小白学数据分析--新登付费玩家研究模型

一款游戏产品进入成熟期后，重点基本都在拉动收入，原因在于用户量和游戏社会已经形成，老用户不会轻易流失，新用户不断涌入游戏，形成一个相对稳定的游戏社会，这个阶段的收入拉动也是比较显著，但是这样的稳定时期可能随着产品二度、三度开发，不断出现。
    要想拉动收入就存在一个问题，就是对于付费用户的关注和分析，这点上我想方法很多了，比如RMF模型，二次消费等付费研究，今天将从另一个角度借助留存、渗透率、漏斗模型等思想重新进行付费的研究。
    前段时间看到一个游戏万人商业价值的模型，从宏观上，这个模型能够避开ARPPU陷阱大致了解游戏收益这块的变化情况。不过这个模型的基础思想是采用数据累计，获得趋势判断，一定程度了解游戏的收益。
    之前在我的一篇文章已经提到了类似的分析方法，在付费方面，我也曾经做过分析，现在先大概说说这个模型。
    游戏每天都有新登用户，这些用户在随后的时间内随着自身不断成长逐渐显现出来付费意识，激发付费潜能。为此我们要去监控新登用户在随后什么时间开始转化付费以及周期是怎样的。所以，我们定义一个新的观测指标：累计ARPU，计算如下。
    1.以月新登用户为对象，观察随后付费转化情况。观察时间点为新登导入月第一天至当前时间点。
    2.以新登导入第一天的新登付费开始进行累计，至当前时间点为止。
    3.每日累计充值/监测月的新登总数（累计ARPU）
    4.将第三步的比值放大数量级（千级或者万级都可以）
    为此基于以上几点，我们可以得到如下的曲线图：

    上图观测了4月到9月的每个月新登用户随后至观测截止日期的付费转化情况，横轴表示观测天数，这里是201天，纵轴累计ARPU，此处需要将累计ARPU放大1000倍或10000倍进行分析。
    放大后的曲线绘制如图上所示，可以看到的8月份导入的玩家资源在第二个月的付费能力偏弱，增长幅度偏低。然而6月份导入玩家，在第三个月付费出现了增长，这样的异常有助于我们细分玩家群体，找到问题所在。
    此外上图，从宏观上了解每个月导入玩家的付费能力以及收益走向，这点对于游戏渠道投放意义很大，细分下去，找到某个渠道导入用户随后的生存和收入贡献状态变化，分析后选择更加合理的渠道投放资源。
    但是，这个模型到这个层面其实还没有结束，这只是从曲线趋势大概了解了新登用户的变化情况，适当的我们应该对于玩家进行多维分析和钻取。
    模型的衍生分析
    上述模型很容易忽略一个问题就是，如果4月份新登用户在当月就完成了付费比和收入的大部分贡献，那么接下来几个月的持续观测和分析就显得单薄和无力了。这点我可以举一个例子，比如4月新登到观测时间贡献了10w收入，而4月份当月新登转化付费贡献了8w，那么也就是说在随后的5月到截止观测之日的，收入贡献只有2w，这样其实就是掩盖了一些问题的存在。所以，我们此处要去详细的观察在此模型背后的衍生数据，对其进行分析。
    如刚才提到的问题，我们要把新登在随后每个月的变化都要详细的分析，此处我们要提取一些数据：
    观测期间新登转化的APA：
    例如4月份新登用户中在4月份转化为APA的数量，5月份转化为APA数量……
    观测期间新登转化的Revenue：
    例如4月份新登用户在4月份转化的Revenue，5月份转化的Revenue……
    以以上的数据为核心，我们其实可以展开一个衍生分析结构，如下图所示：


    该图为每个月新登用户在观测期间每个月转化为APA的比例。
    比如4月份新登用户在截止的观测期间一共有1000人付费了，4月份转化付费的有600人，那么首月的APA贡献比为600/1000=60%，次月（5月）有200人付费了，那么贡献比为200/1000=20%。以每个月增加的APA作为计算转化付费的贡献比，这样我们就能看到新登玩家的付费转化的具体形态了。
    如上图中，总结了4-9月新登玩家的首月、次月以及随后各个月的付费转化情况，上图来看，新登用户在首月转化付费的转化情况比较理想，但是次月以及随后的付费转化就比较低了，也就是这批新登用户的后期付费转化开始出现困难（有一种情况应该是玩家随着成长付费会逐渐形成需求）。因此需要具体分析其背后的原因，上图大致告诉我们新登用户付费周期大概是1个月时间，之后新登的转化付费就比较困难。
    以上只是拿了一款游戏做分析，实际情况很多，不止这一种，勿对号入座。
    同时，在这个图的背后我们要统计一些数据信息：
    某月的新登在随后每个月贡献的收入占当月收入的百分比
    比如4月份新登用户转化成APA的部分在随后观测月中，对每个月的付费贡献情况，重点监控比例


    此处拿收入占比举例，可以看到，新登付费用户在第三个月的收入贡献走低，第二个月的收入增长比较多，这点分析要建立在玩家在游戏中的实际成长曲线和时间情况才能的出来。
    观测时期总计转化的APA占所观测新登总量的百分比
    如下图，6个月新登用户在各自观测时间内的转化的APA的付费渗透率，比如4月份新登截止到观测时间点共计有1000人付费，而4月份新登为100000，那么付费转化率为1%。通过这个转化就能够了解每群玩家的大致状态。


    新登APA贡献比
    新登当月转化为APA占据当月总APA的比例
    再者，刚才我们说过新登首月转化的APA情况，我们发现新登玩家在首月的付费转化情况很好，因此我们可以进行另一个数据分析，就是看看当月转化付费的新登玩家占据当月总的APA的情况，这样便于我们分析APA的质量。

    从上图来看，我们可以看到新登APA的数量在每个月总APA的比例有所下滑，如果此时我们发现总APA是一直增长，而新登贡献APA在整体所占比例下滑，说明，APA的后续存留和付费持续性还是比较好的。
    新登APA的付费贡献比
    新登当月付费占据当月总收入的比例
    由此分析，我们也可以看看新登付费玩家首月收入贡献占据当月的总收入贡献比例。


    结语
    此图看到，新登当月付费群体贡献的收入在新登当月的总的收入贡献比例中是开始向下走的，也就是说，老的付费用户群体逐步开始形成，但是此时要关注总的收入变化，以及新登收入贡献的变化，这样分析这个比例才有意义。
    以上就是我分析的衍生分析，其实这个问题上研究点很多，我们经常要去评判渠道平台用户质量，单纯导入型和付费即可的模式不足以很好的衡量质量，还需要更加深入的探究和分析，这里的几点分析只是一个例举，仅作为参考使用。后续关于付费的研究也会慢慢整理，有时间分享给各位。