游戏数据处理-编程知识

游戏行业关键数据指标

~
- 总激活码发放量、总激活量、总登录账号数
- 激活率、激活登录率
  - 激活率 = 激活量 / 安装量
  - 激活率 = 激活量 / 激活码发放量
  - 激活且登录率 = 激活且登录量 / 激活码激活量

激活且登录率应用场景

激活且登录率是非常常用的转化率指标之一，广泛用于端游、手游。
大多数游戏公司在游戏封测期间为了限制用户数量，都会进行限量测试，对用户数量进行把控的主要方式就是发放激活码，激活码的激活且登录率反映实际进入游戏的用户数量。
当激活且登录率较低时，想到的是玩家在登录环节是否遇到了困难，主要排查客户端问题，以及是否有服务器维护，如果游戏登录环节没有异常，则该指标能说明玩家对该游戏的兴趣程度。

ACU（Average concurrent users）平均同时在线玩家人数
PCU（Peak concurrent users）最高同时在线玩家人数
游戏从封测开始，多数公司都会投入固定的内、外部宣传资源作为游戏的初期市场推广，以收集游戏的封测数据，这其中主要就是留存率
无论是端游还是手游，都非常重视这一指标，留存率成为衡量产品质量的重要指标之一，用以判定游戏的基本品质，为后续的市场资源调配提供参考。
游戏封测主要有两种形式，为发放激活码测试和不发放激活码测试，由于发放激活码测试针对的用户群体更偏向核心用户，一般来说，其留存率高于非激活码测试。

游戏行为数据

职业分布数据：狙击手，突击手

玩家使用情况：统计并分析狙击手和突击手这两个职业被选择的频率，了解在玩家群体中的普及度。
胜率贡献：观察每个职业在比赛中的表现，比如胜利贡献、击杀数等指标，以评估其对团队胜率的影响。
关键行为分析：针对狙击手和突击手的关键行为（如狙击成功率、突破效率）进行数据收集，帮助理解这些行为如何影响游戏结果。
地图分布：分析不同职业在各个游戏地图上的活动热点，例如在哪些位置进行开枪、购买武器等行为。
道具和武器使用：研究不同职业偏好的枪械类型及其使用效果，如突破手倾向于使用的AK47或Tec9。
玩家技能评级：根据个人rating和团队配合情况来评价狙击手和突击手的技能水平及对团队的贡献。

用户付费指标

游戏行为数据的用户付费指标是评估玩家在游戏中消费行为的关键数据点。这些指标可以帮助游戏开发者和运营商了解玩家的付费习惯，从而优化游戏设计、提高收入和改善玩家体验。以下是一些常见的用户付费指标：

付费转化率（Conversion Rate）：付费用户与活跃用户的比率，用于衡量游戏中有多少玩家愿意进行付费。
每用户平均收入（ARPU - Average Revenue Per User）：在一定时期内，游戏从每位用户那里获得的平均收入。
每付费用户平均收入（ARPPU - Average Revenue Per Paying User）：在一定时期内，游戏从每位付费用户那里获得的平均收入。
用户生命周期价值（LTV - Lifetime Value）：预测一个用户在整个游戏生命周期内可能产生的总收入。
首次付费时间（Day 1 Conversion）：用户在首次玩游戏后24小时内完成首次付费的比例。
累计付费用户（Cumulative Paying Users）：在特定时间段内，至少进行过一次付费的用户总数。
付费深度（Pay Depth）：用户在游戏内的付费深度，通常通过分析用户的付费金额分布来衡量。
付费留存率（Paying User Retention）：在特定时间段内，继续进行付费的用户比例。
重复付费率（Repeat Payment Rate）：在特定时间段内，进行了多次付费的用户比例。
付费用户获取成本（CAC - Customer Acquisition Cost）：获取每位付费用户所需的平均成本。
付费用户流失率（Churn Rate）：在特定时间段内，停止付费的用户比例。
购买行为分布（Purchase Behavior Distribution）：用户购买不同类型或价格点商品的频率和数量分布。
促销响应率（Promotional Response Rate）：用户对特定促销活动或优惠的反应和参与度。
礼品卡/虚拟货币销售：通过礼品卡或虚拟货币产生的销售额。
跨销售和增销指标（Cross-Sell and Upsell Metrics）：衡量用户购买额外商品或服务的情况。

ARPPU=付费金额/付费人数，ARPU低于3元则说明表现较差。

ARPU=付费金额/活跃人数

游戏运营中的转化率漏斗模型是一种分析用户行为和优化用户体验的工具，它包括拉新、促活、留存和付费转化这四个主要环节。以下是对这些环节的详细解释：

拉新：这是转化率漏斗的第一步，目的是吸引新用户进入游戏。这通常通过广告营销、渠道合作、社交媒体推广等方式实现。有效的拉新策略可以提高游戏的知名度和用户基数。
促活：一旦用户开始游戏，运营的目标是让用户更频繁、更愉快地玩游戏。这可能涉及到游戏内容的更新、社区活动的举办或者个性化推送等手段，以提高用户的活跃度。
留存：留存率是衡量用户是否继续使用游戏的指标，包括日留存率、周留存率、月留存率等。高留存率意味着用户对游戏有较高的忠诚度和满意度。留存策略可能包括优化新手引导、提供持续的游戏动力和奖励机制等。
付费转化：最终目标是将用户转化为付费玩家。这涉及到设计吸引人的内购项目、提供价值感强的付费内容、以及优化支付流程等。付费转化率的高低直接影响游戏的收入模式。

转化率漏斗模型帮助游戏运营者了解在每个环节中用户的转化情况，从而找出潜在的问题点和改进机会。通过分析漏斗数据，运营团队可以制定相应的策略来提高整体的用户转化率，进而提升游戏的市场表现和盈利能力。

import numpy as np
import pandas as pd
from pylab import matplotlib as mpl
from matplotlib import pyplot as plt
import seaborn as sns
from datetime import datetime
mpl.rcParams['font.sans-serif'] = ['Simhei']
mpl.rcParams['axes.unicode_minus'] = False
df = pd.read_csv('train.csv')

用户分析

reg_user=df1[['user_id','register_time']]
reg_user.head()reg_user.register_time=pd.to_datetime(reg_user.register_time,format="%Y/%m/%d")
reg_user.register_time=reg_user.register_time.apply(lambda x: datetime.strftime(x,"%Y-%m-%d"))
#计算每天注册人数
reg_user = reg_user.groupby(['register_time']).user_id.count()fig = plt.figure(figsize=(14, 10))
plt.plot(reg_user)plt.xticks(rotation=90)
plt.title('用户注册图')
plt.show()

付费分析

#活跃用户
actuser = df1[df1['online_minutes']>=30]
#付费用户
payuser = df1[df1['payprice']>0]
#付费率
payrate = pay_user['user_id'].count() / act_user['user_id'].count()
print('付费率为%.1f' %(payrate))

ARRPPU

#计算ARPPU
ARPPU = pay_user['payprice'].sum()/ payuser['user_id'].count()
print('ARPPU为%.1f' %(ARPPU))
#ARPPU为26.5

x=user_pay['等级']
y=user_pay['人均付费总额']
fig = plt.figure(figsize=(12,8))
plt.plot(x,y)
plt.xticks(x,range(0,len(x),1))
plt.grid(True)
plt.title('等级和人均付费总额的关系')
plt.show()

氪金用户与一搬用户

wood_avg = [sup_user['wood_reduce_value'].mean(), nor_user['wood_reduce_value'].mean()]
stone_avg = [sup_user['stone_reduce_value'].mean(), nor_user['stone_reduce_value'].mean()]
ivory_avg = [sup_user['ivory_reduce_value'].mean(), nor_user['ivory_reduce_value'].mean()]
meat_avg = [sup_user['meat_reduce_value'].mean(), nor_user['meat_reduce_value'].mean()]
magic_avg = [sup_user['magic_reduce_value'].mean(), nor_user['magic_reduce_value'].mean()]
data = {'高氪玩家':[wood_avg[0], stone_avg[0], ivory_avg[0], meat_avg[0], magic_avg[0]], '低氪玩家':[wood_avg[1], stone_avg[1], ivory_avg[1], meat_avg[1], magic_avg[1]]}
resource = pd.DataFrame(data, index=['木头', '石头', '象牙', '肉', '魔法'])resource.plot(kind = 'bar', stacked=True, figsize=(14, 10))plt.title('玩家资源使用量')

总结游戏数据分析的意义体现在以下几个方面：

优化产品：通过分析玩家行为数据，开发者可以了解玩家在游戏中的行为模式，识别和解决游戏中可能存在的问题，从而对游戏进行改进和优化。
提升运营效率：数据分析能够帮助游戏运营团队更有效地制定策略，例如通过对高价值用户群体的画像分析，可以更好地满足他们的需求，提高玩家的忠诚度和游戏的盈利能力。
减少成本增加收入：通过数据驱动业务，可以产生具体的落地解决方案，提高产品运营效率，提升产品的健康度，有助于企业减少不必要的成本开支，增加收入。
业务深度结合：数据分析需要与游戏的业务深度结合，针对不同类型的游戏细化出专门的分析方法，这样才能更好地发挥数据分析的价值，比如与游戏的机制、玩法、活动等深度融合。
渠道和流量分析：数据分析还可以帮助理解不同渠道的表现和效果，以及玩家的流量来源，这对于渠道运营和市场营销策略的调整至关重要。
经验模型构建：通过历史数据的积累和分析，可以构建经验模型，预测未来的发展趋势，为决策提供科学依据。
监控和报告：定期的数据分析报告可以帮助团队监控游戏的健康状况，及时发现并解决问题，确保游戏长期稳定运行。
市场趋势洞察：数据分析还可以帮助捕捉市场趋势，为新游戏的开发提供方向指导，抓住市场机会。
用户体验改善：通过对用户行为的深入分析，可以更好地理解用户需求，从而提供更加个性化的游戏体验，增强用户满意度。
风险管理：数据分析有助于识别潜在的风险点，如欺诈行为、系统漏洞等，及时采取措施防范风险。