏里。用户的生命周期与游戏的收费转化设置有关，不同的游戏类型需要根据自身特点来设置收 费转化点。比如动作游戏，就应该在留住用户以后，确保游戏平衡性的前提下，尽早设置收费点；而桌面 游戏则可以考虑细水长流的收费方式。 硬核玩家（from gdcchina ） 除了标准的数据报告外，我们内部的数据挖掘小组也会做一些其他方面的研究，我们目前为合作伙伴提供 的基于用户兴趣聚类划分的智能推荐算法，就是我们的数据挖掘小组的研究成果。这组数据是用于精确描 述用户属性的，这四类玩家可以称之为硬核玩家，因为从数据表现上来看，这四类玩家的兴趣非常集中， 虽然他们也会下载其他游戏，但大部分时间都放在了自己喜爱的游戏上，其他类型虽有接触，但基本只占 10%左右，并不是主力。此类玩家兴趣专一，需要特别关注，他们更易产生付费行为。 KPI （from gdcchina ） 那么，看了这么多的数据，我们该如何定义我们的KPI 呢？实际上，我们刚才看到的这些数据，没有任何 一项指标能够通过简单的下载量、注册数分析出来的，而这些精实的指标是真正和用户行为、收入转化相 关的东西。这就是我们想要表达的——抛弃浮华指标。什么是浮华指标？那些只能上升，不会降低的指标； 那些不会改变的指标；那些缺少行业Benchmark 的指标，对我们的运营实际并没有太大意义，除了让我们 产生诸如“产品做的不错啊下载量这么大”、“玩家很热情啊，DAU 这么高”这样的错觉外，对实际运营并没 有任何帮助。 真正能够成为KPI 的数据指标一定是对商业目标有帮助的，或者对游戏的运营游指导作用的、能够用行业 Benchmark 做比较的。这样的数据指标作为KPI 才对我们的实际运营有帮助。 CAC VS LTV （from gdcchina ） 我们一直强调，移动游戏运营的核心目标是用户生命周期价值远远大于单用户获取成本。因为这样我们才 能赚钱。CAC 和LTV 可以说是移动游戏运营最重要的两个指标。去年Zynga 上市之前，曾有报告披露说 Zynga 当季的付费用户数量是40 万，而付费用户平均在游戏中的生命周期是10 个月，平均每个月的 ARPPU 是15，也就是说每个玩家对Zynga 的贡献是150 美金左右，而Zynga 当时的单用户获取成本在 300 美金左右。我们在做游戏的时候实际上面临的是同样的问题，只有当LTV 大于CAC 时，才谈得上是 盈