日前，国内领先的移动大数据平台TalkingData，正式对外发布了旗下移动游戏分析运营产品Game Analytics的全新升级，正式提供对HTML5游戏的支持。如果问起当下游戏业内什么话题最“火”，那无疑是今年备受关注的HTML5游戏热潮。H5游戏凭借较低的研发成本，超强的病毒传播能力，和“0成本”的用户接受度，自去年起开始蹿红。但劣势同H5游戏的优点一样鲜明，各种优势特性同样是一把双刃剑。

研发低成本相对较低，同样造成了高竞争、同质化。要么追求高效果，但游戏运行速度不流畅；要么放弃效果，却难以与手游竞争体验。而且由于研发成本比较低，“换皮”抄袭等现象更是在国内移动游戏行业防不胜防之事。从易传播的角度来看，虽然HTML5游戏的传播性极高，但大范围的传播同样带来了高流失。在业内小圈子里，“昙花一现”已经成了常态。而更重要的是，目前HTML5游戏的推广基本完全依赖社交网络，这等于是把“用户获取”这个AARRR模型中最重要部分的生杀大权放到了别人的手里。易于传播背后，是过度营销后留下的不那么乐观的收益。而对于游戏玩家而言，虽然没有下载HTML5游戏的苦恼，却也经常因为忘记入口所在，变成被动流失用户。如何让玩家留住入口，也成了每家厂商、平台大伤脑筋的事。

这些，都是HTML5游戏固有的特性。基于这些特性，游戏开发厂商的选择也逐渐聚集到了3类产品之上——营销方向小游戏、基于HTML5重度网游、多端产品（横跨App、HTML5，甚至是传统PC端游）。营销方向小游戏的目的十分明确——为其营销内容吸引用户；而HTML5的重度网游则比较接近我们熟悉的页游；至于多端产品，则是充分利用各自特性，将HTML5定位为一种拉量渠道，作为轻简版推出。

对厂商来说，找准自己的定位才是关键所在，无论是将HTML5定位于营销，还是深入挖掘HTML5游戏潜力，把游戏做成赚钱的产品都是不错的选择。如果用在营销方向上，营销用途需要确切了解流量来源、作弊防伪、追踪转化；扎根重游戏则需要更多产品数据来进一步优化内容和付费点设计。

营销用途HTML5游戏来说，用户渠道来源的追踪、微信等社交网络效果、防刷量用户过滤分析，保持稳定的HTML5用户ID以及用户行为转化分析，是需要重点考量的东西；而对于创收型HTML5游戏而言，则需要更多关注注册转化分析、留存和生命价值分析、用户等级发展分析、充值数据和场景分析、道具消费分析等内容，进一步调整游戏内容，拉动玩家付费；对于多端产品来说，跨HTML5、Web、客户端的用户来源追踪、跨屏账户打通、跨屏追踪分析就成了关注的重点。

作为国内最早推出移动游戏运营分析系统的数据平台，TalkingData在移动游戏领域取得成绩有目共睹。此次对HTML5游戏的支持，用户的HTML5游戏可以使用Game Analytics的全部功能。对此，TalkingData产品副总裁闫辉表示：“HTML5游戏并不能简单地作为“网页”或是“网页游戏”来对待，实际上它是很特殊的一类产品，它有更接近原生App的体验，因此在运营方面，应该按照“游戏”来对待，而不是简单的把它当作一个“页面”来处理。我们希望借助TalkingData Game Analytics，帮助更多的HTML5游戏开发者更好的理解用户需求、更好的调整产品、设计游戏。”

顺应潮流发展，在新的战场中决胜，需要更专业的团队来提供数据支撑服务，TalkingData用认真的态度和专业产品来解决HTML5的数据问题，HTML5游戏分析现已正式上线。扫清挠头问题，助力开发者专注做好游戏。

关于TalkingData

TalkingData管理团队来自于Oracle、IBM、Microsoft、腾讯、百度、360等企业，不仅拥有丰富的研发管理以及产品商业化经验，更是有机的融合了互联网的“开放精神”和传统IT的“严谨服务”这两种文化。

伴随着近4年的移动互联网的高速发展，TalkingData逐步打造了由开发者服务平台、数据服务平台、数据商业化平台为中心形成数据生态体系，覆盖超过13亿独立智能设备（包括：智能手机、平板电脑、智能电视、可穿戴设备…），服务超过8万款移动应用，以及6万多应用开发者。

官网链接：

https://www.talkingdata.com/product-game.jsp?languagetype=zh_cn#environment

    棋牌游戏如何分析及优化留存、付费等关键指标?

运营同学在观察数据的时候，在种类繁多的游戏运营数据指标中，留存和付费相关的指标一定是重中之重。在RPG游戏中，运营同学所负责的游戏如果留存没有达到令人满意的水平，就产品而言分析其原因时，通常需要以游戏角色的等级成长为线索，确定副本或关卡中容易导致玩家退出游戏的节点。而对于棋牌游戏而言，等级概念比较淡化，新手引导流程短，很少有主线任务存在。棋牌游戏在此类问题的分析中，有不同的思路和方法：

　　(1)Loading环节的体验是影响留存的关键：

不同于其他游戏，棋牌游戏并没有IP等因素让玩家能够一定程度上接受稍长时间的Loading，棋牌游戏要想在前期抓住更多的用户，就必须让玩家顺利的通过Loading界面，进入游戏主场景，并在Loading时尽量向玩家传达最为关键的信息，让玩家快速了解游戏。

　　(2)合理的UI和交互可以让玩家赏心悦目：

棋牌游戏，较其他游戏而言玩法较为单一，玩家往往在进入游戏之前对游戏的玩法就已经烂熟于心，优秀的UI和交互可以帮助玩家更加便捷的进行游戏，打牌时的交互便捷与否也影响着玩家的去留，合理的配牌机制也能让玩家保持比较合理的胜率，玩家在游戏初期能够获得优秀的游戏体验是玩家留在游戏中的先决条件。

　　(3)破产率和破产补助：

棋牌游戏的核心玩法就是玩牌，既然玩牌就一定有输赢，在PVP对战时，这种输赢的差距表现的更加明显。一个新手玩家，新进入一款游戏时，最需要的是荣誉感的支撑，连续的输局和破产会给玩家带来强烈的挫败感，导致玩家离开游戏。

　(4)利用玩家的消费冲动，配合付费引导，做好付费环节的体验以提升付费率：

玩家在需要付费的时候往往伴随有强烈的付费冲动，在玩家最需要付费的时候对其付费行为加以引导，并使自己的付费环节足够便捷，增加有付费属性玩家的付费可能性。

　　虚拟币系统是棋牌游戏的命脉：

棋牌游戏的虚拟币系统，关系到整个游戏产品运营的方方面面，棋牌游戏往往面对不同的用户群体，需要有不同的数值体系。面向大R玩家而言，对于单场游戏输赢的额度大小要求比较高，追求玩牌时加倍的刺激，我们需要针对这批玩家推出高倍的场次和大额的充值奖励，满足大R玩家的需求。面向一般免费玩家以及小额付费玩家，应赠送满足日常玩牌的需要，与此同时尽量的将免费玩家转换成小额付费玩家，结合累计充值奖励增加玩家对游戏的粘性，将小额付费玩家尽可能的转换为中度付费玩家，例如：通过低额度的首充奖励在免费玩家破产时加以引导，给小额付费玩家推送累计充值奖励的信息。这些都是借鉴了游戏精细化运营的思想。

　　棋牌游戏需要精细化运营：

精细化运营的概念在中重度游戏中早早被提及，对于棋牌游戏而言，市场上似乎少了一些精细化运营的声音。这次课堂上，嘉宾们在陈述自己观点的过程中，处处透露着对精细化运营的肯定，不同的用户群体有着不同的需求，针对不同的用户群体对棋牌游戏进行精细化运营效果更佳。而棋牌游戏的天然设定，能够帮助我们更加自然的对用户进行分类，除了分为付费玩家和免费玩家外，还可以根据在不同场次的活跃程度，对用户群体进行区分，深度挖掘出经常处于不同场次的玩家的深度需求。

如今的手游市场已经步入精细化运营时代，棋牌游戏的精细化运营也是必然趋势，精细化运营的先决条件是要做出更精细化的数据。如何通过精细化的数据真正的实现棋牌游戏的精细化运营，是所有棋牌游戏从业者所要共同思考的问题。路漫漫其修远兮，棋牌游戏的运营之道还需要我们来共同探索和发现。

文章转自：GRG游戏研究组

粘性：

访问次数/DAU

这个参数是指一般日活跃用户（DAU）对你的游戏平均访问次数。访问次数/DAU的一个健康值一般为3左右，但这要取决于你的应用类型。像RPG这类拥有更长访问时间的游戏，访问次数/DAU的数值就会相对较小，而无尽奔跑以及更短访问时间的游戏的这一数值则很容易超过4或5。

DAU/MAU

DAU/MAU（月活跃用户）比值可以反映游戏的粘性有多强。过去一个月有多少访问游戏的用户，现在仍然每天都会登录游戏？游戏的DAU/MAU若表现良好，其比值一般会在较长时间超过0.2。但要注意一种情况，如果开展了获取用户的营销活动，这一比值可能还会更高。

app-monetization-process(from w3i.com)

留存率：

在移动领域，目前有两种衡量用户留存情况的方法。要考虑以下情况，用户下载游戏的那天只能算第0天。如果用户在第1天这天开始访问游戏，那才能算是留存用户。如果他们没有访问游戏，那就不算留存用户。要每天计算在同一个日期下载游戏的用户群体。

按照这样计算，表现良好的留存数据如下：

第1天:35-40%

第3天:20-25%

第7天:15%

第30天:5%

但根据游戏类型的不同，这其中当然也会有一些变量。通常无尽奔跑或基于关卡的游戏留存率都会低于RPG或PvP游戏。

第二种衡量留存率的方法，就是回到之前的例子。用户在第1天访问游戏，因此可以算作留存用户。之后他们在第2至第5天都没玩游戏。在第6天又重访游戏。有些著名的分析服务供应商会将这类玩家也视为留存用户。这种留存标准将用户视为7天留存用户。

要注意在这种情况下，这些用户并非第2至第5天的DAU，因为他们在此期间并未访问游戏，所以他们并不具备盈利性，而盈利性则正是免费增值游戏设计中最重要的考虑因素之一。

因为统计的数量更多，所以这种留存率所涵盖的范围更广。根据这种情况，健康的用户终身留存率应该如下：

第1天：60-65%

第3天：50-55%

第7天：40-45%

第30天：20%

这两种计算留存率的方法难分优势，你可以根据自己所需的留存率类型来选择。

盈利性：

ARPDAU

每名日活跃用户的平均收益（ARPDAU）是移动领域中最普遍的盈利参数之一。这一参数有助于开发者了解自己游戏的日常表现情况。对多数游戏来说，0.05美元已经算是一个较为可观的ARPDAU，但如果DAU数量下滑，

有些游戏的日常收益也可能跌出这一范围。而拥有出色盈利性的游戏ARPDAU一般介于0.15至0.25美元。

ARPU

每用户平均收益（ARPU）反映的是游戏通过每名下载用户所创造的收益。ARPDAU衡量的是日常收益数据，而ARPU则衡量平均每名用户的盈利情况。ARPU和终身价值（LTV）的主要区别在于，ARPU无法预测新用户未来的盈利性。达到特定水准的ARPU并不能保证游戏一定能够顺利创收，因为这还与用户获得成本有关联。

eCPI

有效安装成本(eCPI)是指所有用户获取成本除以获取用户数量。采用明智的用户获取策略有助于降低这一成本。如果你的eCPI低于ARPU值，那么游戏就有望实现良好的盈利性，但在最初阶段不太可能实现这一点。

LTV

终身价值（LTV）是一个类似于ARPU的参数。LTV考虑的是用户下载应用之后所执行的操作，并预测这些用户未来的消费趋势。有许多方法可以预测用户行为如何随时间发展而变化。最基础的方法可能是一种线性预测，而最复杂的方法可能是具有预测性的分析计算。

转化率

转化率是执行IAP（应用内置交易）的用户比例。在多数游戏中，1-2%用户会花钱购买虚拟货币。对于发展良好的游戏，其转化率约3-6%左右。极少游戏能够达到10%或者超过这一数值的转化率，一般情况下这些游戏瞄准的是细分市场而非大众用户。

ARPPU

每付费用户平均收益（ARPPU）是所有付费用户的平均消费值。但即便是在盈利良好的游戏中，这一数值也呈现较大差异。从W3i的经验来看，多数游戏的ARPPU值介于5至20美元之间，当然也有些游戏的这一数值低于5美元，还有些游戏却超过了100美元。同转化率一样，拥有较高ARPPU数值的游戏一般也并非吸引大众用户的作品。

via：游戏邦/gamerboom.com编译

确切地说，用户生成内容并非一个新理念，但它仍然属于复杂概念，并且围绕这一理念而运营游戏仍存在极大难度。

尽管《小小大星球》、《Minecraft》、《特技摩托：进化》和《军团要塞2》这些支持用户原创内容的作品皆获得成功，但能够真正有效地挖掘社区人才，且令其心甘情愿掏钱的游戏公司依然相对较少。

玩家社区不断显露出其卓越的创作才能，他们通过Steam Workshop这类服务及其他创造工具制作的游戏内容已不容小觑。

skyrim-steam-workshop(from gamerant.com)

快速且可观的收益

Sony Online Entertainment首席执行官John Smedley决定大胆采用用户生成的游戏内容，他们利用这一举措解决MMO游戏内容制作周期及玩家留存率方面的问题，同时，他们也在此过程中获得了一些收益。

Smedley透露：“我们只需通过语言指出：‘这就是制作内容的方法。动手开始吧’。接着，用户会提交一些堪比专业电子游戏开发者之手的内容。但也有不少用户制作内容根本不能用，不过这一切都在向积极方向发展。”

就在几个月前，SOE宣布推出Player Studio，它是从Valve的Steamworks及《军团要塞2》这两个成功案例中获得灵感而出炉的产物，它允许玩家在此制作虚拟道具，在电子商店出售，并与SOE分享其中的抽成（游戏邦注：Valve曾表示公司已向社区内容制作者支付了200万美元）。

Smedley表示：“这将是我们全新的商业运作模式。Steam已经为我们展示了它的成功。Valve推出Steam Workshop实属一个明智的举措。”

当我们询问Player Studio是否会给公司带来效益，或者对SOE的收益产生更大影响时。Smedley回复道：“我认为，这种影响是快速的、重大的，同时也将改变我们的收入来源。”Smedley表示，该项目将首先入驻美国市场。

然而，对于打算与玩家分享收益的公司而言，这将是项复杂工作。显然，只有少数公司有过类似经验。当你向社区支付费用时，你必须考虑到不同国家的税收政策，还需要保证玩家的敏感信息不被泄露，比如社交账号等。

Smedley解释道：“这并非轻而易举的工作。这需要考虑真实的基础设施这些你原来没有想到的东西。”

然而，用户生成内容并不仅针对SOE旗下的PC端MMO游戏量身打造。该公司决定利用智能手机与平板电脑的网络及触屏界面功能，将用户生成内容延伸至移动领域，但该做法的前景仍有些渺茫。

延伸到移动领域

Caryl Shaw或多或少地了解电子游戏中的用户生成内容。她曾参与开发EA以用户生成内容为主的《模拟人生2》，以及将玩家创作内容发挥到极致的《Spore》。

现在她是为开发商Kixeye游戏《Backyard Monsters》的独立顾问，并仍在不断思考如何在游戏社区内部鼓励玩家创作内容并相互分享。

她表示：“我认为，移动游戏领域将为用户生成内容提供更多的支持空间。但我还不确定该平台的实现方式，因为同PC相比，这是个完全不同的开发环境。”

同时，Shaw还参与制作Ngmoco游戏《WeRule》，该游戏允许玩家以自己的独特方式建造城市。Shaw被玩家打造自己城镇的方法深深吸引，但该游戏并非真正意义上的玩家生成内容体验，而更像内容分享。Shaw打算从更深层次探索内容创作与分享，她认为，由玩家制作内容的游戏前景十分可观。

她指出：“用户制作的游戏将会吸引某一类玩家，而且玩家将会沉浸在这些游戏体验中。我并不认为移动游戏将与《模拟人生》一样具有大型广阔的市场，并且能够吸引大量用户投入其中。因为有些玩家是为了制作游戏内容而体验《模拟人生》，有些则是单纯为了体验模拟游戏。”

“也许，未来将有一款移动游戏囊括这两方面元素，届时你将获得自己喜爱的用户生成内容、内容分享以及社区感受。”

Shaw解释道，“用户生成”一词主要涉及内容创作，但该概念也同时类似分享功能。

她表示：“实际上，我认为《Draw Something》是一款用户生成与内容分享的有趣游戏。其开发商Omgpop确实在游戏中加入了一些分享元素，比如，用户可以十分方便地把图画上传到Facebook上。虽然我对游戏中的某些方面存在困惑，但它确已出色地呈现这些部分，而且它极具趣味性……”

忠实度

对SuperData Research首席执行官Joost Van Dreunen来说，用户生成内容不单单是在线游戏开发者源源不断地为玩家提供游戏内容的渠道。

他指出：“我认为就在线游戏而言，在某种意义上，你可能需要不同的用户生成内容，以便玩家可以在他们参与的游戏中获得更多归属感。我投入大量时间研究了《命令与征服：将军》这款游戏。其中涉及两种玩法：单人模式与在线模式，而玩家在选定模式后，便可在自己的地图上体验自己的故事。”

他继续提到：“他们主要围绕特定的游戏创造故事情节。但这种做法也需要发行商确保自己拥有一批忠实的粉丝。这是吸引玩家的实效之举。而设计方面的困难即你需要开发一些真实或虚拟的代理功能，这属于比较困难的设计问题。”

“不过很显然，少了IP持有者或授权公司的控制与授权，你可以进行更多的创新与创造之举……只要我们为玩家提供一点制作空间，他们便会想出一些出色的创意。”

更大的开发空间

在线社区Roblox（游戏邦注：即Robots与Blocks的结合词）的联合创始人David Baszucki为玩家提供了更多的制作空间。而且该公司的项目运营完全依赖于用户生成内容。如果用户生成策略失效，游戏制作工具或者社区整合失败，那么其整个公司就将走向末路。

Baszucki表示：“我们对用户生成内容的前景十分乐观，我们也完全信任这一功能，因为Roblox的每款游戏或游戏体验均由用户打造。”该公司通过多种渠道获取利益。其中一种便是通过自身的Builders Club，它的性质类似于Roblox游戏制作工具授权。此外还有一些开发者额外特权（例如允许他们销售道具）。

同时还有一种方式是虚拟货币Robux，玩家可以用其购买虚拟道具，比如衣物或者武器。目前，玩家无需在购买虚拟道具时向内容制作者支付现金，而是使用Robux方式付费。

robloxship(from gamasutra)

Baszucki指出：“我们认为，游戏内容的创作过程十分有趣。我们的宗旨是‘人们参与游戏体验是因为他们喜欢创作过程。’而Roblox的游戏本身也十分有趣，因为这是由用户参与制作的。”

Baszucki表示，玩家每个月在Roblox上的体验时间可达到4000万小时。据其保守估计，其中有5%-10%的时间主要用于制作游戏内容。

他指出：“最终，我们的游戏平台将聚集大批的内容制作者，如同YouTube一样。而这些内容的多样性将赋予我们网站强大的功能，同时将吸引更多玩家投入其中。”

via：游戏邦/gamerboom.com

你必须想出接触到用户的方法，计算出那类玩家可以从推广奖励中获益。所以，现在是时候设计一个分析数据的回归模型了。

regression-analysis(from shmula.com)

简介回归分析

我不想拐弯抹角了：回归分析的知识点很多。你需要了解的是，它是一种数学方法，是由某些史上最聪明的数学家发明的，包括高斯，他用这个方法预测行星的位置——所以这不是一个简单的领域啊。但在本文中，我只谈一些基本的用法。

首先，大部分公司都很容易就得出某些比率，比如：

“23%访问我们网站的人体验了游戏。”

“5.6%的玩家在游戏中消费。”

“大部分收益来自5%的消费玩家。”

在大多数时候，这种简单的算术已经够用了。

第一课：使用最简单最实用的工具

为什么这是第一课？因为复杂的工具很容易搞砸。Feynman（注：美国物理学家，诺贝尔物理学奖获得者）曾经说过：“第一条原则是你绝对不要愚弄自己，因为你就是最容易被自己愚弄的人。”使用复杂的工具可能产生一些复杂而微妙的问题，很难预料和发现。

什么时候需要回归分析？

大多数人会想到做A/B测试——确实，这是模拟“比率”的最佳方案。你做两个测试，A和B。A导致销售额增长了5%，而B导致销售额增长了6%。所以B比A好。

但是，当你有大量相关的变量时，比率就变得很难计算了。假设你要解释为什么玩家不再玩你的游戏。你认为根据某些潜在的因素，你可以估计玩家何时会离开游戏，但你不肯定哪一个因素才是最有关系的。

例如，假设我们正在研究玩家的登录次数、游戏时长、最近离开的好友数量、他们得到的经验值和他们得到的成就数量。

用比率模拟所有这些变量可能永远也完成不了！在这些变量中，有些是离散的，但大部分是连续的。你得对它们划分成段（如，成就：1-5.6-10，11-15……），然后对各个段分别评级。

你得给每一个变量的可能排列设定比率，并在一个大的矩阵中比较它们。该死，应该有更好的办法才是！

好吧，这时候回归模型就派上用场了。

回归分析的作用方式

我没说我是数学教师，所以让我用业余人员能理解的方式描述回归分析吧。回归模型假设所有自变量都对目标（叫作“因变量”）有一定程度的影响。

你首先必须想出一套你认为变量如何起作用的理论——这个很重要。没有这套理论，你的工作将是盲目的，你的结果可能没有任何意义！

如果你的那套理论不起作用，你可以用回归模型证实它。回归模型也可能产生否定结果，这可以防止你浪费大量时间来研究无用的或会误导你的数据。

回到我们的模型：我们假设在这些变量中，每一个都会影响玩家退出游戏。使用最普遍的一种回归分析，即普通最小二乘方（Ordinary Least Squares 简称OLS），我们假设我们可以构造一个基本的代数方程来帮助我们决定

一名玩家是否会离开游戏。使用OLS，我们的理论用代数表示如下：

（离开的玩家） = x + (y1 * 登录次数) + (y2 * 游戏时间) + (y3 * 离开的好友数) + (y4 * 获得的经验) + (y5 * 成就数)

这正是计算机可以马上解决的代数题。

首先，我们要让数值团队的人提供给我们一些信息。但在此之前，我必须提醒你，我们得到的数据样本必须是公正的、有代表性的，这一点极其重要。

新手常犯的错误是说“我想知道是什么导致玩家离开游戏，所以我们要对所有离开的玩家做一个报告。”这太糟了，因为它导致了选择性偏差。

避免选择性偏差的方法是假设你事前并不知道研究的结果。假设你一无所知，问你的数值团队成员，

“你可以做一份报告吗？让我知道七月份时，所有玩家的登录次数、游戏时间、离开的好友、获得的经验和成就。这份报告应该只包含7月1日之前就开始玩游戏的玩家，应该排除在7月份离开的玩家。哦，再增加一列a 1，表示在8月的第一周离开的玩家，或者a 0表示没有离开的。”

原因是，这个询问达到了以下三点要求：

1、与这个数据有关的所有玩家都有相同的测量值。与这个研究有关的所有玩家都运用了一整个月的数据。

2、因变量“在8月份离开”完全与自变量分离。

3、理想情况下，我们会得到大量的结果序列。我们获得的序列越多，我们借助回归分析软件来理解变量的效果就越好。

现在我们可以开始了。我假设你得到的报告就像这样：

第一个数字表示登录次数，第二个表示游戏时间（分钟），第三个表示离开的好友数，第四个表示获得的经验，第五个表示成就，最后一个如为1表示玩家离开，如为0表示玩这未离开。

然后，我们需要一款用于回归分析的软件。

回归分析软件

假设你或公司财政状况良好，那就购买统计分析软件、Stata或Mathematica吧。什么，不会用？让你的公司送你再上一次大学吧！

至于我们其他人呢，这里有一款非常实用的软件叫作“GRETL”。对于想学习的人来说，这款软件正好用。你可以下载这款软件分析我刚才给出的测试数据。

先把数据报告保存成CSV格式，然后启动GRETL。选择File | Open Data | Import | text/CSV。指定数据分隔符，然后选择文件。

GRETL突然问你：“你需要给数据添加时间序列或面板解释吗？”我们现在选择否，因为时间序列和面板是另一节课的内容，可能不算是入门级的东西。再者，即使我的问题可能很复杂，我也会尽量先把它模拟成简单的模型，除非简单的失败了，我才尝试更复杂一点的模型。

你现在应该可以看到以下页面，其中有7个变量，包括自动产生的常量（基本上是一列数字）。

gretl1(from gamasutra)

现在我们开始模拟了！从主菜单中选择Model | Ordinary Least Squares。我们现在必须告诉Gretl我们的理论。对于因变量，选择“Cancelled_”；对于自变量，选择其他的任何选项，然后点击OK。

你应该会看到如下页面，其中有大量文本和复杂的数字。我们怎么理解这些东西呢？

gretl2(from gamasutra)

对于初学者，从表格中你应该看到两点。第一，每一行数字旁边的小星号的作用是，提示你哪一行变量是最有用的——星号越多，表示越有用。

第二，看到这句“p-value was highest for playtime”。这是提示你应该忽略图表中的哪一个变量。此时，数学告诉你，游戏时间不重要——我们不能根据游戏时间判断玩家是否打算离开游戏。

总之，任何P值接近1（或没有星号）的变量都应该从模型中除去。

为什么？我不知道；这就是你的理论派上用场的地方。可能是，有些人在决定是否离开很犹豫，所以频繁登录，反之，有些人离开得就很干脆，甚至把网站都忘记了。除非你开始做一些该领域的开创性研究，否则你不会知道这些的。这就是要拿给游戏设计或社区经理的东西！最后，你可能会发现一些有趣的东西，比如，有两种不同的游戏时间，只有一种能正确地提示玩家退出游戏的打算。但现在，我们还是忽略这个有缺陷的变量，继续往下看。

排除不和谐的变量后，再次运行模型，从主菜单中选择Test | Omit Variables，然后选择忽略“playtime”和“experience gained”，点击OK。你会看到如下页面：

gretl3(from gamasutra)

现在你已经得到一个很棒的模型了，其中的变量都是真正有用的。每个变量都有一个真正的低P值。你设计的代数公式其实是：

（离开的概率） = 1.31132 – （0.0470642 * 登录次数）+ （0.0567763 * 离开的好友数）– （0.0795353 * 成就数）

所以我们怎么在实际中运用这个公式呢？我们来看看用曲线表示的公式的结果。从主菜单中选择Graphs | Fitted， plot | Actual vs Fitted。你看到的图像如下：

gretl4(from gamasutra)

你的模型显示了确实离开的玩家得分是0.6或更高，留下来的玩家是0.4或更低。根据这个模型，你可能想开展推广优惠活动或提供赠品给那些得分高于0.6的玩家——如果该玩家过去有大量消费的记录，也可以给他确实不错的东西鼓励他继续游戏。

总结

这就是利用回归分析能做的事。我想鼓励大家多学习，但坦白说，回归分析的某些部分确实很难学也很难教。

via：游戏邦/gamerboom.com

今天要说的这些指标和内容，基本可以保证基本的日报数据需求，换句话这是要关注的一些方面，剩下的要根据你的产品来了，不全或者纰漏错误还请各位批评指正。

在开始之前还要明确一点，仔细想清楚你的报告服务于谁，给谁看，怎么做怎么展现，都需要你自己来衡量，下面的一切都是一个基本的思路和例子，曾经看过一个面试题，在这里与各位分享一下，看看大家的答案是什么。如果你是京东商城的DMA，现在要你给刘强东提供三个数据分析指标，你会选择哪几个？

针对本文和面试问题欢迎到 http://www.dmacn.com/viewthread.php?tid=6&extra=page%3D1  网游数据分析论坛讨论

第一部分

日报摘要信息

基础运营数据

基础运营数据部分首先要把重点摘要写出来，所谓摘要就是重点的数据指标的情况写出来，实际上大家要明白这些数据都是起到了解和预警的作用，其涉及的指标有：

1）人气数据

DAU（每日活跃帐号数：每日登录过游戏的玩家）

新增用户（每日注册的玩家）

新增有效用户（每日注册的玩家并保证登录过游戏的玩家）：建立时间序列的数据源，分宣传期与非宣传期数据，可结合ACU，PCU等数据，观察游戏对用户的黏着度

PCU（峰值）：建立时间序列的数据源，观察并得出属于自己游戏的波动范围

ACU（平均同时在线人数）：建立时间序列的数据源，观察并得出属于自己游戏的波动范围

平均在线时长

平均游戏时长

客户端下载量

官网&论坛PV，独立IP，UV，论坛的浏览次数，发帖量

2）收益数据

每日充值金额

每日充值人数（日充值APA）：建立时间序列的数据源，对比业内平均水准，测试游戏消费引导能力

每日ARPU（可以理解平均充值金额）：建立时间序列的数据源，测试游戏消费点挖掘能力

每日新增充值帐号：

每日购买金额

每日购买人数（日购买APA）

每日ARPU（可以理解平均消费金额）

3）流失率信息

流失率作为单独的一块要重点的进行描述，流失率的变动意味着产品在发生变化，主要要从以下几个流失率指标进行每日预警监控：

日流失帐号：统计日内有登录但统计日后7天都未登录的账号数

日流失率：统计日内有登录但统计日后7天都未登录的账号数 / 统计日的活跃帐号数

日流失充值帐号数：统计日前30天有充值行为，但统计日内无登录，且无充值行为

重点事件及活动回顾

重点活动及事件的介绍，便于在报告的阅读者容易找到前一天数据出现问题的原因，定位问题，找到相关负责人进行解决。

服务器状态信息：是否停服，玩家出现登录困难等信息

BUG：重大BUG反馈信息（影响游戏体验）

是否有新一轮活动开启

是否有版本更新

是否存在竞品测试或者上线

活动执行情况汇总

把最近一个时期开启的相关活动进度，比如开始时间，结束时间，活动链接地址进行简要汇总，便于阅读数据的一些人员能够针对数据评估活动效果。

第二部分

详细数据信息

第二部分是针对第一部分而言的，对于一些公司的高层而言，没有太多的时间，只能简单的看看第一部分的数据汇总信息情况，而第二部分，实际上是给各个部门和人员来看，从更加的细致数据对比上发现问题，比如环比，同比数据怎么样，包括绘制相关的曲线图，饼图等帮助这些人员进行理解。

基础数据分解信息

1）人气数据

CCU实时在线状态图

一般而言，CCU只会列出当日，前一日和同期的对比曲线，大家灵活机动，可以直接从公司的BI系统或者经分系统得到这条曲线。
DAU：绘制DAU曲线，并包括具体数值汇总（可以列出表格），同时要把当日数据进行环比和同比分析。
详细数据表格（蓝色为上周同期，红色为日报当日数据）

详细数据表格（蓝色为上周同期，红色为日报当日数据）

接下来一般的处理ACU，平均在线时长信息，利用表格和曲线图直观形象的表现一下。

辅助的也会出现一个表格，具体列出来这些数据和信息，供查阅

此外有必要加入PCU/ACU的变化趋势图，这个图利于观察近期活动的一些情况。

在基础数据的人气数据部分可以将剩下的数据指标按照之前的表格形式展现出来，至于曲线，要根据需要灵活添加。

新增玩家数据

官网论坛数据

官网专题页

论坛访问

客户端下载信息

2）收益数据

充值数据

这里只给出了表格，实际上我们好要给出曲线图，充值金额，充值人数，充值ARPU

消费数据

同理消费数据也要给出曲线图，通过曲线图或者柱形图形象化展现。

道具销售排行信息

流失率相关信息

via:http://www.cnblogs.com/yuyang-DataAnalysis/archive/2012/03/07/2382851.html

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。

转发：cnblogs