游戏买量的可行性,如何用数据去验证?

2024-03-31 05:38

本文主要是介绍游戏买量的可行性,如何用数据去验证?,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

数据除了数据分析的价值,另一层价值就是数据挖掘的价值。

数据分析是依赖于人的经验及人对业务的理解,依赖人的逻辑思维能力去找到整个业务相关的信息,去找到理性且可以指导我们产品优化的点。

数据挖掘就是从另外一个维度去发掘数据的价值。

我们这里用一个比较简单常见的案例:产品的DAU预测。通过这个案例,我们可以看到数据挖掘的一个思路。

游戏买量的可行性,如何用数据去验证?

这里有三条曲线,分别代表了三个产品的DAU,三个DAU走势波动比较厉害,而有一些的周期性比较明显,没有太多规律可言。

我们就需要一些比较科学的方法去预测DAU、分析产品的DAU、分析具体的场景去对我们的一些产品决策进行辅助。

比如说这个场景:

一个产品公测没多久,公司给的KPI指标是产品投放后能够达到50万的收益。事实上,在产品上线的两周,产品的数据已经很接近50万,但是一直在45万和47万徘徊。

这个产品本身没有达到50万DAU的KPI,这个时候整个项目组还有一笔预算,需要去衡量这笔预算如果全部拿去买量的话,能不能达成这样的一个KPI。

这个时候我们需要找到一个可以科学决策的依据,我们要分析整个DAU跟新增用户的关系,去分析多少钱可以获得大概多少的市场新增。

新增和DAU并不是一个直接的关系,中间通过留存做了一个桥接,所以我们需要分析新增和DAU之间的关系是什么,如果我们能够得到一个公式去计算出来的话,就能够倒推我们需要花多少钱才能够满足50万的KPI。

为了预测这个DAU,首先我们需要对流程做一个拆解,我们首先需要定义它。每日登录用户,就是DAU的定义,只要用户做了登陆操作,我们就认为他是一个活跃用户,每天DAU的曲线波动非常大。

造成DAU波动的因素由这几个点构成,通常我们把整个日活的用户比喻成用户池,每天都有流入的用户,每天都有出去的用户。所以一个流入一个流出形成了数据的波动,对于流入的部分我们可以分为三个部分:昨日留存用户+日回流用户+日新进用户

游戏买量的可行性,如何用数据去验证?

分解之后,我们就可以完成一张新进用户的留存表。

游戏买量的可行性,如何用数据去验证?

表格一共列举了5天内有多少人留下来,在后续20天每天又有多少人留下来了。我们会发现里面的留存率,是根据下方示意图的趋势发展的,呈现的是衰减的趋势。

然后我们找来两个产品的留存曲线来拟合这个衰减现象。

游戏买量的可行性,如何用数据去验证?

大家可以看到这两个曲线还是挺有规律的,相对来说也是较为平滑的,这个时候我们需要选择一个留存模型——幂率分布对它进行预测。

游戏买量的可行性,如何用数据去验证?

其中:

  • a为常数(可简化)
  • b为新进留存系数
  • x为产品运行天数

如果b的值越大,留存情况就会越好,因为b这个值决定了曲线的倾斜程度,比如A产品第一条绿线的b值就要大于红线。

所以b值就可以反映出产品的用户留存特征,我们就可以把b定义为新进的留存系数,留存系数可以通过三个点决定:

  • 产品的品质
  • 用户的质量
  • 运营的活动

在结合上述理论后,我们就可以从已经运营一段时间的产品中抓取我们产品的b值,画一个走势图。

游戏买量的可行性,如何用数据去验证?

这该产品b值一年来的走势图。从大的层面来看,b值的波动不是非常的大,但是波峰和波谷都有相关运营活动或者版本迭代的干预,导致了这个值的改变。

图上显示,我们为了完成某些KPI去提高DAU值做的拉小号的活动,反而导致了b值的下降,就证明拉小号的活动促进了DAU的值上升,但用户质量却下降了。产品本身的质量其实是比较稳定的,你可以衡量它的用户质量,用户质量其实就与运营活动质量有关。

有了这样的模型之后,我们就可以计算出把DAU的公式列举出来了。

游戏买量的可行性,如何用数据去验证?

大家可以把这个概念不停拆分下去,累加之后就可以形成DAU公式。我们可以把总的日活数据不停地拆,从第一天到第N天留存用户数,就可以得到今日的日活。然后我们再利用这个公式,去做出我们产品的走势图。

游戏买量的可行性,如何用数据去验证?

根据这样的情况,我们就可以很好地去预测DAU的走势,去对比实际日活和预测日活的一个匹配程度。虽然存在一些偏差,但是偏差值也是因为受到活动的影响才发生的。

获取预测趋势图之后,我们再投入实际的应用中去评估。

游戏买量的可行性,如何用数据去验证?

我们回到评估DAU50万的目标上。

从上图可以看到上面这张图是日活跃与日新进的走势关系,这些都是不限号之前的走势,不限号之前是比较稳定的,核心玩家一直都是比较稳定的,没有什么比较大的变化。中间拐点开始是不限号当天出现的,日新增注册用户自拐点之后一直往下走。

我们代入那个日活公式后,下方图的紫色部分就代表我们的预计的日活曲线。最后推算出来是,我们需要连续两周每天都要有8万的新进,才能够完成50万DAU的指标。

这个数值所需要的费用跟我们实际的预算相比差距太大,因此我们放弃了用50万去投放买量的计划。如果差距不大的话,我们才会选择投放获客。

这次的数据挖掘就给了我们此次决策的数据支撑,告诉了我们这个决策是不具备可行性的。后来为了完成目标,我们改用了拉小号的活动,将数据快速地推上去。

总结下来,数据挖掘可以分为三步:

  • 利用历史数据
  • 建立概念模型
  • 预测发展趋势。

游戏买量的可行性,如何用数据去验证?

 


更多数据分析方法及案例关注公众号:数数科技

数数科技是最专业的游戏企业数据服务商,欢迎试用数数demo:

https://www.thinkingdata.cn/?source=%E7%9F%A5%E4%B9%8E

让数据价值触手可及

这篇关于游戏买量的可行性,如何用数据去验证?的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/863532

相关文章

Spring Security基于数据库验证流程详解

Spring Security 校验流程图 相关解释说明(认真看哦) AbstractAuthenticationProcessingFilter 抽象类 /*** 调用 #requiresAuthentication(HttpServletRequest, HttpServletResponse) 决定是否需要进行验证操作。* 如果需要验证,则会调用 #attemptAuthentica

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X

pandas数据过滤

Pandas 数据过滤方法 Pandas 提供了多种方法来过滤数据,可以根据不同的条件进行筛选。以下是一些常见的 Pandas 数据过滤方法,结合实例进行讲解,希望能帮你快速理解。 1. 基于条件筛选行 可以使用布尔索引来根据条件过滤行。 import pandas as pd# 创建示例数据data = {'Name': ['Alice', 'Bob', 'Charlie', 'Dav