基于聚類的移動游戲運營數據分析

所屬分類：經濟論文閱讀次時間：2021-12-08 10:48

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、用戶付費等數據指標。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》的數據進行了分析。結果表明，運用KMeans聚類算法能在不依賴人口統計信息的前提下得到有效的聚類結果。

　　關鍵詞：聚類分析;數據指標;數字營銷;移動游戲

移動游戲產業

　　近年來，移動游戲產業的發展非常迅速，由中國音數協游戲工委(GPC)與中國游戲產業研究院發布的《2020年中國游戲產業報告》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�？偭窟_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，分析移動游戲數據、獲取有價值的結果至關重要。

　　游戲論文范例：中國電子游戲產業發展研究綜述

　　劉異[2]基于傳統通信領域的研究成果，結合移動游戲行業的特點，設計了移動游戲運營的數據指標。崔家陽[3]利用數據標簽分類法對保險領域的用戶數據進行了處理，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據指標沒有涵蓋運營的全部環節，定義的數據指標還存在不規范問題。崔家陽給出的標簽分析法過度依賴與人口統計信息相關的數據，移動游戲運營商無法獲取足夠的數據，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據結合。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、用戶付費等數據指標，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》的數據進行了分析。結果表明：運用KMeans算法能在不依賴人口統計信息的前提下得到有效的聚類結果，區分度也比較高;K-Means算法能用于研究移動游戲用戶的多種行為模式，展現很高的靈活性。

　　1移動游戲數據指標定義

　　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個環節。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移動游戲數據指標定義

　　用戶獲取(acquisition)和用戶激活(activation)用于描述通過數字營銷、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或者唯一數字ID判定用戶是否為新用戶。數字營銷的商業模式是多種多樣的，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產生的有效收入;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服務器后臺數據進行核算，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據指標。

　　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)。這些數據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據指標基礎上，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。也可以按照具體業務需求自定義留存率，比如，把注冊一周內有3天登陸行為的用戶統計為周留存用戶。

　　定義用戶留存的相關指標后，可以研究用戶的商業價值。為了從多角度研究付費行為，設定以下數據指標：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(按照ID作去重處理)，Revenue為特定統計周期內移動游戲產生的總收入，R(t)為留存函數，ARPU(t)為平均用戶付費函數，NetRevenue為渠道分成后實際的凈收益。定義了移動游戲運營數據指標以后，以此為基礎處理移動游戲客戶端收集到的原始數據，建立用戶畫像。

　　2用戶畫像的建立

　　2.1基于數據標簽分類法的用戶畫像

　　為了建立移動游戲的用戶畫像，常用數據標簽分類法對游戲數據進行標簽分類和頻數統計。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、年齡、性別和教育背景等數據變得越來越困難。因此，在使用標簽分類法對用戶進行分類時，會遇到數據不完整的情況，只能憑借單一維度的數據進行處理�，F在以游戲《精靈傳奇》從2016年5月—6月的運營數據為例，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個付費區間，分別為小額付費區間[1,10)、中等付費區間[10,198)、高額付費區間[198,19440)，再統計5月22日—6月1日各付費區間的付費用戶占比。

　　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展線下關系，有哪些特征的用戶更愿體驗游戲內的多人競技。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聚類算法將數據劃分到不同的類，通過數據處理發現用戶的行為[6]。K-Means聚類算法可以有效降低數據的復雜度，在建立用戶畫像時具有很大的優勢。

　　2.3實驗結果分析

　　現在利用K-Means聚類算法分析2016年5月—6月間移動游戲《精靈傳奇》的運營數據。先從運營數據庫中提取包括賬號(ID)、登陸天數(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據，再將以上數據導入SPSS軟件進行K-Means聚類分析，將聚類參數K設定為3，迭代次數N設定為10。

　　2.4傳統方法與K-Means聚類算法的對比

　　利用傳統方法劃分付費區間具有強的主觀性，人為設定的差異導致了分類結果的差異，數據分類結果的區分度也比較低;利用K-Means聚類算法劃分付費區間具有強的客觀性，得到的聚類效果非常好，不同畫像的聚類距離較遠，區分度較高，相同畫像的聚類距離較近。傳統方法無法關聯用戶在游戲內的行為數據，RFM模型只能統計付費頻率和付費金額，而K-Means聚類算法能關聯不同付費金額用戶的其他行為數據(如登錄天數、日均時長等)。運營商可根據自己的需求提取用戶等級、虛擬物品的使用量等數據，以此分析數據維度之間的相關性。

　　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據指標，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，將使用區塊鏈、機器學習和神經網絡等方法來建立用戶畫像。

　　參考文獻：

　　[1]中國音數協游戲工委，中國游戲產業研究院.2020年中國游戲產業報告[R/OL].(2020-12-17)[2021-08-29].

　　[2]劉異.移動游戲數據分析[EB/OL].(2018-08-22)[2021-08-29].

　　[3]崔家陽.技術賦能：大數據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