产品测试后，如何快速写好一份游戏数据分析报告

时间：2020-05-06 14:42:47 来源：作者：网络

数据分析是游戏运营的重要岗位技能之一，在很多游戏运营岗位的招聘JD中，经常能看到关于游戏数据分析的要求，通常要求运营同学可以监控游戏数据，完成数据分析报告，并根据数据报告的结果调整运营方案。那么，如何才能快速写好一份高质量的数据分析报告呢？

我们邀请某游戏大厂的运营专家分享了他做数据分析报告的思路，文中图表使用的数据来自数数科技的数据分析平台ThinkingAnalytics（文中简称TA），数据已做模糊处理。

以下为分享正文：

最近我一直在跟的一款卡牌游戏结束了7天的付费测试，测试结束后，最重要的就是输出数据报告。

数据报告可以帮助我们了解本次测试存在哪些问题，玩家对游戏是否认可，从而针对性的做出优化。同时，测试数据的好坏，也与后续的运营方案、推广方向息息相关。

那么数据报告该如何撰写呢？这里我跟大家分享一下我撰写数据报告的框架。

宏观数据分析

要想直观的知道数据好坏，第一步就应该看宏观数据。

1.1 新增情况

由于我们第二天中午就陆续关闭了下载，所以可以看出主要的新增集中于前2天。首日累积新增用户数7,445，次日新增2,504，测试期间共导入10,939用户。

1.2 留存情况

可以看出，我们与上次测试相比，整体留存都有一定额度的提升。次留从40%提升至45%，达到本次测试预期。

但对比A级产品次留45%，3留35%，7留15%的数据来看，3留问题比较严重，并且从3~4日的衰减来看，两次测试都没有很好的解决这一问题，后续会详细分析具体原因。

1.3 付费情况

从每日数据可以看出

整体收入的付费率和ARPPU比较稳定，收入降低主要是停止导量，老用户流失导致。

3月14日额外开启抽奖功能促进收入明显，付费率和ARRPU都有显著提升。

后续还会再分析首充动力和复购情况，看看能不能进一步挖掘付费率的提升，以及VIP分布和LTV情况，看看ARPPU还没有进一步提升的可能。

微观数据分析

2.1 新增数据分析

2.1.1 不同渠道的新增情况

可以看出，除了UC的量比较大以外，其他各个渠道新增的量级都比较相似，后续新增大幅度减少主要是因为内测期间，我们并不想扩大规模，于是陆续关闭了下载。

2.1.2 新增到游戏的转化情况

玩家从下载→安装→登录→创角，这一系列的流程完成后，才能真正形成新增。哪一步有问题，都会影响转化率，从而损失新增。

所以，在TA平台通过漏斗模型，我们可以看到在这个过程新增的损失情况。

整体来看转化率都还是比较高的。当然这个也要分渠道再看每个渠道的情况，毕竟每个渠道账号体系不同，包体不同，可能会出现部分渠道转化率偏低的情况。

2.2 留存数据分析

既然发现了3留问题严重，我们可以深入看一下，到底3留的问题出现在哪里。通过TA后台，我们可以快速的通过图表看到数据结果。

2.2.1 不同渠道的留存变化

红色线为总体留存平均值，可以看出，应用宝、小米、UC用户的3日后留存都明显偏低。3日留存在不同的渠道最高和最低的点，两者相差10%。

考虑到产生2日、3日留存的玩家都是已经对游戏有一定了解，产生这么大的差异考虑可能原因是2点：

不同渠道的素材图不同，吸引来的目标用户不同，而应用宝、小米、UC的素材恰好吸引的不是我们的目标用户。

应用宝、小米、UC的用户对我们这个游戏类型本身不感冒，这个要对比一下其他同类型游戏是不是也有数据偏低的问题。

不过，这2点考虑都需要跟商务同学沟通下，看看是否能够提升渠道的用户质量。

总之，区别渠道质量来客观审视留存的高低是非常有必要的。很可能一两个渠道的数据异常，就拉低了整体留存，让我们做出错误的判断。

2.2.2 不同等级的流失变化

首先看一下基本的不同等级的流失人数和流失概率。可以看出流失凸点分别是4级、6级、10级、13级、21级以及23~30级。

知道流失凸点还不够，最重要的是知道在流失凸点时，玩家究竟做了什么？

我们对任务、引导、升级、通关等数据进行了埋点，根据流失埋点数据，我们可以看到不同等级的玩家在流失前做的最后一件事：

以此，我们可以快速找到玩家流失点，再结合实际游戏体验，发现问题的核心原因主要在于：引导、任务以及副本上。

在进一步拆分问题之前，我们先看一下，付费玩家的留存数据。

2.2.3 不同付费额度留存变化

付费对玩家留存影响也是非常大的。从TA平台，我拉取了不同VIP等级的流失曲线，可以看到，即使是V1玩家，整体的留存也是远远好于V0玩家的。

所以说，通过提高首充吸引力，让玩家尽快充值来提升游戏的流失成本，从而提高游戏留存，这个方法确实有效。同时，在23~30级这个点上，V0~V3玩家的流失都有所上升。

此时，导致留存较低的节点已经初步找到了：4级、13级、21级、28级，V0~V3的玩家的留存低，是整体留存较低的重要原因。那么进一步去看这些玩家在对应等级的经历，即可更加细化的找到问题原因。

这里就拿21级这一个点，来举例说明一下：

/21级（第2天）：dungeon_1008、dungeon_1011、升级/

结合上文玩家流失前做过的最后一件事可以看出，21级最大的流失点是进入副本关卡（dungeon），针对关卡这个点，很可能是难度导致了较低付费玩家的流失。

那么，对比一下不同付费的关卡通关成功率吧。

可以看出，在玩家流失高点，也是关卡通过率的低点。而对于V3以上的玩家来说，可能由于其装备水平本身较高，所以并没有感受到卡点的存在，整体关卡通过率都比较高。

那么，结合上文流失前玩家做的最后一件事，可以看出：

通过率相对低的关卡，与流失点重复率较高。关卡难度是影响玩家流失的核心原因之一。

2.3 付费数据分析

本次测试是第一次开付费功能，我主要是关注整体付费结构和首充动力。

付费结构帮助我们了解玩家付费能力，在后续付费活动设计上，可以根据不同能力的玩家设计不同的付费目标。而首充动力是为了让尽可能多的玩家产生破冰消费，一旦破冰后，后续付费将会更加容易，同时也对玩家留存帮助较大。

2.3.1 不同VIP等级分布

付费玩家约占20%，比例还是比较高的，V1占整体的12%左右，说明首充对玩家的吸引力很大。但V2开始比例有明显衰减，可能是小额玩家重复付费欲望不强。

为了验证这个结论，我拉取了不同档位的充值次数，来看进一步的原因。

2.3.2 充值次数对比

从表里可以看到，除了648档位重复充值次数较高外，其他的档位重复充值次数都很低。结合本次运营活动只有首充、月卡和公测付费金额双倍返还外，针对中间用户的付费活动不足，导致其缺少充值动力。

后续在公测时，应该针对不同档位的玩家有针对性的设计，拉高重复充值率。

2.3.3 玩家首充动力

虽然重复充值率偏低，但整体付费率还算可观。

多数玩家在4级开启首充后，就进行了首次付费。这得益于玩家被各个游戏教育养成的付费习惯，当然，也是我们本身奖励足够吸引人。

在13级，15级还有一个比较明显的小突起，此时差不多是第一次出现了匹配玩家付费能力的幸运礼包，促进了玩家首次付费。

同时，我按照看流失用户的思路，也看了下玩家在付费前的最后行为。

有了这个数据，我们就可以更明确知道玩家产生付费的动力来源于哪里了。当然，这个数据来源于充值前，所以对于一次性充值较多的用户，可能并不准确。但是对于首充动力，还是能够表现得很明显的。

比如我们的V1玩家付费行为21%来源于1922任务，而1922任务结束后，正好是第一次弹出首充界面的时机，可以看出这部分玩家看到首充的奖励，没怎么犹豫就进行了充值。

而V2更多的是道具驱动，再结合道具的整体销售情况，也能更加明确的得知哪些道具对哪些玩家来说更容易产生冲动了。

2.3.4 LTV对比

LTV是一个比较重要的数据，这决定了我们的买量成本和回本时间。只有知道玩家在生命周期贡献了多少钱，才能更合理的控制成本，从而产生更多的利润。

总体LTV首日7元，3日13.9元，7日18.1元；华为和官网用户LTV表现突出；首日分别达到了18.9元、15.3元；7日更达到81.2元、40.1元；

但是，虽然华为渠道的用户独树一帜，但毕竟这次是小规模内测，我们也不要忽略个别玩家对整体数据的影响。于是我拉了玩家的充值排行榜，看看是不是个体玩家导致的差异。

结果发现，果然，华为2个玩家充值遥遥领先。不过，这也进一步说明，华为的付费用户质量确实非常好，可以考虑在后续投放时，更多的偏向这个渠道了~

以上，本次数据报告就到这里。

在书写专业的测试报告时，宏观数据和微观数据要结合来看。

宏观数据可以帮我们了解到整体游戏的数据情况，发现游戏存在的问题。

微观数据，就是将宏观数据层层分解，比如流失率可以分解为流失玩家的流失曲线、流失触发点，ARPU和付费率可以分解为付费玩家的付费阶层以及付费触发点等，帮助我们找到问题的原因，从而优化游戏数据。

来源：数数科技
原地址：https://mp.weixin.qq.com/s/fxWomaswR53VgcTwdOnLNg