游戏数据分析-- 玩家流失可能因为什么?

游戏数据分析-- 玩家流失可能因为什么?

兔子临近毕业忙着6门课,好久没更!最近想做一些玩家流失的预测模型相关的议题,本文主要以探索和思路为主。流程如下:

引用:游戏数据分析:流失玩家分析之道 | 36大数据

解决的痛点和问题:

我们都知道游戏运营最怕的就是玩家流失,玩家的反馈是非常重要的。本文作者兔子,对游戏了解还有待提高,本文只是写写自己对游戏数据分析的爱好,由于并没有真实游戏数据,因此引用多篇论文和书籍的图片。

我们目标是有3个

  • 探究一下玩家流失的情况
  • 了解其原因以及预测哪些用户是潜在流失用户
  • 反向思考流失玩家的特征,如流失玩家的等级,怎么挽留?

1. 定义流失

我们怎么定义流失玩家呢,从论文 《Predicting Churn: Data-Mining Your Game

》by Dmitry Nozhnin了解到 7天处于非活跃状态就可以算成流失玩家。

由于本文是只是思路和分析过程,并没有数据,所以定义以下条件为流失玩家:


  • 连续7天不上线( >=7 )
  • 本月活跃度<=0.2 (30天上线6天)
  • 活跃度=活跃天数/本月已注册时长, 例如注册了5天,活跃天数=1, 活跃度为0.2


2. 细分玩家数据----特征筛选:

提出问题, 设定KPI和指标

玩家流失的可能原因?由运营和技术共同得出一些假设:

1. 目标感缺失导致流失的新手期流失玩家

2. 游戏玩法过于复杂

3. PK挫败感

4. 十连抽垃圾

5……

在特征筛选的时候一定要和运营市场等同事沟通交流,去找专家给出可能的数据指标。

以下指标只是本文随机筛选。

玩家ID

玩家角色名

等级

注册时间

活跃时间

本月充值总额

本月铜币活跃(铜币的交易次数)

本月绑定铜币活跃(绑定铜币交易次数)

本月元宝活跃(元宝交易次数)

本月活跃天数(登陆天数)

本月登陆次数

本月登陆总时长

物品合成

点兵

宠物升级

兑换元宝

装备洗练

装备强化

工会贡献

购买礼包

任务完成数

召唤

四.分析过程和思路:

第一步:通过这些指标,多维度将玩家进行聚类分析

通过这些多维度的数据,将手游玩家分类成A,B,C,D, 根据聚类结果,做成用户画像。我们成功把数据转换成了4个群体,那么接下来我可以得到4组数据:

1. A类已经流失的玩家和未流失的玩家----鲸鱼用户

2.B类已经流失的玩家和未流失的玩家----大R

3.C类已经流失的玩家和未流失的玩家---------中R

4.D类已经流失的玩家和未流失的玩家----------小R和无R


(图来自talking data于洋老师 《游戏数据分析的艺术》)


第二步:建立模型预测流失,然后看哪些因素"重要性"最大

由于已经有了4组数据,我们可以根据数据来建4个模型针对A,B,C,D类玩家

2种建模方法,决策树和贝叶斯,在建立完模型后,我们可以探索一下哪些指标提供了最大贡献值,如下图。虽然显然活跃度对流失玩家影响最大,但这个图片由于是从不同论文里筛选,所以其实结果不正确的。

(引用:流失预测 & 分类模型(一)_石_頭_新浪博客

第四步:用模型去预测潜在流失的用户

通过聚类+决策树还可以知道,哪些玩家是即将和潜在流失的,从而来预防流失。

第五步:挽留策略---反向思考以及提出问题

1. 流失玩家的等级

我经常在游戏中会觉得等级这个东西其实蛮重要的,因为他联系到玩法的丰富度,通过看流失玩家的等级分布,提出一个问题:一般来说A, B, C, D类玩家他们会在什么等级选择弃游?这样结合下面的业务思维导图去分析具体流失的原因,假设A 类鲸鱼玩家喜欢在50级退游,那么我们对应的可以在50级时候推出新的玩法。

(来源:Kaggle)

2. 流失玩家的物品关联分析

流失的4类玩家,他们在流失前,各自有什么样的物品和购买喜好?


情景思考:假如有一个A玩家,缺一个前排英雄,然后我们这个时候通过物品相关性给他一个低价礼包是可以买一个随机前排英雄的,他会不会减少流失的可能?

3. 流失玩家的元宝消费情况:

情景思考:一个玩家经常遇到无元宝可以用的时候就会感觉想要放弃游戏,我们可以做做流失玩家元宝的消耗和拥有情况,在他们快要流失的时候给予特殊个性化的一些礼包或者邮件奖励。

4. 更多流失玩家维度的分析,可以参考下图,可对流失玩家的各个维度进行可视化,然后分析

  • 停留关卡
  • 元宝消费去处
  • 十连抽纪录
  • PK纪录情况
  • ....

(图引用游戏数据分析三部曲|游戏运营 | 打不死的小强

总结:

由于缺少真实数据,加上写作时间较短,本文研究的不够深入。反思,其实可以建立模型和不建模两种方式都可以去分析。建立模型虽然是高大上,但是相对的缺点是:消耗时间去调整参数和运营成本偏高。不建模直接通过将流失玩家的各种指标去可视化,简单可视化去分析也是可以的,最重要的是怎么把流失玩家的原因找到和挽留,方式其实不重要,重要的是真正通过玩家行为数据来了解玩家弃游的原因。

PS:1.值得一提的是,除了游戏内的原因,其实游戏外的原因也会让玩家弃游,不要过分依赖数据。 


2.  本文完全没有数据,仅提供思路和分析过程,以下是引用。 




参考论文和书籍:

1. Predicting Churn: When Do Veterans Quit?

Predicting Churn: When Do Veterans Quit?

2. 《Predicting Churn: Data-Mining Your Game》 by Dmitry Nozhnin

3. 《Churn Prediction in MMORPGs: A Social Influence Based Approach》by Jaya Kawale, Aditya Pal, Jaideep Srivastava

4. 《Churn Prediction for High-Value Players in Casual Social Games》by Julian Runge and Peng Gao , Florent Garcin and Boi Faltings

5. Talkingdata demo

talkingdata

6. 游戏数据分析:流失玩家分析之道

游戏数据分析:流失玩家分析之道 | 36大数据

7. Churn Prediction in Mobile Social Games: Towards a Complete Assessment Using Survival Ensembles

8. 流失预测 & 分类模型(一)

流失预测 & 分类模型(一)_石_頭_新浪博客

9. 准确分析数据 玩转手游运营

准确分析数据 玩转手游运营_琵琶网

10.游戏数据分析三部曲|游戏运营 | 打不死的小强

11. Thinkinggame.com 上海第三方游戏数据分析报告demo

http://www.thinkinggame.cn/demo.html - /operateLost

编辑于 2017-04-13