美文网首页
游戏数据活动复盘分析

游戏数据活动复盘分析

作者: SongSir1 | 来源:发表于2020-10-14 02:41 被阅读0次

    项目介绍

    数据集内容为某游戏82万条玩家信息，其中包含108个字段，现需要展开数据内容对用户进行分析

    项目过程

    1. 数据处理（包含字段清洗去重、筛选字段等）
    2. 新增用户分析（从玩家数量、付费玩家占比、每日新增玩家数展开分析）
    3. 玩家活跃度分析（从不同用户在线时长、分布特征展开分析）
    4. 玩家付费情况分析（从PUR，ARPPU，ARPU等关键指标得出的情况来展开分析）
    5. 付费玩家习惯分析（从不同玩家的pvp、pve这两个指标得出的情况来展开分析）

    0. 模块导入

    import pandas as pd
import numpy as np
import sqlalchemy
import matplotlib.pyplot as plt
# pyecharts 绘图包
import pyecharts.options as opts
from pyecharts.charts import Bar, Line, Boxplot, Pie
    • pyecharts 绘图包版本为1.7.1

    可以通过pip install pyecharts==1.7.1进行安装

    1. 数据处理

    # 数据大小
data.shape

# 判断空值数量
data.isnull().sum().sum()

# 判断重复值
data.drop_duplicates("user_id").shape

    输出结果

    (828934, 108)
0
(828934, 108)

    数据有828934条，无空值、无重复值，比较干净
    但该数据集有108条字段，目前对于分析暂时没用，仅提取以下字段：

    • user_id : 玩家ID
    • pay_price：付费金额
    • register_time：玩家注册时间
    • avg_online_minutes：在线时长
    • pvp_battle_count：玩家PVP次数
    • pvp_lanch_count：主动发起的PVP次数
    • pvp_win_count：PVP胜利次数
    • pve_battle_count：pve次数
    • pve_lanch_count：主动PVE次数
    • pve_win_count：pve胜利次数
    data = data[["user_id","pay_price","register_time","avg_online_minutes","pvp_battle_count","pvp_lanch_count","pvp_win_count","pve_battle_count","pve_lanch_count","pve_win_count"]]

    因为从sql数据库提取的字段，全部都为object格式，现对其进行转换

    # 转换pry_price数据类型为float
data = data.astype({"pay_price":"float","avg_online_minutes":"float"})
data.loc[:,"avg_online_minutes":] = data.loc[:,"avg_online_minutes":].astype("float")

    最终数据如下：


    2. 新增用户分析

    2.1 玩家数量

    # 新增玩家数
new_all = data.user_id.count()
# 新增付费玩家数
new_pay = data.query("pay_price > 0").user_id.count()
# 付费玩家占比
new_pay / new_all

    out:

    • 新增玩家数量：82,8934
    • 新增付费玩家：19,549
    • 付费玩家占比：0.02358
    # pyecharts绘图
a = [["非付费玩家",int(new_all-new_pay)], ["付费玩家", int(new_pay)]]
pie = (Pie()
       .add("",a,label_opts = opts.LabelOpts(formatter="{b}:{d}%",is_show = True))
       .set_global_opts(title_opts=opts.TitleOpts(title = "玩家占比", subtitle="对象均为近期新增玩家"),
        legend_opts=opts.LegendOpts(pos_left="right"))
           )
pie.render_notebook()
    • 近期该游戏新增付费玩家数有19549，新增总玩家828934，付费玩家占比仅2.36%，消费率极低。

    2.2 新增趋势

    按日期将每日新增的玩家总数与付费玩家进行聚合

    # 增加日期字段
data["register_day"] = data["register_time"].str[:11]
# 按日聚合
grouped_day = data.groupby("register_day")

# 绘制趋势图
# 日期
x = list(grouped_day.user_id.count().index)
# 新增总玩家
y1 = list(grouped_day.user_id.count().values)
# 新增付费玩家
y2 = list(data.query("pay_price > 0").groupby("register_day").user_id.count().values)

# pyecharts堆叠折线图绘制
line =(Line()
      .add_xaxis(x)
      .add_yaxis("每日新增总玩家数",[int(i) for i in y1])
      .extend_axis(  # 为line增加一个新的维度，添加次坐标轴
          yaxis=opts.AxisOpts(  # 增加一个y次坐标轴  （因为是yaxis = ...）
              axislabel_opts=opts.LabelOpts(formatter="{value}"), interval=300,max_ = 2100))  #次坐标轴 标签为value值，间隔300，最大值2100
      .set_global_opts(
      xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate = 45)),
      yaxis_opts=opts.AxisOpts(name = "新增数（单位/人）"),
      title_opts = opts.TitleOpts(title="每日新增趋势"))
      )
line2 = Line().add_xaxis(x).add_yaxis("每日新增付费玩家",[int(i) for i in y2], yaxis_index=1)  # 注意需要加 yaxis_index = 1 指定坐标轴维度
line.overlap(line2)  # 表示将line2绘制在line上
line.render_notebook()

    结果得知：

    • 总体新增方面：在03月10日这天，注册玩家数达到峰值114035人，3月13日注册玩家达到次高峰63141人，正是因为这两天开展活动吸引了大量玩家，但随后总体新增玩家数量都维持在4-5万之间与活动前差别不大，且有轻微下降趋势，可见这两次的活动并没有带来实质性的帮助，在这方面可能需要推出持续性刺激注册的活动或加加大活动力度。
    • 新增付费玩家：开展3月16日刺激充值活动，当天新增付费玩家数达到最高1703人，之前每日新增付费玩家数在900-1250之间，活动过后区间在1220-1412之间有所好转，但数据记录的最后一天新增付费玩家仅有1091人，推测可能是当天人数没有统计完成，所以暂不考虑，现在姑且认为刺激充值的活动有效。

    3. 玩家活跃度分析

    3.1 玩家时长对比

    1. 对比全体玩家和付费玩家的平均游戏时长

    all_avg_minutes = data.avg_online_minutes.mean()
pay_avg_minutes = data.query("pay_price > 0").avg_online_minutes.mean()
print("全部玩家平均在线时长:",all_avg_minutes)
print("付费玩家平均在线时长:",pay_avg_minutes)
# 绘图
bar = (
    Bar()
    .add_xaxis(["全体玩家","付费玩家"])
    .add_yaxis("",['%.2f'% i for i in [all_avg_minutes,pay_avg_minutes]])
    .set_global_opts(
        title_opts=opts.TitleOpts(title="玩家平均在线时长对比"),
        yaxis_opts=opts.AxisOpts(name = "时长（单位/分钟）"))
    .set_series_opts(label_opts=opts.LabelOpts(is_show=True,formatter = "{c}分钟"))
        )
bar.render_notebook()

    #绘制箱线图
value = [list(data.avg_online_minutes),list(data.query("pay_price > 0").avg_online_minutes)]

c = Boxplot()
c.add_xaxis(["全体玩家", "付费玩家"])
c.add_yaxis("", c.prepare_data(value))
c.set_global_opts(title_opts=opts.TitleOpts(title="全体玩家与付费玩家在线时长对比"))
c.render_notebook()

    直方图结果：

    • 付费玩家的平均时长远远超过全体玩家的平均时长达到了135.87分钟

    箱线图结果：

    • 全体玩家上四分位数为5，下四分位数为0.5，平均值为1.67，最大值却达到了1065，全体玩家的流失都比较高，超过75%的玩家在线时间仅5分钟以内
    • 付费玩家上四分位数为191，下四分位数为30，平均值为84.5，最大值为1081，付费玩家的平均在线时长相对来对比较高，超过75%的玩家在线时长达到了30分钟

    2. 绘制在线时长分布直方图

    plt.figure(figsize=(16,6))

plt.rcParams['font.size']=14
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

# 全体玩家分布  # 去掉极值影响 取时长小于400分钟的
plt.subplot(1,2,1)
data.query("avg_online_minutes < 400").avg_online_minutes.plot(kind='hist',alpha=0.7,bins = 20)
plt.title("全体玩家")
plt.ylabel("频数",fontsize = 16)

# 付费玩家分布
plt.subplot(1,2,2)
data.query("pay_price > 0").avg_online_minutes.plot(kind='hist',alpha=0.7,bins = 20)
plt.title("付费玩家")
plt.ylabel("频数",fontsize = 16)

plt.suptitle("玩家游戏时长分布直方图", fontsize = 22)
plt.show()
    • 大部分玩家的游戏时长很短，仅仅有几分钟，可见玩家流失的情况时比较严重的
    • 付费玩家虽然游戏时长较高，但也大部分集中在100分钟以内

    3.2 游戏时长与消费金额散点分布

    plt.scatter(data.query("pay_price > 0").avg_online_minutes,data.query("pay_price > 0").pay_price)
plt.xlabel("游戏时长（单位：分钟）")
plt.ylabel("充值金额（单位：元）")
plt.title("游戏时长与充值金额散点图")
plt.show()
    • 游戏在线时长与充值金额分布图中，整体玩家的充值金额均在1000元以内，最高充值金额接近1.5w，但他们的游戏时长分布在0-1000分钟占比都比较均匀，由此可见，游戏在线时长与充值金额相关性并不高

    4. 玩家付费情况分析

    关键指标

    • AU：活跃用户，这里将游戏时长达15分钟的定为活跃用户
    • PU：付费用户
    • APA：活跃付费用户
    • ARPU：平均每个活跃用户的收入，总收入/AU
    • ARPPU：平均每个活跃付费用户收入，总收入/APA
    • PUR：付费比率，APA / AU

    4.1 指标计算

    # 总收入
GMV = data.pay_price.sum()
# 活跃用户 
AU = data.query("avg_online_minutes >= 15").user_id.count()
# 活跃付费用户
APA = data.query("avg_online_minutes >= 15 and pay_price > 0").user_id.count()
# 每个活跃玩家的收入
ARPU = GMV / AU
# 每个活跃付费玩家收入
ARPPU = GMV / APA
# 付费率
PUR = APA / AU
# 活跃用户占比
AU/data.user_id.count()

    plt.figure(figsize=(16,6))

# AU 和 APA 对比
plt.subplot(1,2,1)
plt.bar(["AU", "APA"],[AU, APA])
plt.title("AU 和 APA 对比")

# 付费玩家分布
plt.subplot(1,2,2)
plt.bar(["ARPU", "ARPPU"],[ARPU, ARPPU])
plt.title("ARPU 和 ARPPU 对比")
plt.show()
from pyecharts.charts import Gauge
gauge = (
    Gauge(init_opts=opts.InitOpts(width="900px", height="400px"))
    .add("", data_pair=[["玩家付费率:PUR", round(PUR*100,2)]])
    .set_global_opts(
        legend_opts=opts.LegendOpts(is_show=False),
        tooltip_opts=opts.TooltipOpts(is_show=True, formatter="{c}%"),
    )
)
gauge.render_notebook()
    • 总玩家数有82万，但活跃用户仅有10w，占比12%左右
    • 付费玩家仅有不到2w人，活跃用户付费率为16.9%，活跃付费玩家较少，说明游戏的收入表现较差
    • 通过ARPU和ARPPU对比，活跃玩家人均收入仅有5元，但活跃付费玩家人均收入有32元，说明活跃付费玩家的付费能力较强，针对这一点，我们可以做一些付费功能调整和优化，可以针对大R玩家进行针对性服务。

    注意：大R玩家，可以表示为游戏充值金额非常大的人，需要重点维持。

    5. 玩家游戏习惯分析

    先从数据表中将AU玩家与APA玩家进行筛选

    au_data = data.query("avg_online_minutes >= 15")
apa_data = data.query("avg_online_minutes >= 15 and pay_price > 0")

    计算AU、APA玩家的PVP情况

    # AU 玩家平均PVP次数
au_data.pvp_battle_count.mean()
# AU 玩家主动发起的概率
au_data.pvp_lanch_count.sum() / au_data.pvp_battle_count.sum()
# AU 玩家胜率
au_data.pvp_win_count.sum() / au_data.pvp_battle_count.sum()
# APA 玩家平均的PVP次数
apa_data.pvp_battle_count.mean()
# AU 玩家主动发起的概率
apa_data.pvp_lanch_count.sum() / apa_data.pvp_battle_count.sum()
# AU 玩家胜率
apa_data.pvp_win_count.sum() / apa_data.pvp_battle_count.sum()

# 制作DataFrame 
d = [[15.16, 0.5688, 0.5322],[27.3, 0.6553, 0.6872]]
pvp_data = pd.DataFrame(d,index = {"AU","APA"},columns = {"次数","主动发起概率","胜率"})

    计算AU、APA玩家的PVE情况

    # AU 玩家平均PVE次数
au_data.pve_battle_count.mean()
# AU 玩家主动发起的概率
au_data.pve_lanch_count.sum() / au_data.pve_battle_count.sum()
# AU 玩家胜率
au_data.pve_win_count.sum() / au_data.pve_battle_count.sum()
# APA 玩家平均的PVE次数
apa_data.pve_battle_count.mean()
# AU 玩家主动发起的概率
apa_data.pve_lanch_count.sum() / apa_data.pve_battle_count.sum()
# AU 玩家胜率
apa_data.pve_win_count.sum() / apa_data.pve_battle_count.sum()

# DataFrame
d = [[28.15, 0.9967, 0.9041],[51.96, 0.9957, 0.911]]
pve_data = pd.DataFrame(d,index = {"AU","APA"},columns = {"次数","主动发起概率","胜率"})
    PVP PVE

    绘制pyecharts图形

    bar = (Bar()
      .add_xaxis(["平均PVP次数","平均PVE次数"])
      .add_yaxis("AU玩家",[pvp_data.iloc[1][0],pve_data.iloc[1][0]])
      .add_yaxis("APA玩家",[pvp_data.iloc[0][0],pve_data.iloc[0][0]])
      .set_global_opts(
        title_opts=opts.TitleOpts(title="AU、APA玩家PVP、PVE对比"),
        yaxis_opts=opts.AxisOpts(name = "次数"),
        legend_opts=opts.LegendOpts(pos_left="right"))
      
      )
bar.render_notebook()
    • 从上图可以看出，APA玩家的平均PVE和PVP次数都要高于AU玩家两倍左右，显然APA玩家更愿意花费更多的时间在这个游戏上。
    bar = (Bar()
      .add_xaxis(["主动PVP概率","PVP胜率","主动PVE概率","PVE胜率"])
      .add_yaxis("AU玩家",[pvp_data.iloc[1][1],pvp_data.iloc[1][2],pve_data.iloc[1][1],pve_data.iloc[1][2]])
      .add_yaxis("APA玩家",[pvp_data.iloc[0][1],pvp_data.iloc[0][2],pve_data.iloc[0][1],pve_data.iloc[0][2]])
      .set_global_opts(
        title_opts=opts.TitleOpts(title="AU、APA玩家PVP、PVE对比"),
        yaxis_opts=opts.AxisOpts(name = "概率"),
        legend_opts=opts.LegendOpts(pos_left="right"))
      
      )
bar.render_notebook()
    • 在PVE活动中，APA玩家主动发起进攻的概率和胜利的概率与AU玩家基本持平，其中主动发起PVE的概率非常高，可见游戏玩家还是比较熟悉游戏规则，基本上能主动刷副本打怪获取资源或者等级的提升。另外游戏的PVE难度也不高，玩家的PVE胜率高达90%，可见游戏体验较为友好

    在PVP活动中，APA玩家主动发起进攻的概率和胜利的概率要明显高于AU玩家，在享受游戏对战乐趣的过程中，往往更能够收获胜利。

    结论

    1.新增用户分析
    • 新增玩家有828934人，其中付费玩家有19549人，付费人数占注册总人数的2.36%。
    • 每日新增玩家在3月10日有一次大高锋增长，在3月13日有一次小高峰增长。推断可能是举办了游戏活动，但是活动一过，后续新用户注册量并没有显著提升，可见这两次活动并没有给游戏的人气带来实质性的帮助。
    • 在这两次活动举办期间，每日新增付费用户并没有提升，反而趋于下降，可见这两次活动主要是为了提高游戏热度。
    • 建议加大活动力度，并保持一定的时间维度，给玩家充分了解游戏的时间，才能持续提高游戏热度。
    2.玩家活跃度分析
    • 全部玩家平均在线时长11.74分钟，付费玩家平均在线时长135.87分钟，付费玩家的平均在线时长要远远大于全体玩家的平均值，活跃度比他们大得多。
    • 75%的玩家平均在线时长不超过1分钟，可见玩家流失的情况还是比较严重的。
    • 付费用户中，75%以上的的用户在线时长都超过了30分钟，说明付费用户更加愿意投入时间到该款游戏中
    3.玩家付费情况分析
    • 付费率PUR比较低，只有2.70%。其实只要简单地开展一个首充活动，比如充1元可获得价值60元的大礼包，就能很好地提高游戏的付费率了。付费率高，一样可以得到渠道青睐，获得更多推荐展示机会（行业俗称为“吸量”），间接提高游戏的热度。
    • 目前较好的手游每日ARPU超过5元；一般的手游ARPU在3～5元之间；ARPU低于3元则说明表现较差。该手游平均每用户收入ARPU很低，说明游戏的收入表现较差，但是平均每付费用户收入ARPPU很高，说明大R的付费能力强，针对这一点，我们可以做一些付费功能的调整和优化，甚至专属大R的客服，让付费用户玩的更开心。
    4.付费玩家习惯分析
    • APA玩家的平均PVE和PVP次数都要高于AU玩家两倍左右，显然APA玩家更愿意花费更多的时间在这个游戏上
    • 在PVP活动中，APA玩家主动发起进攻的概率和胜利的概率要明显高于AU玩家，在享受游戏对战乐趣的过程中，往往更能够收获胜利。
    • 在PVE活动中，APA玩家主动发起进攻的概率和胜利的概率与AU玩家基本持平，其中主动发起PVE的概率非常高，可见游戏玩家还是比较熟悉游戏规则，基本上能主动刷副本打怪获取资源或者等级的提升。
    • 游戏的PVE难度也不高，玩家的PVE胜率高达90%，可见游戏体验较为友好

    相关文章

      网友评论

          本文标题：游戏数据活动复盘分析

          本文链接：https://www.haomeiwen.com/subject/rgbcuktx.html

          延伸阅读

          深度阅读

          • 您也可以注册成为美文阅读网的作者，发表您的原创作品、分享您的心情！

          栏目导航

          热点阅读

          关于我们|服务条款|联系我们|游戏数据活动复盘分析|投稿指南|网站地图|RSS订阅|排版工具|手机版

          提供经典美文摘抄,优美散文欣赏,现代诗歌精选,短篇小说,心情随笔,表白情书范文,故事会在线阅读欣赏

          Copyright © 2014-2023 Haomeiwen.com All Rights Reserved. 好美文阅读网 版权所有

          备案信息：桂公网安备 45052102000051号 · 桂ICP备13007215号-3

          本站所收录作品、热点评论等信息部分来源互联网，目的只是为了系统归纳学习和传递资讯

          所有作品版权归原创作者所有，与本站立场无关，如不慎侵犯了你的权益，请联系我们告知，我们将做删除处理！