本文摘要：摘要：基于AARRR模型定義了移動游戲中用戶獲
摘要：基于AARRR模型定義了移動游戲中用戶獲取、用戶活躍與留存、用戶付費等數(shù)據(jù)指標。在此基礎上運用K-Means聚類算法建立了移動游戲的用戶畫像。對移動游戲《精靈傳奇》的數(shù)據(jù)進行了分析。結果表明，運用KMeans聚類算法能在不依賴人口統(tǒng)計信息的前提下得到有效的聚類結果。
關鍵詞：聚類分析;數(shù)據(jù)指標;數(shù)字營銷;移動游戲
近年來，移動游戲產(chǎn)業(yè)的發(fā)展非常迅速，由中國音數(shù)協(xié)游戲工委(GPC)與中國游戲產(chǎn)業(yè)研究院發(fā)布的《2020年中國游戲產(chǎn)業(yè)報告》可知：2020年中國移動游戲市場實際銷售收入達到2096.76億元，同比增長32.61%;中國游戲用戶規(guī)模總量達到6.65億，同比增長3.7%[1]。游戲公司之間的競爭日趨激烈。為了提高移動游戲的運營效率，分析移動游戲數(shù)據(jù)、獲取有價值的結果至關重要。
游戲論文范例：中國電子游戲產(chǎn)業(yè)發(fā)展研究綜述
劉異[2]基于傳統(tǒng)通信領域的研究成果，結合移動游戲行業(yè)的特點，設計了移動游戲運營的數(shù)據(jù)指標。崔家陽[3]利用數(shù)據(jù)標簽分類法對保險領域的用戶數(shù)據(jù)進行了處理，得到用戶畫像。吳瑞溢[4]基于RFM模型分析了大學生的行為畫像，分析了用戶的消費頻率和消費金額。劉異設計的移動游戲數(shù)據(jù)指標沒有涵蓋運營的全部環(huán)節(jié)，定義的數(shù)據(jù)指標還存在不規(guī)范問題。崔家陽給出的標簽分析法過度依賴與人口統(tǒng)計信息相關的數(shù)據(jù)，移動游戲運營商無法獲取足夠的數(shù)據(jù)，以至于研究人員無法得出準確的分析結果。
吳瑞溢給出的基于RFM模型的方法不能很好地與移動游戲用戶的行為數(shù)據(jù)結合。為了解決上述問題，筆者在考慮完整的移動游戲運營周期的同時，以AARRR模型為基礎定義了用戶獲取、用戶活躍與留存、用戶付費等數(shù)據(jù)指標，運用K-Means聚類算法建立了移動游戲的用戶畫像，并對移動游戲《精靈傳奇》的數(shù)據(jù)進行了分析。結果表明：運用KMeans算法能在不依賴人口統(tǒng)計信息的前提下得到有效的聚類結果，區(qū)分度也比較高;K-Means算法能用于研究移動游戲用戶的多種行為模式，展現(xiàn)很高的靈活性。
1移動游戲數(shù)據(jù)指標定義
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)，分別對應用戶生命周期中的5個環(huán)節(jié)。后來，AARRR模型常用于分析電信運營商的用戶獲取和用戶留存等指標。
1.2移動游戲數(shù)據(jù)指標定義
用戶獲取(acquisition)和用戶激活(activation)用于描述通過數(shù)字營銷、口碑傳播和渠道導入等手段獲取新用戶的過程，其中新用戶指的是未曾在服務器注冊的賬戶。服務器通常按照唯一設備ID或者唯一數(shù)字ID判定用戶是否為新用戶。數(shù)字營銷的商業(yè)模式是多種多樣的，因此用戶獲取和用戶激活的收費方式也是不一樣的。常用的計價方式有如下幾種：
一是按照銷售額(CPS,costpersale)計費的方式，其中銷售額是指在特定合同和結算周期內(nèi)產(chǎn)生的有效收入;二是按照點擊量(CPC,costperclick)進行計費的方式，該計費方式是廣告 被點擊次數(shù)乘以不同時段的單價;三是按照廣告投放時段(CPD,costperday)進行計費的方式，該計費方式通常是移動游戲運營商按買斷廣告時段進行收費的;四是按照用戶行為(CPA,costperaction)進行計費的方式，這里所說的用戶行為包括下載、激活和注冊等，移動游戲運營商根據(jù)服務器后臺數(shù)據(jù)進行核算，最終提供結果給廣告平臺。下面定義新增用戶和活躍用戶的數(shù)據(jù)指標。
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)指標可通過結構化查詢語言(SQL,structuredquerylanguage)來定義，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)指標基礎上，可定義用戶留存的相關指標。
用戶留存(Retention)反映的是用戶在首次注冊或者激活之后一段時間是否再次登錄。如果按照時間段統(tǒng)計，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)，留存的界定標準為注冊之后至少有過一次登陸行為。也可以按照具體業(yè)務需求自定義留存率，比如，把注冊一周內(nèi)有3天登陸行為的用戶統(tǒng)計為周留存用戶。
定義用戶留存的相關指標后，可以研究用戶的商業(yè)價值。為了從多角度研究付費行為，設定以下數(shù)據(jù)指標：收入(Revenue)、付費率(PUR,payuserrate)、平均每個用戶的付費(ARPU,averagerevenueperuser)、平均每個付費用戶的付費(ARPPU,averagerevenueperpayinguser)、生命周期價值(LTV,lifetimevalue)和投資回報率(ROI,returnoninvestment)。
在以上語句中，DPU為日付費用戶數(shù)(按照ID作去重處理)，Revenue為特定統(tǒng)計周期內(nèi)移動游戲產(chǎn)生的總收入，R(t)為留存函數(shù)，ARPU(t)為平均用戶付費函數(shù)，NetRevenue為渠道分成后實際的凈收益。定義了移動游戲運營數(shù)據(jù)指標以后，以此為基礎處理移動游戲客戶端收集到的原始數(shù)據(jù)，建立用戶畫像。
2用戶畫像的建立
2.1基于數(shù)據(jù)標簽分類法的用戶畫像
為了建立移動游戲的用戶畫像，常用數(shù)據(jù)標簽分類法對游戲數(shù)據(jù)進行標簽分類和頻數(shù)統(tǒng)計。近年來，由于移動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)變得越來越困難。因此，在使用標簽分類法對用戶進行分類時，會遇到數(shù)據(jù)不完整的情況，只能憑借單一維度的數(shù)據(jù)進行處理。現(xiàn)在以游戲《精靈傳奇》從2016年5月—6月的運營數(shù)據(jù)為例，利用標簽分類法建立付費用戶畫像。先按照單日付費總額劃分3個付費區(qū)間，分別為小額付費區(qū)間[1,10)、中等付費區(qū)間[10,198)、高額付費區(qū)間[198,19440)，再統(tǒng)計5月22日—6月1日各付費區(qū)間的付費用戶占比。
2.2運用K-Means聚類算法建立用戶畫像
以某一角色扮演(RPG)游戲為例，運用K-Means聚類算法建立游戲用戶畫像，涉及的問題包括以下幾個方面：有哪些特征的用戶更愿支付高額費用，有哪些特征的用戶更愿組隊完成游戲任務，有哪些特征的用戶更愿同其他用戶建立友誼并發(fā)展線下關系，有哪些特征的用戶更愿體驗游戲內(nèi)的多人競技。為了解決以上的問題，筆者將使用K-Means聚類算法進行分析。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)的復雜度，在建立用戶畫像時具有很大的優(yōu)勢。
2.3實驗結果分析
現(xiàn)在利用K-Means聚類算法分析2016年5月—6月間移動游戲《精靈傳奇》的運營數(shù)據(jù)。先從運營數(shù)據(jù)庫中提取包括賬號(ID)、登陸天數(shù)(DL)、平均用戶付費(ARPU)、收入(Revenue)、渠道、付費率(PUR)和日均時長等維度的數(shù)據(jù)，再將以上數(shù)據(jù)導入SPSS軟件進行K-Means聚類分析，將聚類參數(shù)K設定為3，迭代次數(shù)N設定為10。
2.4傳統(tǒng)方法與K-Means聚類算法的對比
利用傳統(tǒng)方法劃分付費區(qū)間具有強的主觀性，人為設定的差異導致了分類結果的差異，數(shù)據(jù)分類結果的區(qū)分度也比較低;利用K-Means聚類算法劃分付費區(qū)間具有強的客觀性，得到的聚類效果非常好，不同畫像的聚類距離較遠，區(qū)分度較高，相同畫像的聚類距離較近。傳統(tǒng)方法無法關聯(lián)用戶在游戲內(nèi)的行為數(shù)據(jù)，RFM模型只能統(tǒng)計付費頻率和付費金額，而K-Means聚類算法能關聯(lián)不同付費金額用戶的其他行為數(shù)據(jù)(如登錄天數(shù)、日均時長等)。運營商可根據(jù)自己的需求提取用戶等級、虛擬物品的使用量等數(shù)據(jù)，以此分析數(shù)據(jù)維度之間的相關性。
3結束語
在本文中，筆者基于AARRR模型定義了移動游戲運營數(shù)據(jù)指標，通過K-Means聚類算法建立了用戶畫像，并通過實驗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、機器學習和神經(jīng)網(wǎng)絡等方法來建立用戶畫像。
參考文獻：
[1]中國音數(shù)協(xié)游戲工委，中國游戲產(chǎn)業(yè)研究院.2020年中國游戲產(chǎn)業(yè)報告[R/OL].(2020-12-17)[2021-08-29].
[2]劉異.移動游戲數(shù)據(jù)分析[EB/OL].(2018-08-22)[2021-08-29].
[3]崔家陽.技術賦能：大數(shù)據(jù)在用戶畫像的應用與改進：以人壽保險為例[J].中國商論，2021(15)：99-101.
[4]吳瑞溢.基于RFM模型的福建省高職大學生行為畫像分析[J].廈門廣播電視大學學報，2021，24(2)：78-84.
作者：苗地
轉載請注明來自發(fā)表學術論文網(wǎng)：http://www.zpfmc.com/jjlw/29007.html
