观察 | 3个数据分析维度,带你提升游戏产品营收

本文转载自微信公众号数数科技 如有侵权请联系删除

“出海竞争激烈”在 2018 年就一直被不断提起,即使到 2020 年末,这样的市场情况依旧没有得到缓解。《原神》等产品的出现让市场步入了“精品为王”的时代,但即使背靠重磅 IP 或则高质量游戏产品,众多厂商还是不敢松懈地加大投放力度,用品效合一的买量形式争夺着为数不多的游戏用户。

高成本研发、大规模投放,让短中长线的各阶段“精细化营收数据分析”已经成为不可忽视的重要课题。项目组不仅需要在产品、运营上加大力度提升质与量,更需要在营收分析等多维数据分析上强化自身的能力。

我们邀请某一线运营工作者分享了他做收入下降的数据分析思路,我们以真实项目案例为模板,由表入里地捕捉营收变化背后的逻辑。数据已做模糊处理。

以下为分享正文:

01

如何定位营收问题?

营收的核心公式:

收入 = DAU * 付费率 * ARPPU

通过这个公式,我们可以进行进一步的演变

▍关注各渠道的收入

发生服务器收入增幅下滑时,我们定位问题的逻辑可以是:先看国家、再看渠道、系统,以及素材数据变化。

演变公式1:

收入 = 美国FB付费人数 * 付费率 * ARPPU + 美国GP付费人数 * 付费率 * ARRPU + 德国FB付费人数 * 付费率 * ARRPU + 德国GP付费人数 * 付费率 * ARRPU +......

核心关注 5 个维度:国家、渠道、系统、素材、广告策略

通过上图可以看出,6 服的收入增幅相比 3 服~ 5 服,有了较大幅度的下滑,我们可以从渠道角度切入分析问题,我们首先要确定游戏近期在版本方面没有大的调整以便控制变量。

然后,我们可以优先从运营维度去寻找问题,再从市场维度去寻找问题,我们按照以下方法,以 5 服为参照,与 6 服来进行对比分析。

第一步:先判断在贡献收入占比较高的国家

通过下表可以看出,因为美国、俄罗斯、德国在 5 服 & 6 服中的占比很高,是最有可能影响我们收入增幅下滑的核心地区。我们可以调取收入主要贡献者名单,然后再去细化分析。

第二步:分渠道看美国、俄罗斯、德国的收入变化

通过统计的数据可以得出一个初步结论:与 5 服对比,6 服收入增幅下滑主要是由三大国(俄罗斯、德国、美国)的 AEO 渠道的收入增幅下滑导致的。

接下来就可以在该层级里再深入去具体分析各渠道的新增和 LTV 增幅情况,以便判断后续调整策略。通过数分析得出,6 服美国 - AEO 人数与 5 服美国 - AEO 来量人数差异不大,但实际长线 LTV 增幅 6 服却比 5 服差很多。

因此后续市场导量的重心需要放在优化渠道质量上。渠道调优我们通常通过优化素材和优化投放策略两种方式进行。

第三步:优化投放素材

当在前面定位问题时发现,工作重点为优化渠道质量时。就需要我们和市场的同学进行充分,在固定时间段,固定地区,固定渠道的情况下,比较同一渠道素材的数据变化情况,通常情况下,我们取导入量最大的几支素材。

例如下表中,我们就可以发现,3 月导入量最大的素材(编号f-v34764),与4月导入量最大的素材(编号为f-v43992)相比,4 月的素材(编号为f-v43992)各项数据都有所下滑。

如果游戏内版本没有发生大的变化下,那可以初步说明我们需要尽快的优化 4 月这支素材了。因为被这支素材吸引进来的玩家,很可能不是我们的目标用户,这种情况常见于素材表现和游戏内核心玩法高度不匹配的游戏。

补充步骤:分系统分析

如果在分渠道看收入时,没有显著的相关性或者需要明确之后的导量策略,我们就需要再引入导量系统(iOS/Android)的因素,来综合进行判断;例如下表中,我们就可以更细分的分析。

美国 AEO 渠道的质量下滑的原因,主要是由安卓渠道的质量下滑导致的,后期如果想快速进行调整维持稳定,可以增加 iOS 系统导量,而渠道优化的重心则应该放到安卓系统。

▍关注各服务器收入

演变公式2:

收入 = 1服DAU * 1服付费率 * 1服ARPPU + 2服DAU * 2服付费率 * 2服ARPPU + 3服DAU * 3服付费率 * 3服ARPPU + ......

核心关注 2 个维度:

分服登录&充值数据

分服玩家消费&消耗结构变化规律

第一步:分服务器定位宏观数据波动

先确定几个服务器的同期留存情况波动是否太大,波动不大的情况下,再结合游戏内运营活动和消费结构,分析固定时间段内付费率和付费深度,定位原因。

若留存波动较大,则先从导量质量 & 联盟生态两个层面,对比分析。例如下面一组数据中,在两组服务器留存没有非常大波动的情况下,我们可以看到 3 月 30 日,13 服收入增长非常明显。

而与此同时,7 服的收入却出现了下降,并且 7 服的收入减少主要是由付费率的减少造成的,这个时候就需要我们按照前文的要求结合运营活动和消费结构,在下一步中分析问题。

第二步:分析服务器的消费结构变化和运营活动

我们可以在下表中发现,7 服在进入开服第 9 周后( 3 月 30 日所在周),对于英雄类礼包的需求大幅下降。

而 13 服则刚开服 5 周( 3 月 30 日所在周),对于英雄类礼包的需求明显还处于相对旺盛的阶段,结合 3 月 30 日当天的运营活动的核心投放主要是英雄类道具,我们可以初步定位 7 服收入下降的原因。

▍关注各价值阶段的收入

演变公式3:

收入 = DAU非R * 非R付费率 * 非R的ARPPU + DAU小R * 非R付费率 * 非R的ARPPU + DAU中R * 非R付费率 * 非R的ARPPU + DAU大R * 非R付费率 * 非R的ARPPU + DAU超R * 非R付费率 * 非R的ARPPU + ......

核心关注 2 个维度:

各层级R的历史同期付费额度

各层级R的历史同期 DAU 、付费深度、付费深度

第一步:分R层级定位宏观数据波动

先从宏观上定位,例如下表,我们首先能发现收 9 月 23 日- 9 月 29 日期间的收入发现了比较明显的上涨,结合玩家R层级,可以发现,主要是大R玩家和超R玩家的收入上涨明显;(本例中为收入上涨的情况,如果是收入下滑,首先分析 DAU 是否出现了大的波动,如果是 DAU 出现大的波动,优先从网络环境/技术环境等层面分析问题)。

第二步:分R层级定位是付费率or付费深度

进一步结合大 R 和超 R 的付费率和付费深度的增长幅度来看,又可以看出,大R部分主要是大 R 玩家的付费深度显著提升,而超R部分则是付费率&付费深度都有了非常明显的提升。

小结:收入下滑的数据分析,按照三个步骤开展

宏观数据:收入下滑→ dau →付费率→ ARPPU

核心判断

针对收入异常数据,即数据突增或者突减,先找准问题,在排除 bug 的前提下,可通过运营活动解决问题;

针对收入趋势数据,即数据变化平缓但已形成上涨或下降的趋势,则需要找准问题之后,后续通过版本进行优化;

细分数据

先结合近期改动做假设判断,看具体是渠道端、生命周期(服务器)、还是用户属性( R 层级)的问题导致的,只有足够细分,才能将核心问题呈现在面前;

主观判断

细分后的数据只是现象,但最终的原因不一定能从数据中获知,这就要求我们对自己运营的游戏 & 玩家有足够的了解,想清楚运营活动的目的,熟知目前玩家热议的内容,明白每个版本要解决的问题;

02

如何通过活动解决问题?

解决收入下滑的方式有很多,这里主要讲如何通过运营活动解决问题。那么应该怎么做运营活动呢?

▍活动包装

这个包装就相当于是活动的一张“皮”,好的包装可以让玩家对游戏世界观产生认同,融合节日素材的运营,甚至能让玩家有身临其中的节日氛围,但最重要的是缓解玩家对“现金换数值”这种冰冷交易的体验,因此再尴尬的包装都胜过没有包装;最简单的活动包装方法就是与各类节日挂钩,关注各个国家/民族/职业/宗教/组织的各类节日,往往能找到一个戳中某部分玩家感动的点;

▍活动玩法

活动玩法千千中,没有最好的活动玩法,只有最适合的活动玩法;在做运营活动时,核心想清楚四个点

针对哪些人

想要达成什么目的

投放什么东西

用什么方式投放

在活动中,我们可以把玩家属性分成以下 9 类,进行三三组合:

比如,近期我们想要针对【高活跃-低消耗-低付费】的玩家做一个运营活动;然后,运营活动的目的是想要让这部分玩家把他们背包里的加速道具都消耗掉,最好能有小额付费。

接下来,我们就先要去定位这部分人群的现阶段的核心追求,是在追求英雄?城建?兵种?以此设计投放。投放,直接决定了玩家是否会为此而小额付费,达成目的。

最后,我们就要从我们平时累计的运营活动库里去寻找,哪些活动能比较好的达成以上几点要求,那以例子来说,BattlePass 类活动玩法算是能达成效果的其中之一。

▍排期

根据产品所处的生命周期不同,运营活动排期计划,大致有两种方向;

在新手引导结束后的强引导作用,通过运营活动引导你在游戏的各个成长阶段,应该做什么,该活跃的时候活跃,该消耗的时候消耗,该付费的时候付费,否则你就跟不上整个服务器大部队的成长进度;

以节日为周期,提升付费额,这部分运营活动需要我们把握玩家的付费&活跃节奏,比如如果玩家有月底付费的习惯,那排行榜、拍卖行这一类拉ARPPU的活动,我们就尽量安排在这个时间段,如果玩家在周内有囤积加速的习惯,那周末就是加速消耗类活动的好时机;

03

如何检验活动效果?

在上一个部分中,我们提到了“能达成活动目的的活动,就是一个好活动”,那如何通过数据的形式,体现我们的活动是否达成了目的,以下说几个常用的检验方法;

▍对比法

同周期进行比较,或者与同类型活动进行比较叫对比法,下图主要将为期一周的“阵营战”活动与其他自然周进行比较。

▍结构法

如果我们的活动目的是为了提升大R玩家的付费。出了关注大R群里玩家的付费绝对值的提升幅度外,如下图所示,我们还需要判断大R玩家在整体的付费结构中占比是否也有明显提升,这种分析方法叫结构法;

▍分组法

我们在设计活动时,往往不止单一目标,通常通过数值设计,提供多档目标,让各层级玩家都能看得见、拿得着,因此在制定多档目标时,就要求我们需要思考各档位的投放以及对应层级.

如下图所示,活动后我们就可以针对我们之前的构思来去验证,每一档都是哪些层级的玩家达成了,各层级的玩家完成占比如何?

▍平均法

这是运营比较常用的一种比较方法,在分R层级的比较法中,比如上文中,分R阶层分析收入,我们通过计算近3周的各层级的付费额,来避免单周付费额过高或者过低,产生的误差;

▍方差法

通常用来比较两种类型活动,在平均值差异不大的情况下的持续稳定性,例如以月为单位的运营活动,想要观察不同生命周期的服务器的付费稳定性情况,就适合使用这种方法

▍矩阵法

这种方法通常适用于多目标多需求的情况,以前文提到的分组法为例,我们除了可将玩家按照R层级分为小R、中R、大R、超R外,我们还可以按照玩家的活跃程度来进行分类,互相组合便可形成新的举证,诸如小R-高活跃,大R-中活跃,矩阵组合之后,即可针对我们的活动目的进行复合验证;

▍小尾巴

最后,让我们再来回顾一下本文的整个流程;

首先我们需要通过宏观数据的变化,大致找到问题,然后结合近期的运营调整细化问题,细化问题之后结合主观判断准确定位问题;

定位问题之后,本文分享了如何通过活动的方法,去解决问题,其中又重点讲了活动包装、活动玩法、活动排期;

活动之后,千万不能忘记分析活动效果,这往往比活动本身更重要,是每个运营同学经验的积累,本文又分享了对比法、结构法等几个分析活动的方法,验证活动效果;

Sam

Sam

偶尔出现的拖稿王

评论已关闭!

相关资讯