ゲーム運営データの分析方法（ゲーム運営データ分析ライフをゼロから始める？データ分析の論理的枠組みの構築方法）

ゲーム運営データ分析人生をゼロから始めてみませんか？データ分析のための論理フレームワークを構築する方法

5月30日、Shushu Classroomは、Shengqu Gamesのデータ分析専門家であるLi Xiangyan氏を特別に招待し、第5回ライブ放送を主催しました。

李向燕先生は、50以上の製品を通じて蓄積されたデータ分析の考え方を学生たちと共有し、データ分析が日常のノードから製品や業界の方向を予測できる方向指標となる位置づけを全員が理解できるようにしました。

以下は当日の生放送の記録です。

「ゲームデータ分析の実践」の冒頭に書いた最初の文章は次のとおりです。

今日の授業では、アナリストとして独自の分析システムを構築し、データ分析結果を効果的にビジネス開発を推進できる原動力にする方法をお話しします。

今日のレッスンは次のとおりです。

私は普段、製品、市場、運用という 3 つの主要なビジネス シナリオに主に焦点を当て、ビジネスを推進する業務を多く行っています。私の仕事には、ゲームや IP の導入のレビュー、ゲーム プロジェクトの設立のレビュー、ゲームの研究開発のレビュー、リソースの割り当てのレビュー、マーケティングのレビュー、ゲーム運営のレビューが含まれます。

1. IPコントロールI IP導入価値分析、導入・自社開発ゲーム成功率予測

企業がIPを導入する場合、まずはそのIPの価値（ユーザー価値、商業価値、コンテンツ価値、戦略価値など）を分析します。

IPが導入価値があるか、導入にかかる価格帯はどの程度かを評価します。例えば、以前は日本市場から国家レベルのIPを導入したいと考えていましたが、一連の調査の結果、このIPは中国市場ではニッチなIPとみなされていることがわかりました。さらに、当社では社内に新ゲーム成功率モデルも持っており、新ゲームの関連情報に基づいて成功率を予測することができます。

2.プロジェクト承認I 対象ユーザーを正確に特定し、さまざまな研究開発計画の長所と短所を評価し、信頼できる収益を見積もる

「ターゲットユーザーを的確にポジショニングする」ことが「的確な開発」を行うための目的です。まず、ターゲットユーザーが誰であるかを把握し、満たされていないニーズを見つけ出し、最良の結果を達成する必要があります。一般的にはクローラーデータ、アンケート調査データ、競合ゲームデータ、市場全体のデータなどから分析します。

たとえば、企画チームは、MOBA の競争的なゲームプレイを開発するか、チキンイーティングのゲームプレイを開発するか、ローグライク + レベル適応機能の統合を検討するかなどについて悩んでいます。私たちは通常、さまざまなゲームプレイの長所と短所を分析します。 R&Dの方向性が決まったら、それに応じたキャッシュフローなどを見積もり、ゲームプロジェクトのチェックを行います。

3. R&D 管理I パーソナライズされた追跡、ポイントツーポイントで問題を見つけます。決済モジュールと爆発率設計の最適化

ゲーム開発段階では、プランナーにテスト全体のデータ期待値を揃えてもらい、期待値を満たしていないものを見つけ出し、プランナーと協力して問題箇所を特定します。たとえば、ゲームプレイ、開発、商品化、キャリアなどに対する期待される関与のレベルはどの程度でしょうか?計画に対する期待と懸念は何ですか?

次に、これらのモジュールのデータの監視に焦点を当てます。期待に沿わない点が見つかった場合は、プランナーと協力して問題を特定します。例えば、ゲームプレイ参加率が予想と大きく異なることがわかった場合、ユーザーの行動とユーザー属性を分析します。

当社のデータアナリストの目的は、「特定の病気を治療し、プログラム的な提案を行わないこと」です。

4.投資管理I 製品の品質を評価する。収益と活動の予測フレームワークとモデルを構築し、購入量を最適化する

ゲームのテスト段階では、ゲームデータに基づいて製品の品質を評価し、最適な市場投入の推奨事項を提供し、購入トラフィックの有効性を分析して、購入トラフィックの最適化のためのデータ参照を提供することができます。

市場制御と運用制御については、「数学教室・第４回I オペレータのデータ分析の成長史」で詳しく紹介しています。興味のある友人は行って見てください。

データ分析の定義は、データから有用な情報を抽出し、実践を導くことです。具体的なプロセスを整理するために例を挙げてみましょう。

需要背景：ゲームがバージョンアップしています。アップデート期間中は動画やWeibo投稿が公開され、その効果を分析する必要があります。

1.ニーズを特定する

まず、この分析の目的は、投資したゲームデータにどのような変化が起こったか、そして ROI はいくらかを確認することであるということを明確にする必要があります。

2.データを収集する

社内データベースからは従業員数、売上、定着率などのデータを収集でき、社外（Weibo、動画サイト）からはクリック数、コメント数、集中砲火、コメント内容などのデータを収集できます。

3.データ処理

データ処理とは、適切な統計手法を使用して収集されたデータを継続的にクリーニングし、有用な情報とルールを抽出することを意味します。一般的な方法としては、SQL を使用してユーザーの保持率、レベル、ユーザー数、収入などのデータをカウントしたり、Python を使用して外部データをクロールしたりすることが挙げられます。

4.データを分析する

主な手法としては、比較、グループ化、構造分析、テキスト分析などがあり、広告前後のデータの変化、動画広告とWeibo広告の効果の違い、ユーザーコメントからの重要な情報などを取得します。

5.データを表示する

トラフィックを購入するには、人数や収入の変化を示す折れ線グラフ、Weibo と動画の配置による効果の違いを示す棒グラフ、プレイヤーのコメントの重要な情報を示すワードクラウド グラフを使用する必要があります。

6.レポート作成

タイトル、序論、結論、詳細分析の 4 つの部分があります。このレポートでは通常、活動にどれだけの投資が行われたか、何人の新規ユーザーが獲得されたか、活動前と比べてどのような変化があったか、どれだけの収益がもたらされたか、新規ユーザーのコスト、ROIなど、核となる結論を最初に提示します。

データ駆動型ビジネスを実現するには、モデルとデータ分析の結論の両方を評価する必要があります。

評価の結果、結論は合理的かつ適用可能であり、プロジェクトチームはそれを運用およびマーケティング活動計画設計における意思決定の参考資料の 1 つとして使用します。利用できない場合は、アナリストは要件を再検討し、上記のプロセスを再度実行する必要があります。

データがプロジェクトに本当にプラスの影響を与えることができるかどうかは、データの結論がビジネスの問題点を解決できるかどうか、そしてレポート対象がデータをどれだけ評価しているかによって決まります。

例えば：

1.ウォームアップ期間中のユーザー調査により、ターゲットユーザーの特性が特定され、パブリッシャーは分析レポートの結果を参照して、時間、場所、プロモーション方法を決定することができます。

2.クローズドベータテスト中のユーザーアンケートは、ユーザーのさまざまなゲーム機能に対する体験と評価、および関連する提案を理解するのに役立ち、R＆D担当者がそれらを採用し、データを使用してR＆Dにフィードバックすることを奨励するのに役立ちます。

3.最適な市場コストを計算することで、プロジェクトはリソースを合理的に割り当て、リソースの無駄を回避できます。

4.市場配信効果分析では、広告配信効果データを監視し、各メディアの特性を分析して、パブリッシャーがデータを通じて問題を発見し、効果を最大化するためにリソースを割り当てることを促します。

5.離脱ユーザー分析により、ユーザーの離脱ポイントを特定し、R&D 担当者にデータに基づいてゲームを最適化するよう促します。

6.支払い習慣分析により、支払いを行うユーザーの特性を特定し、オペレーターにデータに基づいた関連活動を展開するよう促し、より多くの人々に支払いを促します。

全体的に、データがプラスの影響を与えるかどうかは、データ自体ではなく、データを使用する人々にかかっています。データアナリストが作成した分析レポートやモデルが評価されておらず、データの結論や提案がビジネス側で使用されなかったり、ビジネス側の意思決定に役立たなかった場合、その仕事は単なるデータ分析の基本作業であり、データ駆動型ビジネスは達成されていません。

データ分析システムを導入した企業は、より効率的にビジネスをサポートできますが、包括的なデータ分析システムを構築するには、まずビジネスにとって最も中核的かつ重要なデータ指標を見つける必要があります。

「指標はビジネス品質を測定するための基準であり、社内の製品、マーケティング、運用作業のガイドにもなります。」一般的に言えば、どの業界にも中核となるデータ指標が存在します。

たとえば、インターネット電子商取引業界では、クリックスルー率、購入率、返品率、平均注文額などが主な指標として注目されます。一方、ゲーム業界では、コンバージョン率、維持率、支払い率、ARPU、ARPPU、CPC、CPA、CPR、CPL、LTV、ROI が私たちが注目する指標です。

さらに、新規ユーザー数、アクティブユーザー数、収益などがあります。これらはすべてデータ指標です。ここでは、計算する必要があるこれらの主要な指標を説明するために例を挙げることに重点を置きます。

1.定着率

「日次維持率」と「加重維持率」に分けられます。この表から、翌日の維持率とは、新規ユーザーが最初にログインしてから 2 日後に再度ゲームにログインする割合を指していることがわかります。

翌日加重維持率とは、一定期間内の 2 日目に維持された新規ユーザーの数を、その期間内の新規ユーザー総数で割った値を指します。

PS: 加重保持率を使用するのはなぜですか?

加重保持率を使用する理由は、人数が大きく変わるとデータに偏りが生じてしまうため、加重するとデータがより安定するからです。たとえば、初日に新規ユーザーが 100 人いて、2 次維持率が 50% であるとします。 2日目には新規ユーザーが10人増え、二次維持率は90%になりました。それで、このゲームの二次保持率はどれくらいでしょうか? 50%ですか？それとも90%?平均値 70% を採用すべきでしょうか、それとも加重値 53.64% を採用すべきでしょうか?答えは、強化された保持率 53.64% を取ることです。

写真の下の表は、過去のゲームテストデータに基づく、保持率とゲーム品質の関係を示しています。参考にしていただけます。もちろん、ユーザーの種類によって維持率は異なります。ここでは区別はしていませんが、大まかな参考としては役立ちます。

2. ＣＰＬ

約 40 個の PC ゲームと 30 個のモバイル ゲームのテスト ノードから CPL データを収集し、2008 年から 2019 年までの広告の CPL 変化傾向を参考までに取得しました。

説明すると、CPL はトラフィックを購入するためのコストとして理解できますが、ゲームの種類によってトラフィックを購入するためのコストは大きく異なります。たとえば、カードゲームのトラフィックの購入コストはわずか 20 元ですが、MMO ゲームのトラフィックの購入コストは 200 元を超える場合があります。ここで取得されるのはサンプルゲームの平均値です。主なポイントは、トレンドを皆に示すことです。

3. LTVとCPA

ここには、パブリック ベータ期間中のゲームのユーザー インポート コストと収益データがリストされています。

この写真から次のことがわかります。

（１）9月10日から23日まで、LTV（ここではARPUで表す）はCPAを大幅に上回っており、ユーザーメリットがユーザーコストを上回り、効果が比較的理想的であったことを示している。

（２）10月1日から8日まで、フォーカスフレームワーク構築広告キャンペーンを展開しました。 LTV は CPA よりもはるかに低く、ユーザーのメリットがユーザーのコストよりも低く、効果が理想的ではなかったことを示しています。

さらに、ユーザーの 30 日間の ARPU 曲線と 60 日間の曲線が非常に近く、ほぼ重なっていることがわかります。これは、このゲームの長期保持が非常に低く、ユーザーのライフサイクルが非常に短いことを示しています。

LTV は非常に重要なデータであり、購入量の指針となります。 LTV (つまり、ゲーム内のユーザーの価値) がトラフィック購入コストを上回ると、その製品は元が取れたことを意味します。計算を行う際には、チャネルの共有を考慮する必要があります。たとえば、ユーザーの生涯 LTV が 200 で、トラフィック購入コストも 200 の場合、チャネル シェア (50% と仮定) があると、実際の利益は 100 のみとなり、トラフィック購入コスト 200 よりも少なくなります。

4. ROI（投資収益率）

以下は、iOS チャネルにおける特定のゲームの購入量の結果の一覧です。

このグラフから、市場投入後 5 日以内に ROI が 51%、30 日以内に 71%、55 日以内に 75% であったことがわかります。過去3か月間、費用は回収されていません。 30 日後の ROI はより安定し、その後の ROI は 80% を超えないと予想されます。データ分析の仕事は歴史を総括し、未来を予測することではないでしょうか？これは、将来を予測し、この投資がコストを回収できるかどうかをリーダーに事前に伝える例です。

上記で主要なデータ指標について説明しました。それでは、日々の分析に使われる指標を見てみましょう。これらのデータ指標はコア データ指標ほど重要ではありませんが、コア データ指標の動的な変化をより深く掘り下げるのに役立つ重要な参照資料です。

1.収入指標

収益分析を行う際には、支払う人数、支払う金額、支払い率、ARPPU、ARPU に注目し、最終的にこれらの収益とそれに対応するコストの計算を通じて、どれだけの利益率が得られるかを確認します。

2.活動効果分析

オンラインイベント、オフラインイベントを問わず、参加者数、参加回数、参加率、イベントコンバージョン率に注目します。 （何人が有料顧客になったかなど）

3.チャネル分析

私は通常、新規ユーザー、アクティブユーザー、支払い額、維持率、ARPU、LTVなどの指標を含む包括的な評価方法を使用して、チャネルの全体的なランキングを分析します。もちろん、チャネルの主な役割は新規ユーザーを引き付けることであることはわかっていますので、最初に調べる必要があるのは、チャネルによってもたらされた新規ユーザーの数であり、次にこれらのユーザーの維持、支払い、LTVなどを見て、チャネル内のユーザーの質を判断します。

トラフィックを購入する場合、多くの場合、チャネルのユーザーを分析します。特定のチャンネルにおいて、ユーザー数が少ない場合やユーザーの質が悪い場合は、すぐにフィードバックを提供します。最後に、基本的にLTVと購入量のコストの関係に基づいて計算されるROIを見てみましょう。

4.ユーザータイプインジケーター

ユーザーを分析する際には、新規ユーザーか既存ユーザーか、アクティブユーザーか離脱ユーザーか、離脱ユーザーかリピーターかに注目します。ユーザーのソースなどに基づいて、MMO ユーザーであるかカード ユーザーであるかを判断することもできます。

5.広告効果指標

支出額、インプレッション数、CPM（千人あたりのコスト、平均して 1,000 人のユーザーが広告を 1 回聞いたり見たりするのにかかった費用）、クリック数、クリックスルー率、コンバージョン率、CPL、ROI

6.ユーザー価値指標

ゲーム内でのユーザーの価値を指します。合計値を確認したい場合は、LTV を確認してください。ただし、ユーザー価値をセグメント化したい場合は、RFM モデルの 3 つの指標（最終チャージ時刻、チャージ頻度、チャージ金額、LTV など）を使用できます。投資とコストがかかる場合は必ず ROI に注目することに注意してください。ここでは、一般的に使用される分析指標のみをリストします。実際の作業では、非常に多くの指標に遭遇することになります。

分析プロセスで関連する要素を細分化してデータ分析を実行する方法を整理するために、ユーザーと収益に関連する要素の指標を細分化する 2 つのケースを例として使用します。

▍バージョンアップデート

バージョンアップデートの効果は、主に人数と収益という 2 つのデータによって決まります。

人数や収益が増加したかどうか、また、どれだけ増加したかが、運営上最も重要な問題です。人数や収入などをもとに分析すると、細かい次元がいくつも出てきます。

例えば：

1.アクティブユーザー数の増加

• 増加しているのは新規ユーザー数ですか、それとも既存ユーザー数ですか?
• 新規ユーザーの場合、広告によってもたらされたものですか、それとも自然増加ですか?
• 広告によって獲得したユーザーと自然に追加したユーザーの維持率はどれくらいですか?
• 比較することで、広告ユーザーの質を分析できます。広告によってもたらされたユーザーの CPL と ROI はどれくらいですか?費用を回収するにはどれくらいの時間がかかりますか？
• 自然と追加されたユーザーに対して、バージョン刺激以外の運用活動はありますか？
• もしそうなら、以前の活動の結果と比較してどのような違いがありますか?
• 既存ユーザーのうち、アクティブな既存ユーザーは何人ですか?戻ってきた古いユーザーは何人いますか？回帰率とは何ですか?
• 以前の SMS リコールやバージョンと比較して、返品率は増加しましたか?

2.収入データの増加

• 収入構造はどうなっていますか？
• 時間ベースの有料ゲームの場合、時間収益と小道具収益の割合はどれくらいですか?
• 小道具に関しては、小道具収入のランキングを見てください。ユーザーの間で最も人気のある小道具やギフトパックは何ですか?

人数や収益に加えて、新しい職業、新しいゲームプレイ、新しいタスクやコピーへのユーザーの参加など、バージョンアップデートの内容も分析する価値があります。また、このバージョンでユーザーがどれだけのコンテンツを消費するかなど、より体系的な分析も価値があります。

たとえば、あるバージョンがユーザーが 1 か月間体験できるように事前に設定されていて、14 日間のアップデート後に一部のユーザーがコンテンツの 80% を体験した場合、それはユーザーがかなり熱心であることを意味します。この場合、更新の進行を加速することができます。

▍ファネル変換

某チャンネルで配信されたゲームの発売日初日のデータです。ユーザー指標はファネルに応じて分類できます。

左側には各リンクのコンバージョン状況、右側には全体のコンバージョン状況が表示されます。左側の各ステップのコンバージョンから、クリックからダウンロード、ダウンロードからインストールまでのコンバージョン率が非常に低く、コンバージョンの半分が失われていることがわかります。このとき、クライアント パッケージが大きすぎるか、ネットワークに異常があるか、ダウンロードが完了した後にインストール リマインダーが表示されないなど、このリンクの原因を調べることができます。

環境全体から見ると、広告をクリックしてからゲームに入るまでのコンバージョン率はわずか 9.8%、支払いコンバージョン率はわずか 0.5% です。つまり、広告をクリックした 10 万人のユーザーのうち、最終的にゲームに参加するのは 9,800 人だけで、最終的に料金を支払うのは 500 人だけです。

1 回のクリックのコストが 1 元であると仮定すると (なぜ 1 元と仮定するのでしょうか? 1 回のクリックのコストはゲームやチャンネルによって異なります。数セントの場合もあれば、数ドルの場合もあります。ここでは 1 元と仮定します)、10 回のクリックには 100,000 元かかります。有料ユーザー 500 人の ARPU が 200 元に達すると、投資を回収できます (チャネル共有を考慮せずに)。チャネル共有率が50％であると仮定すると、損益分岐点に達するには有料ユーザーのARPUが400元に達する必要があります。 400元のアルプはちょっと難しいです。

データ分析システムには、データ指標に加えて、分析フレームワークと分析方法も含まれます。

分析フレームワーク

個人でも企業でも、共通のフレームワークを通じてデータ分析を向上させることができます。これがフレームワークの役割です。

よく使われるフレームワークとしては、ユーザー行動理論、5W1H 分析法、AARRR モデル、PRAPA モデル、RFM モデルなどがあります。

1.ユーザー行動理論

公式サイトでアクティベーションコードを販売しているゲームがあります。アクティベーション コードを購入することによってのみ、ゲームに正常にログインできます。

その後、公式ウェブサイトでアクティベーションコードを購入するというユーザーの行動に基づいて、いくつかの変換ステップが実行されます。これらのステップは、マーケティングの 5A モデルやユーザー行動理論にも対応しています。

ユーザーはまず公式サイトのガイドページを開く必要があります。ユーザーがこの Web ページを見つけることができれば、そのユーザーはこの Web サイトに精通していることになります。観察できる指標には、ウェブサイトの UV、訪問者数、PV 数、訪問元（これらのユーザーがどのチャネルから来ているか、Baidu 検索、またはその他のメディアなど）が含まれます。

2つ目は公式サイトのガイドページに公式サイトに入るボタンがあります。このボタンをクリックしてウェブサイトにアクセスする人は、ウェブサイトに惹かれ、ウェブサイトを気に入り、その活動に興味を持っています。観察できる指標には、平均ページ滞在時間、直帰率、ページの好み、検索ホットワードなどがあり、ユーザーが公式サイトのどのコンテンツに興味を持っているかを観察するために使用できます。

公式サイトで、ユーザーがクリックしてアクティベーション コードの購入ページに入る場合、それはユーザーが詳細を知り、アクティベーション コードを購入したいことを意味します。ユーザーは購入前にアカウントを登録する必要があるため、確認できる指標は登録ユーザー数とログインユーザー数です。

ユーザーがアクティベーション コードを購入するために料金を支払うと、ユーザーがアクションを実行したことを意味します。観察できる指標としては、アクティベーションコード購入の注文数やユーザーのコンバージョン率などが挙げられます。最後に、アクティベーション コードを購入したユーザーはゲームに参加できます。ゲームが楽しいと思えば、彼らはそれを支持して他の人に勧めるでしょう。観察できる指標には、アクティブ ユーザーの数 (日次、週次、月次アクティブ ユーザーを区別)、アクティブ ユーザーの割合、維持率、解約率などがあります。

2. 5W1H

損失の原因を5W1Hの観点から分析すると、次のようになります。

なんと、ユーザーの離脱が発生しました。

誰が負けたのか、新規ユーザーか、それとも古いユーザーか?学生、会社員、その他の職業ですか?ゲーム内でユーザーを失う可能性が高い職業はどれですか?

どこで、どこで失くしたのか、どの地図で失くしたのか、どの地域で失くしたのか。

損失は​​いつ、いつ発生するのか、初心者段階なのか、中級段階なのか、上級段階なのか。

なぜ？ゲームが行き詰まっているからでしょうか、タスクを完了する方法がわからないからでしょうか、ダンジョンをクリアできないからでしょうか、それとも社会的な関係が弱くて一緒に遊ぶ友達がいないからでしょうか?

ユーザーが迷子になった場合はどうすればいいでしょうか?バージョンを更新したり、バージョンの欠陥を補う活動を行ったりする。

3. AARRRモデル

このモデルは、2008 年にシリコンバレーのベンチャー キャピタリストによって作成され、海賊モデルとも呼ばれています。

私の意見では、このモデルは PC ゲーム時代のプラパ モデルといくつかの類似点があります。

ゲームでは、まずユーザーを獲得することが第一歩です。ユーザーを獲得した後は、ログインしてゲーム内でアクティブになってもらう必要があります。一度アクティブになると、そのまま残る場合があります。滞在後に料金を支払うことで収入が生まれます。忠実なユーザーになれば、友人にゲームを勧めるかもしれません。このモデルの最後のステップは推奨です。

このステップは、ユーザーの行動モデルでもあります。各ステップには分析して最適化できるポイントが多数あります。実際、このモデルを逆に見ると、ファネル チャートになります。どのリンクのコンバージョンが低いかを確認することで、具体的な原因を見つけることができます。

4.プラパモデル

このモデルは、当社が2003年に業界に導入したものです。このモデルを通じて、ネットワーク製品の入出力関係を完全に理解することができます。

P-プロモーション：投資（マーケティング費用、運用保守費用、販売費用、その他の費用などを含む）

R-register: ユーザーを登録する

A-アクティブ: アクティブユーザー

P-pay: 有料ユーザー

A-ARPU: ユーザー消費額

以前の指標との類似点が多いため、詳しく説明しません。

5. RFMモデル

RFM モデルはユーザー価値モデルです。これは、顧客価値と顧客収益性を測定するための重要なツールおよび手段です。ユーザーのアクティビティや取引額の貢献度に基づいてユーザー価値をセグメント化する手法です。

主な指標は3つあります。

R - 最後の充電時間

F - 充電頻度

M - チャージ金額

ユーザーは、「重要な価値、重要な開発、重要な維持、一般的な価値」の 4 つのカテゴリに分類されます。

RFM モデルは、ユーザー価値データを参照し、ユーザーポイント活動を設計し、ユーザーの権利と利益のシステムを構築し、福利厚生クラブを楽しみ、現在の状態を維持し、解約の警告を提供できます。

▍分析方法

さらに、分析方法も数多くあります。ここでは、最も一般的に使用される分析方法 14 個をリストしました。理解を深めるために、例を挙げて、上記の 14 の分析方法をすべて使用してみましょう。

たとえば、ある日にゲームの収益が増加し、その理由を知りたいとします。なぜ収益が増加したのでしょうか?

1.比較分析

前の週、前月、前年と比較して収入がどれだけ増加したか。

2.グループ分析

有料ユーザーを大 R、中 R、小 R にグループ化します。

3.構造解析

大、中、小のルピーの数と消費額が、支払う人の総数と総額に占める割合。

4.平均分析法

大規模、中規模、小規模 R の 1 人あたりの平均収益 (ARPPU)。

5.クロス分析

大規模戦闘、装備保有、ゴールド（ダイヤモンド）消費などのアクティビティへの大・中・小Rプレイヤーの参加により、合計スコアの観点からデータを観察することができます。

6.ファネル分析

アカウントからログイン、維持、支払いに至るまで、収益が増加した日には、ユーザー維持率と支払いコンバージョン率が以前よりも高くなることがあります。

7.マトリックス分析

ユーザーを 4 つの象限に分類します。たとえば、高額支払でアクティブ度が高いユーザー、高額支払でアクティブ度が低いユーザー、低額支払でアクティブ度が高いユーザー、低額支払でアクティブ度が低いユーザーなどです。 4 つの象限の結果に基づいて、各象限またはマトリックスに対して対応する対策を講じることができます。

8.総合評価分析法

ゲーム内の各有料ユーザーの支払い可能性を評価します。例えば、ユーザーが過去 7 日間、6 か月間、1 年間にゲーム内で支払った金額を、ランキングの総合指標に変換し、ランキングに基づいて支払いの可能性を評価します。

一部のアカウントは、過去 7 日間の支払い額の点では高いランクにランクされているものの、過去 1 年間の支払い額の点では低いランクにランクされている場合があります。これらのユーザーは復帰プレイヤーである可能性があります。

9. 5W1H

これらのユーザーがゲームを離れた後に戻ってくる理由をさらに分析することもできます。理由は何ですか？ 5W1H メソッドを使用すると、どのようなタイプのプレーヤーがいつ、どこに、どのような理由で復帰するかを調べることができます。

10.相関分析

ユーザーの離脱と回帰の理由を見つけた後、これらのユーザーが以前に離脱した理由を分析し、いくつかの指標を使用してユーザー離脱との相関関係を分析することもできます。例えば、ギルド戦で戦うことのフラストレーションが強すぎるからでしょうか？ゲームの価格が急激に下落しているのでしょうか?ギルドメンバーが解散？これらの理由のデータ指標を見つけたら、これらの指標と解約率の相関関係を確認します。相関関係が高ければ高いほど、解約の可能性が高くなります。

11.回帰分析

相関性の高い指標を見つけたら、これらの指標を独立変数として使用し、ユーザーが解約したかどうかを従属変数として使用します。ロジスティック回帰を使用すると、ユーザー離脱の確率を導き出すことができます。

12.クラスター分析

PVP 高アクティブプレイヤー、PVP 低アクティブプレイヤー、PVE 高アクティブプレイヤー、PVE 低アクティブプレイヤーを区別できます。

13.分散分析

この方法は、クラスター分析と組み合わせて使用​​して外れ値を見つけることができます。外れ値が見つかり除去されると、クラスター分析の結果はより正確になります。

14.時系列分析

ゲームの将来の収益動向を予測できます。

実際、以前シェアしたとき、優秀なデータアナリストになる方法についてお話ししました。その後、私は徐々に「優れている」という言葉を定義するのが難しいことに気づきました。データ思考（定量的な思考方法）、ビジネス理解力（継続的な学習と蓄積が必要）、データ分析ツール（どのツールを使用するか）、分析方法とモデル、視覚化スキル、レポート作成など、より包括的な能力を考慮します。優れた分析結論を得るだけでなく、それを出力することもできなければなりません。

もちろん、アナリストがこれらすべてのスキルを備えることは困難です。通常、ビジネスニーズに基づいて適切なアナリストを選択します。たとえば、R&D プロジェクトと連携してチューニングを手伝ってくれる人を見つけたい場合、ゲームをたくさんプレイし、プレイヤーの視点ではなくゲーム制作の視点から問題を考察できるアナリストを探します。モデル化して予測を行う人材を探したい場合、データマイニングに興味のある人材を探します。ビジネスに弱い人でも問題ありません。

上記は、今回の生放送の内容の一部を紹介したものです。さらに興味深いコースのリプレイやコースウェアについては、下の QR コードをスキャンして入手できます。

モバイルゲームのチャネル最適化の場合、主に素材のボリューム吸収に注目します。異なる素材は異なるチャネルで非常に異なる変換効果を持つため、履歴データに基づいて最適化する必要があります。

この最適化には試行錯誤の期間が必要であり、試行錯誤の期間を経て初めて最適化ソリューションを抽出できます。

LTV はゲーム内でユーザーが生み出す価値です。たとえば、新規ユーザーの 1 日の LTV は、「ゲーム内での新規ユーザーの支払額 / 1 日の新規ユーザー数」となります。 7日間と1か月間のLTV計算方法は同様です。

この計算方法は、さまざまなユーザー グループに適用できます。

類似製品のデータ、または製品のクローズド ベータ版や内部ベータ版のテスト期間のデータがある場合は、比較的正確な見積もりを作成できます。

参照データがなく、予測に 2 日間のデータのみを使用する場合、誤差値は比較的大きくなります。

私のコースや書籍では、プロジェクトの確立段階では、将来のデータの変化を予測するための予測モデルを作成する必要があると述べてきましたが、その前提は、類似製品に関するデータを持っているか、類似の競合製品に関するデータを取得できることです。

データが 2 ～ 3 日分しかない場合は、トレンド ラインを描くことは不可能です。履歴データがある場合は、履歴データの傾向を参照できます。

具体的な問題を検討し、具体的に分析する必要があります。同じゲームでも、ゲームのカテゴリーや対象者、シナリオが異なります。同じカテゴリのゲームでさえ、ゲーム内のエクスペリエンスの違いにより、異なる問題を引き起こします。

ユーザーが支払いをしない場合、それは数値の問題、支払いの動機が不十分な、または支払いシステムの設計の問題が原因である可能性があります。

トラフィックを購入している場合は、購入した新しいユーザーの品質を調査するために個別に分析します。バージョンの更新と保持分析では、新規ユーザーと古いユーザーを区別します。

別々に分析するかどうかは、分析のニーズにもっと依存します。さまざまなシナリオには、異なるユーザーグループが必要です。

特定のタイプのゲームデータについては、主に取得する部分に依存します。

たとえば、App Storeのランキングをクロールすることも、ランキング、収益、ダウンロードなどの比較的プライベートデータを持つアプリAnnieの製品を購入することもできます。 Bilibili、Taptap、およびBaiduインデックスからデータを取得する場合は、Crawlerを使用してそれを行うこともできます。

失われたユーザーに関する調査と分析を実施するには、ユーザーがアンケートを通じて紛失した理由を整理し、関連する質問をする必要があります。アンケートを収集した後、たとえば、ユーザーの時間が短いか、ゲーム内の特定のモジュールに満足していないかどうかを確認するために、詳細な分析を行うことができます。

アンケート分析は、より直接的で迅速な方法です。

消耗の理由に関連するデータインジケーターを見つける必要があります。それらを見つける方法は、アンケート調査と私が今述べた他の方法です。原因を見つけた後、モデルを構築し、解約の可能性を取得します。次に、予測されたデータを履歴データと比較して、予測データの精度を確認し、調整をビット単位にします。

A/Bテストも必要です。たとえば、自動戦闘と非自動戦闘がまとめられる場合、どちらがプレイヤーを好むのですか？これには、分析のためにユーザーの動作データを抽出するためにA/Bテストを使用する必要があります。

しかし、A/Bテストには価格があります。まず第一に、R＆Dへの圧力は非常に高いです。彼らは、異なるユーザーグループに対して2つの完全に異なるバージョンを開発する必要があります。これにより、作業の進捗状況に影響します。特に、勤務スケジュールが非常にタイトな場合、A/Bテストは悪い選択肢になります。

第二に、完了後のデータには遅れがあります。このデータは、このテストポイントがこのバージョンで有効であることのみを意味し、将来のバージョンで長い間適用できることを意味しません。製品設計には設計軸があります。 A/Bテストが製品設計軸に影響を与えると、現在のデータは問題ない場合がありますが、将来起動するコンテンツは、依存するコア設計エクスペリエンスを失い、製品の問題を引き起こす可能性があります。

A/Bテストは、慎重に検討する必要があるものです。