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...