京公网安备 11010802034615号
经营许可证编号:京B2-20210330
如何用商业思维分析用户行为数据
数据这么多,各类数据的表达不一样,具体应该如何处理?有人说:“产品初期,活动为辅,处理数据在于稳定。”有人说:“产品中期,活动为主,处理数据在于调控。”有人说:“产品末期,活动为核,处理数据在于激励。”还有人说:“处理产品数据要先四步走!”
第1步:看整体数据,主要看整体数据有何异常,以及哪些数据的趋势较好(例如,整体数据,游戏人数稳定,月收入对比极端)
第2步:看细分数据(例如,细分数据,游戏新增用户和流失活跃付费用户成正比,新增用户不付费,大R流失严重)
第3步:结合数据分析(例如,分析数据,付费玩家为什么流失?没有付费竞争?还是付费后达到游戏金字塔顶端失去乐趣?)
第4步:根据数据行动(例如,更新版本,开展玩家召回活动,换量….)
估计这样的知识各位同学早已经倒背如流。在这篇文章中,作者将和运营童鞋们一起深入发掘数据价值以及互联网中的商业思维。笔者认为:数据≠数学!如果你用函数思维看游戏,那只能说你数学不错;在互联网行业,必须将用户行为数据与商业思维相结合,才能创造互联网价值。
1. 培养数据的商业敏感性最近看了某工作室高层频繁辞职,项目组陆续被裁,各大猎头忙着抢人的新闻,最近又和HR交谈,得知现在某网的简历已经涨到15块钱一份;初步看来,没什么关联,细细品味,关联又很大,如果将思维转换,则又是另一种景象……
以智联为例,网站主要看注册量,及硬广/守株待兔的套路,HR买简历去智联,不一定能拿到中意的简历;而猎头可谓是闻风而动,往往主动行动,掌握了大部分的高质量简历,不仅省了钱,也拿到了好的资源;把握市场动向,培养商业敏感性,将此原则代入到游戏中不难发现,若一款MMO游戏的用户大量流失(因为托?关服?其他…)而作为另一款MMO产品运营的你能提前敏感的嗅到这缕商业气息吗?如果不能,则用户重返渠道(其他游戏),那你无疑只能继续守株待兔,恳求渠道施舍流量,这无疑是失败的。
当然,我们无法从别人后台调取数据,那么一般从哪里看其他游戏的数据走向呢?看竞品论坛,游戏更新力度,看论坛用户活跃度,都能看出一丝端倪,然后深入接触用户,一切自然水落石出,至于如何拉拢用户,自然是因人而异。
2. 培养数据的衍生敏感性
如果市场上的牙刷销量增加了,你能感觉到牙膏的销量也会增加吗?如果放在互联网市场,不难看出一个很悲观的事实,牙刷销量增加,一夜之间,白玉牙刷,象牙牙刷,卡通牙刷,玛瑙牙刷等等产品一夜崛起,最后通货膨胀,大家都没得做。
对于这种情况,是开发者的心态问题,所以笔者无法说什么;本段主要说的是数据的衍生敏感性,例如一件稀有装备从100元涨到200元,那么产出稀有装备的副本/特殊地图的进场道具也会从10元涨到20元;道具上涨,玩家的充值力度就得加大;玩家充值力度加大,ARPU值随之提升,如何最大化的提升arpu值;从产品层面来说,加大充值活动力度,调整装备产出概率,抓住用户需求,投其所好,实现利益最大化;而不是装备增值,便增加多种装备,这样只会适得其反。
3. 换位思考看数据
有些CP选渠道,会很重视流量这个东西,无论产品怎样,只要渠道流量好,便一个劲地上渠道,铺推广,搞营销….
流量这东西,讲究的是适不适合,渠道流量再多,那也不是你的,即使是你的,那也不是你一个人的,换个角度思考;从渠道的角度看产品,渠道看产品,看转化,看付费,看留存;知根知底,数据这东西是双向的,只不过彼此看的角度不同,你若真想要量,至少得用产品数据交换渠道数据。
换个角度来说,若产品的各类数据较高;最好摸清楚用户是从那个渠道来的,主要贡献的用户群体是谁?这样一来,产品设计可以更倾向用户喜好,这样投其所好的行为是提升转换率的一种好方法。(以MMO混服为例,区分用户可给包打上渠道标识,简单易懂)
4. 用商业思维看行为数据
行为数据,即用户行为占有率,例如活跃度,留存率,付费率…
商业思维,即利益分析,例如用户周期价值,用户可挖掘价值的探索性…
例如,两个公会冲突,游戏内打得火热,公会成员拼活跃,比等级;公会会长拼装备,比充值,两方打得火热,不死不休,无论是在线还是充值都达到了一个可观的水平;作为运营,你怎么办?如果你什么也不做,在那里偷偷乐呵,并且沾沾自喜;笔者读过一本书,书里说过一句话:“坐着就是为了等死!”如果你不信,次月两个公会和好,或者一个公会被赶出游戏,后悔也晚了。
“你想坐着等死吗?”如果不想,就得学会用商业思维看待行为数据;例如,这两个帮会的竞争平台有哪些?论坛?贴吧?哪些人在活跃,哪些人在付费?影响他们的人是谁?他们是否还有可继续发掘价值?
如何平衡这种关系?皮球效应很重要,压得越狠,弹得越高,什么都不管,只会越弹越低,归于平静;目前游戏较为常见的就是托这种催化剂;的确,托是起到了一定作用,但是治标不治本;如果用商业思维去思考,以天涯贴吧为例,话题已经存在,真实的用户已经存在,那么口碑营销是很容易实现的,通过原有用户的话题,吸引潜在用户,带来更多的商业利益;通过对用户习惯(例如:爱凑热闹)和人性弱点(例如:地位越高,越好面子)的把控,制造一场营销,此类营销效果显著,最重要的是不要钱!
很简单的一次用户行为,很常见的用户行为数据,换个角度分析,或许就是一场商业营销!
5. 通过数据看用户与产品关系
很多人对固定的数据很看重,arpu等核心数据形成了一套标榜,无数人逐条核对,衡量自己的产品好坏,无数运营以此核对,衡量运营的成功与否,如果你仅仅是为了KPI,那你是成功的,如果你还想做的更高,那这是远远不够的。
用户与产品关系,多数同学还定义在用户定位、产品定位上;再深入进去,就是一套的核心数据考核,运营流程….
笔者认为,数据、用户、产品;三者形成一种三角关系,可以探索的方面太多太多,例如:一个用户在线5分钟,一个用户在线10分钟,他们有什么不同?如果将10分钟定义为活跃用户,5分钟用户和10分钟用户的在线目标在哪?什么等级段的用户在什么时间段留存多少时间?这些很杂,也很容易被忽略。
再举个例子,同一时间内,若某用户一次性购买两个宝石,他是算一次性购买?还是重复购买?不要小看此类数据,用户单次购买和分次购买直接决定用户的需求量,同样的数量面前,区间价值很大!
最后换个行业思考,编剧行业对剧本有一个定义,剧本只有5分钟!这个5分钟说的不是电影周期,而是你只有5分钟去打动你的用户,若五分钟不行,用户便会失去耐性;游戏也是一样,回到开头所说,一个用户在线5分钟,一个用户在线10分钟,他们的区别不仅仅在于时间的差别,更在于产品的时间粘性,以此为例,若开场动画很精美,进入游戏画面也很赞,用户用10分钟去沉迷于此,是很容易的情况,若开场的新手引导繁琐拖拉,则引导5分钟也无法支持。
终上所述,通过数据看用户与产品关系,通过数据发现问题,通过用户整理问题,通过产品解决问题,这不仅仅涉及到运营,更涉及到策划,美术等各个部门,毕竟产品不是上线就交给运营了,一个团队,团结合作才是重点!
数据很多,也很杂,他们彼此形成一张关系网,触一发而动全身;至于具体如何理解,不同的人有不同的领悟,只能说一句:“数据很重要!重要的不是他的算法多么准确,而是接地气!他告诉我们,接下来,该怎么做!”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27