本文摘要：摘要：基于AARRR模型定義了移動(dòng)游戲中用戶獲
摘要：基于AARRR模型定義了移動(dòng)游戲中用戶獲取、用戶活躍與留存、用戶付費(fèi)等數(shù)據(jù)指標(biāo)。在此基礎(chǔ)上運(yùn)用K-Means聚類算法建立了移動(dòng)游戲的用戶畫(huà)像。對(duì)移動(dòng)游戲《精靈傳奇》的數(shù)據(jù)進(jìn)行了分析。結(jié)果表明，運(yùn)用KMeans聚類算法能在不依賴人口統(tǒng)計(jì)信息的前提下得到有效的聚類結(jié)果。
關(guān)鍵詞：聚類分析;數(shù)據(jù)指標(biāo);數(shù)字營(yíng)銷;移動(dòng)游戲
近年來(lái)，移動(dòng)游戲產(chǎn)業(yè)的發(fā)展非常迅速，由中國(guó)音數(shù)協(xié)游戲工委(GPC)與中國(guó)游戲產(chǎn)業(yè)研究院發(fā)布的《2020年中國(guó)游戲產(chǎn)業(yè)報(bào)告》可知：2020年中國(guó)移動(dòng)游戲市場(chǎng)實(shí)際銷售收入達(dá)到2096.76億元，同比增長(zhǎng)32.61%;中國(guó)游戲用戶規(guī)�？偭窟_(dá)到6.65億，同比增長(zhǎng)3.7%[1]。游戲公司之間的競(jìng)爭(zhēng)日趨激烈。為了提高移動(dòng)游戲的運(yùn)營(yíng)效率，分析移動(dòng)游戲數(shù)據(jù)、獲取有價(jià)值的結(jié)果至關(guān)重要。
游戲論文范例：中國(guó)電子游戲產(chǎn)業(yè)發(fā)展研究綜述
劉異[2]基于傳統(tǒng)通信領(lǐng)域的研究成果，結(jié)合移動(dòng)游戲行業(yè)的特點(diǎn)，設(shè)計(jì)了移動(dòng)游戲運(yùn)營(yíng)的數(shù)據(jù)指標(biāo)。崔家陽(yáng)[3]利用數(shù)據(jù)標(biāo)簽分類法對(duì)保險(xiǎn)領(lǐng)域的用戶數(shù)據(jù)進(jìn)行了處理，得到用戶畫(huà)像。吳瑞溢[4]基于RFM模型分析了大學(xué)生的行為畫(huà)像，分析了用戶的消費(fèi)頻率和消費(fèi)金額。劉異設(shè)計(jì)的移動(dòng)游戲數(shù)據(jù)指標(biāo)沒(méi)有涵蓋運(yùn)營(yíng)的全部環(huán)節(jié)，定義的數(shù)據(jù)指標(biāo)還存在不規(guī)范問(wèn)題。崔家陽(yáng)給出的標(biāo)簽分析法過(guò)度依賴與人口統(tǒng)計(jì)信息相關(guān)的數(shù)據(jù)，移動(dòng)游戲運(yùn)營(yíng)商無(wú)法獲取足夠的數(shù)據(jù)，以至于研究人員無(wú)法得出準(zhǔn)確的分析結(jié)果。
吳瑞溢給出的基于RFM模型的方法不能很好地與移動(dòng)游戲用戶的行為數(shù)據(jù)結(jié)合。為了解決上述問(wèn)題，筆者在考慮完整的移動(dòng)游戲運(yùn)營(yíng)周期的同時(shí)，以AARRR模型為基礎(chǔ)定義了用戶獲取、用戶活躍與留存、用戶付費(fèi)等數(shù)據(jù)指標(biāo)，運(yùn)用K-Means聚類算法建立了移動(dòng)游戲的用戶畫(huà)像，并對(duì)移動(dòng)游戲《精靈傳奇》的數(shù)據(jù)進(jìn)行了分析。結(jié)果表明：運(yùn)用KMeans算法能在不依賴人口統(tǒng)計(jì)信息的前提下得到有效的聚類結(jié)果，區(qū)分度也比較高;K-Means算法能用于研究移動(dòng)游戲用戶的多種行為模式，展現(xiàn)很高的靈活性。
1移動(dòng)游戲數(shù)據(jù)指標(biāo)定義
1.1AARRR模型
AARRR模型是由McClure[5]首先提出的，AARRR模型中的5個(gè)字母分別表示Acquisition(用戶獲取)、Activation(用戶激活)、Retention(用戶留存)、Revenue(獲得收入)和Referral(推薦傳播)，分別對(duì)應(yīng)用戶生命周期中的5個(gè)環(huán)節(jié)。后來(lái)，AARRR模型常用于分析電信運(yùn)營(yíng)商的用戶獲取和用戶留存等指標(biāo)。
1.2移動(dòng)游戲數(shù)據(jù)指標(biāo)定義
用戶獲取(acquisition)和用戶激活(activation)用于描述通過(guò)數(shù)字營(yíng)銷、口碑傳播和渠道導(dǎo)入等手段獲取新用戶的過(guò)程，其中新用戶指的是未曾在服務(wù)器注冊(cè)的賬戶。服務(wù)器通常按照唯一設(shè)備ID或者唯一數(shù)字ID判定用戶是否為新用戶。數(shù)字營(yíng)銷的商業(yè)模式是多種多樣的，因此用戶獲取和用戶激活的收費(fèi)方式也是不一樣的。常用的計(jì)價(jià)方式有如下幾種：
一是按照銷售額(CPS,costpersale)計(jì)費(fèi)的方式，其中銷售額是指在特定合同和結(jié)算周期內(nèi)產(chǎn)生的有效收入;二是按照點(diǎn)擊量(CPC,costperclick)進(jìn)行計(jì)費(fèi)的方式，該計(jì)費(fèi)方式是廣告 被點(diǎn)擊次數(shù)乘以不同時(shí)段的單價(jià);三是按照廣告投放時(shí)段(CPD,costperday)進(jìn)行計(jì)費(fèi)的方式，該計(jì)費(fèi)方式通常是移動(dòng)游戲運(yùn)營(yíng)商按買斷廣告時(shí)段進(jìn)行收費(fèi)的;四是按照用戶行為(CPA,costperaction)進(jìn)行計(jì)費(fèi)的方式，這里所說(shuō)的用戶行為包括下載、激活和注冊(cè)等，移動(dòng)游戲運(yùn)營(yíng)商根據(jù)服務(wù)器后臺(tái)數(shù)據(jù)進(jìn)行核算，最終提供結(jié)果給廣告平臺(tái)。下面定義新增用戶和活躍用戶的數(shù)據(jù)指標(biāo)。
我們把新增用戶分為日新增(DNU,dailynewusers)和月新增(MNU,monthlynewusers)，把活躍用戶分為日活躍(DAU,dailyactiveusers)和月活躍(MAU,monthlyactiveusers)。這些數(shù)據(jù)指標(biāo)可通過(guò)結(jié)構(gòu)化查詢語(yǔ)言(SQL,structuredquerylanguage)來(lái)定義，即selecta.day1asDate,count(distincta.role_id)asDNUselecta.month1asDate,count(distincta.role_id)asMNUselectdt,count(distinctid)asDAUfromtable1groupbydtselectdt,count(distinctid)asMAUfromtable2groupbydt在新增用戶和活躍用戶數(shù)據(jù)指標(biāo)基礎(chǔ)上，可定義用戶留存的相關(guān)指標(biāo)。
用戶留存(Retention)反映的是用戶在首次注冊(cè)或者激活之后一段時(shí)間是否再次登錄。如果按照時(shí)間段統(tǒng)計(jì)，用戶留存可以劃分為日留存(DRR,dailyretentionrate)、周留存(WRR,weeklyretentionrate)和月留存(MRR,monthlyretentionrate)，留存的界定標(biāo)準(zhǔn)為注冊(cè)之后至少有過(guò)一次登陸行為。也可以按照具體業(yè)務(wù)需求自定義留存率，比如，把注冊(cè)一周內(nèi)有3天登陸行為的用戶統(tǒng)計(jì)為周留存用戶。
定義用戶留存的相關(guān)指標(biāo)后，可以研究用戶的商業(yè)價(jià)值。為了從多角度研究付費(fèi)行為，設(shè)定以下數(shù)據(jù)指標(biāo)：收入(Revenue)、付費(fèi)率(PUR,payuserrate)、平均每個(gè)用戶的付費(fèi)(ARPU,averagerevenueperuser)、平均每個(gè)付費(fèi)用戶的付費(fèi)(ARPPU,averagerevenueperpayinguser)、生命周期價(jià)值(LTV,lifetimevalue)和投資回報(bào)率(ROI,returnoninvestment)。
在以上語(yǔ)句中，DPU為日付費(fèi)用戶數(shù)(按照ID作去重處理)，Revenue為特定統(tǒng)計(jì)周期內(nèi)移動(dòng)游戲產(chǎn)生的總收入，R(t)為留存函數(shù)，ARPU(t)為平均用戶付費(fèi)函數(shù)，NetRevenue為渠道分成后實(shí)際的凈收益。定義了移動(dòng)游戲運(yùn)營(yíng)數(shù)據(jù)指標(biāo)以后，以此為基礎(chǔ)處理移動(dòng)游戲客戶端收集到的原始數(shù)據(jù)，建立用戶畫(huà)像。
2用戶畫(huà)像的建立
2.1基于數(shù)據(jù)標(biāo)簽分類法的用戶畫(huà)像
為了建立移動(dòng)游戲的用戶畫(huà)像，常用數(shù)據(jù)標(biāo)簽分類法對(duì)游戲數(shù)據(jù)進(jìn)行標(biāo)簽分類和頻數(shù)統(tǒng)計(jì)。近年來(lái)，由于移動(dòng)游戲隱私政策的逐漸完善，獲取用戶的職業(yè)、年齡、性別和教育背景等數(shù)據(jù)變得越來(lái)越困難。因此，在使用標(biāo)簽分類法對(duì)用戶進(jìn)行分類時(shí)，會(huì)遇到數(shù)據(jù)不完整的情況，只能憑借單一維度的數(shù)據(jù)進(jìn)行處理�，F(xiàn)在以游戲《精靈傳奇》從2016年5月—6月的運(yùn)營(yíng)數(shù)據(jù)為例，利用標(biāo)簽分類法建立付費(fèi)用戶畫(huà)像。先按照單日付費(fèi)總額劃分3個(gè)付費(fèi)區(qū)間，分別為小額付費(fèi)區(qū)間[1,10)、中等付費(fèi)區(qū)間[10,198)、高額付費(fèi)區(qū)間[198,19440)，再統(tǒng)計(jì)5月22日—6月1日各付費(fèi)區(qū)間的付費(fèi)用戶占比。
2.2運(yùn)用K-Means聚類算法建立用戶畫(huà)像
以某一角色扮演(RPG)游戲?yàn)槔�，運(yùn)用K-Means聚類算法建立游戲用戶畫(huà)像，涉及的問(wèn)題包括以下幾個(gè)方面：有哪些特征的用戶更愿支付高額費(fèi)用，有哪些特征的用戶更愿組隊(duì)完成游戲任務(wù)，有哪些特征的用戶更愿同其他用戶建立友誼并發(fā)展線下關(guān)系，有哪些特征的用戶更愿體驗(yàn)游戲內(nèi)的多人競(jìng)技。為了解決以上的問(wèn)題，筆者將使用K-Means聚類算法進(jìn)行分析。利用K-Means聚類算法將數(shù)據(jù)劃分到不同的類，通過(guò)數(shù)據(jù)處理發(fā)現(xiàn)用戶的行為[6]。K-Means聚類算法可以有效降低數(shù)據(jù)的復(fù)雜度，在建立用戶畫(huà)像時(shí)具有很大的優(yōu)勢(shì)。
2.3實(shí)驗(yàn)結(jié)果分析
現(xiàn)在利用K-Means聚類算法分析2016年5月—6月間移動(dòng)游戲《精靈傳奇》的運(yùn)營(yíng)數(shù)據(jù)。先從運(yùn)營(yíng)數(shù)據(jù)庫(kù)中提取包括賬號(hào)(ID)、登陸天數(shù)(DL)、平均用戶付費(fèi)(ARPU)、收入(Revenue)、渠道、付費(fèi)率(PUR)和日均時(shí)長(zhǎng)等維度的數(shù)據(jù)，再將以上數(shù)據(jù)導(dǎo)入SPSS軟件進(jìn)行K-Means聚類分析，將聚類參數(shù)K設(shè)定為3，迭代次數(shù)N設(shè)定為10。
2.4傳統(tǒng)方法與K-Means聚類算法的對(duì)比
利用傳統(tǒng)方法劃分付費(fèi)區(qū)間具有強(qiáng)的主觀性，人為設(shè)定的差異導(dǎo)致了分類結(jié)果的差異，數(shù)據(jù)分類結(jié)果的區(qū)分度也比較低;利用K-Means聚類算法劃分付費(fèi)區(qū)間具有強(qiáng)的客觀性，得到的聚類效果非常好，不同畫(huà)像的聚類距離較遠(yuǎn)，區(qū)分度較高，相同畫(huà)像的聚類距離較近。傳統(tǒng)方法無(wú)法關(guān)聯(lián)用戶在游戲內(nèi)的行為數(shù)據(jù)，RFM模型只能統(tǒng)計(jì)付費(fèi)頻率和付費(fèi)金額，而K-Means聚類算法能關(guān)聯(lián)不同付費(fèi)金額用戶的其他行為數(shù)據(jù)(如登錄天數(shù)、日均時(shí)長(zhǎng)等)。運(yùn)營(yíng)商可根據(jù)自己的需求提取用戶等級(jí)、虛擬物品的使用量等數(shù)據(jù)，以此分析數(shù)據(jù)維度之間的相關(guān)性。
3結(jié)束語(yǔ)
在本文中，筆者基于AARRR模型定義了移動(dòng)游戲運(yùn)營(yíng)數(shù)據(jù)指標(biāo)，通過(guò)K-Means聚類算法建立了用戶畫(huà)像，并通過(guò)實(shí)驗(yàn)證明了該算法的有效性。在下一步的研究中，將使用區(qū)塊鏈、機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)等方法來(lái)建立用戶畫(huà)像。
參考文獻(xiàn)：
[1]中國(guó)音數(shù)協(xié)游戲工委，中國(guó)游戲產(chǎn)業(yè)研究院.2020年中國(guó)游戲產(chǎn)業(yè)報(bào)告[R/OL].(2020-12-17)[2021-08-29].
[2]劉異.移動(dòng)游戲數(shù)據(jù)分析[EB/OL].(2018-08-22)[2021-08-29].
[3]崔家陽(yáng).技術(shù)賦能：大數(shù)據(jù)在用戶畫(huà)像的應(yīng)用與改進(jìn)：以人壽保險(xiǎn)為例[J].中國(guó)商論，2021(15)：99-101.
[4]吳瑞溢.基于RFM模型的福建省高職大學(xué)生行為畫(huà)像分析[J].廈門廣播電視大學(xué)學(xué)報(bào)，2021，24(2)：78-84.
作者：苗地
轉(zhuǎn)載請(qǐng)注明來(lái)自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///jjlw/29007.html
