小白学数据分析----->付费渗透率再研究

今天所谈到的东西其实是关于新增付费用户的研究模型的内容,谈到模型,有时候我们过于神话了,模型其实最后就是一套方法论,我自己觉得这倒是自己思维思考最后落地的一个载体,因为思维要实现、训练、评估,最后出现一个载体来落实我们思维的所思所考这个载体就是模型。在没有经过实现、训练、评估之前,算不上一个模型,只有经历以上的过程才是一个模型。

之前有说过付费用户金字塔模型,付费渗透率_I的内容分析,今天就的内容算是对于付费渗透率的再研究。可以肯定一点的是我们之前对于付费用户金子塔的研究包含了所有付费用户的成分,我们之前的方法是从用户贡献度或者说是价值量来衡量,把用户分成了鲸鱼用户、海豚用户、小鱼用户。但是我们今天将从用户的生命周期角度来剖析这个问题,进而引出付费渗透率的再研究。

付费用户的构成

付费用户是一个很复杂的群体,第一层认识使我们普遍认识的,也是我们最多采用的数据分析是层次,但是从第二层开始的细分,对于我们的后续很多分析其实是很有益处的。我有一个猜想:

如果用户金子塔是稳定的,那么付费渗透率的提升是否一定有意义?

提出这个假设的原因在于我们对不同付费群的研究中发现,群体用户的特征在最初的阶段就已经形成了,换句话说我们推测一个用户在一款游戏的付费能力基本上就是圈定了,当然针对这一点很多人会产生质疑,因为通过游戏付费“陷阱”、粘性、延伸消费,进一步扩大需求,刺激消费。这一点确实是存在的,然而如果你仔细去分析数据,很多玩家在整个的生命进程中,消费基本上是在自己的承受范围之内和压力之内。

我们不排除极限用户,比如深度迷恋游戏以至于全面投入游戏中,但是这类的用户所占比例很小。进而从这个角度我们来分析,每个人的付费能力是基本固定的(想要延伸和刺激消费,就得更新、运营),那么我们不断拉高的渗透率其实没什么太大的作用,因为付费的人终究付费,花费多的人(有钱人)自然就愿意花费,如果你的游戏足够值得他们去消费,那些本来付费就很少的人,玩到最后也会花费很少,甚至就是流失,因为游戏太多,选择太多,诱惑太多。这么看,渗透率意义是局限的。

那么在这种情况下,我们可以来做一件事,那就是在付费用户的初期,我们就能够预测和判断付费用户的付费能力,而不是通过后期的实实在在的数据来验证究竟哪些是真正的鲸鱼,哪些是海豚,哪些又是小鱼。这点也恰恰反映了数据分析的价值所在,用过去发现利用未来,而不是用未来验证说明过去,因为如果那样,你没有进步的可能。因为前进与创新的动力来自于对未知的探索和训练,这未知是指导的、灵感的、偶然的。

付费渗透率的结构化

在上次的分析论述中,我其实就是想将付费渗透率结构化,所谓结构化,就是分层建立付费渗透率,因为我们在付费用户的研究上已经建立了金子塔模型,那么过去我们使用一个付费渗透率指标去衡量的方式需要进一步细化,当然这不是说原来的方式不对,因为在一些高级别的分析报告和演讲中,我们就需要这种一个指标就OK了。

然而作为一个分析师,在具体面对业务时,我们不能够就这样的粗放使用一个付费渗透率去分析问题,因为这样会掩盖掉很多的问题。因此我建议的结构就是分层付费渗透率:

 

W-PUR:鲸鱼用户的付费渗透率

D-PUR:海豚用户的付费渗透率

F-PUR:小鱼用户的付费渗透率

这里面可能就存在一个问题,估计大家都有这个疑问,我们该如何计算这个PUR呢?计算方法如下

鲸鱼用户/活跃用户数量

这里需要解释一下,这里的鲸鱼用户是基于历史鲸鱼用户特征计算出来的本月的鲸鱼用户,本身是一种预测数据,但肯定是付费用户,活跃用户即MAU。

付费渗透率的序列化

留存率我想大概大家都比较熟悉,比如次日、3日、7日、30日、这是从对一批或者一个渠道新登用户的一种观察分析手段,是一种时间序列化的方式,由此我想对于付费渗透率我们也可以进行时间序列化。

即推出首日、次日、7日、30日付费渗透率的,但是明确一点的是这里的用户是新登用户。其定义形式如下:

N日付费渗透率

限定时间内的新登用户,N日付费的用户/限定时间内的新登用户

假设10月8日有500人新登用户,首日50人付费,那么首日的付费率为50/500=10%;

假设10月8日有500人新登用户,10月9日(即次日)有25人付费,则次日付费率为25/500=5%;

这种方式的付费比率从另外一个角度将我们之前统计的付费渗透率进行了细分和立体化,这种付费渗透率细分把新用户和活跃用户的付费问题明确了,因为有的新用户是首日之日便开始付费,而有的新登用户是在一定时期内选择付费,但是达不到活跃用户的标准。这样也能帮助我们更加细致的研究活跃用户的自然付费周期。

以上的是针对具体每日的付费渗透率分析,当然了就像留存率研究一样,我们可以限定时间为周,即一周的新登用户在下周内的付费渗透率研究,这都是可行的。具体还要看自己需要。

此处是借助于留存率的模式进行的付费渗透率研究,方法和之前的其实本质上是一样的,稍加改动,至于该方法是否符合您的产品需要和分析需要,这要根据自己实际情况,这里所述的内容仅供参考,作为探索和讨论之用。

时间: 2024-09-01 22:49:01

小白学数据分析----->付费渗透率再研究的相关文章

小白学数据分析----->付费渗透率_I 你的渗透率有价值吗?

早先在公司参加了一次付费渗透率的培训,后来觉得蛮有意思的,拿出来和大家分享一下,顺便说说我的看法. 在游戏运营数据分析中有一个非常重要的指标就是一个游戏的付费渗透率,所谓付费渗透率就是在一个游戏中,付费玩家占整个活跃玩家的比例,用数学表达式就是付费玩家数/活跃玩家数. "宏观上来说,付费渗透率代表了在玩家群体的付费意愿.消费观念和目前的游戏消费能力."某种程度上,这说明了游戏本身付费玩家转化能力,IB,经济系统是否为玩家所接受,是对OBT之后游戏收益能力的一个有效指标(当然也要结合AP

小白学数据分析----->付费用户的金字塔模型实践操作

免费游戏中付费用户模型分析 最近看了不少文章,对于付费用户的模型也有了很深刻的理解和认识,早先我做了不少关于大R,中间R,低端R用户的分析,想来还是觉得草草了事,近来有网友提出来,理论探讨的多了些,实践上手的东西少了点,毕竟还是叫做小白学数据分析啊,今天就把以前说过的付费用户的模型具体的实践一下. 感悟和理论 得到的灵感首先要感谢Nicholas Lovell 的这篇文章,是我得到了一些处理和分析这个模型的办法.连接如下: http://www.gamesbrief.com/2011/11/wh

小白学数据分析----->付费用户生命周期研究

付费用户其实存在一个付费周期转化的问题,直接指标可能就是付费渗透率的问题,然而在此背后其实还有更深入的问题.我们经常遇到的是推广渠道获得的新用户,且这批用户进入游戏的状态.其实在付费用户问题研究方面,本质上是类似的.对于广告网络,渠道带来的新用户而言,我们判断了新用户在随后的留存情况,今天我们研究的是当一个用户付费后,则是另一次"新用户"在随后留存情况的分析.换句话,我们把付费用户当作"新用户"开始研究留存,也就是付费留存.付费留存概念付费留存概念这一点,对于大家是

小白学数据分析------>日活跃人数分析

从今天开始,特开辟一个小专栏,题目暂定为小白学数据分析,鄙人不才,在数据分析的道路上走的崎岖坎坷,同时数据分析本身是一个多面和复杂的工作,要懂得理论(统计.概率.数据挖掘.算法.模型)更要懂得业务,懂得行业理论,还要有灵活多变的思维,想想还是很复杂和麻烦的,所讲内容不但是理论,不仅是数据,尽量把这些东西综合起来,立体的来看,鄙人水平有限,很多的内容是尝试和改进,参考了很多的材料,在木有高人指点和牛人帮助的情况下,我只能借助浩瀚的网络知识和自己的悟性,今天决心拿出来给各位主要是帮助大家和我一起进步

小白学数据分析----->数据指标 累计用户数的使用

小白学数据分析--à数据指标累计用户数的使用 累计用户数是指注册用户数的累计,即可以认为是新用户的累计.在一般的数据统计中,我们基本上都会涉及到这个指标,且这个指标是逐渐累加的,比如: 时间                   注册用户数[新登用户]           累计注册用户数 1日                    100                                                 100 2日                    120   

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ARP

小白学数据分析------->充值记录分析

   充值记录分析的方法有很多种,维度很多,今天就说说一个比较初级的分析方法,希望对于各位有一定的帮助和指导. 首先来看一下充值记录的格式,一般而言我们取到的数据都是交易格式(什么事交易格式这里不说了,大家应该都了解) 账户 充值额 充值大区 充值时间 1 100 A 2012-4-9 1 25 A 2012-4-7 2 50 A 2012-4-9 3 4 4 100 200 50 A A B 2012-4-5 2012-4-2 2012-4-1                     以上为我

小白学数据分析-----> 你的游戏数据分析做好了吗?

"策划和数据的关系和SM一样,你穿皮衣,握着鞭子的时候,才会体验到驾驭数据的刺激,前提是你很坚定你必须站着,一次都不要跪.如果你是跪在地上的那个,那永远永远只能被牵着走." 我们作为游戏运营一直在说数据重要,数据化运营,然而,往往给出来的就是留存率.流失率.活跃.付费渗透率,这些是目前大家都在做的,而且做了很久很久,可惜的是目前还没有形成一些统一的规范,因此我们有了ARPU的质疑,有了一次又一次的质疑,虽然再各自为战,但是没有战出一个所以然. 其实我觉得太多的时候我们只是注意了怎么炫,

小白学数据分析----->从购买记录分析道具支付环节

昨天发现充值异常增高,于是准备做一次详尽的分析,但是当我开始提取数据时,发现了一件比较异常的事情,这是在查询玩家的购买记录时发现的(这是因为往往我们要分析充值时,也要辅助的去看一下当日的购买情况),截图如下: 可以看得到玩家对于该道具的购买需求很高,在一段时间内不断的购买,但是商城不支持批量购买,玩家每次交易只能买一件,然后再次点击再次购买.看到这里,我点蛋疼了. 针对这个问题,昨晚和BOSS聊了一些,就是在讨论商城购买支付环节的问题.总的理解起来是目前的商城购买UI已经是确定符合玩家的习惯的U