【入门篇】移动游戏数据分析框架

来源：好游戏攻略时间：2024-11-23 16:41

==========在做进一步讲解之前，依旧先对活跃用户进行定义===================

AU（Active Users）活跃用户：统计周期内，登录过游戏的用户数；根据统计周期不同又划分为DAU（日活跃用户），WAU（周活跃用户）,MAU（月活跃用户）；

备注：入门篇中所定义的“用户”均以“账号”进行衡量；账号：游戏账号库中的唯一标识，在单款游戏中全局唯一；

==========================================================

仍然从应收的公式进行推导 Revenue = AU * PUR * ARPPU；在活跃用户规模固定的前提下，PUR 和 ARPPU 是衡量游戏盈利能力最基础的2个指标；

国内做游戏数据分析的时候 ARPPU 和 ARPU 经常被混在一起，这里为了严谨，单独把这2个指标拿出来对比一下；

ARPU（Average Revenue Per User）平均每用户收入

定义：统计周期内，活跃用户对游戏产生的平均收入；

公式: ARPU = Revenue / AU

ARPPU (Average Revenue Per Paying User) 平均每付费用户收入

定义：统计周期内，付费用户对游戏产生的平均收入；

公式：ARPPU = Revenue / APA

PUR（Pay User Rate）付费比率

定义：统计周期内，付费账号数占活跃账号数的比例；一般以自然月或自然周为单位进行统计；

公式：PUR = APA / AU；

APA（Active Payment Account）活跃付费账号数

定义：统计周期内，成功付费的账号数(排重统计)；

公式：APA = AU * PUR；

拓展应用：

从公式的推导可以看出，实际上 ARPU = ARPPU * PUR；目前国内游戏数据做数据分析时所说的“ARPU”实际上是ARPPU，即平均每付费用户收入；

之所以将 ARPU 再拆解为 PUR 和 ARPPU，主要是因为 ARPU是对产品盈利能力的综合评价，为了更好的我们做决策，将付费指标拆解为 PUR（广度，更多的人付费）和 ARPPU（深度，付更多的钱）两个维度；

基于上诉原则，在做充值相关分析的时候，还可以对PUR 和 ARPPU 做进一步拆解，比如新老用户的 PUR 和 ARPPU，对 APA 的付费强度（统计周期内充值金额）进行分段统计，观察APA的结构，如大R占比，贡献率、小额充值的比重等；

在移动游戏数据分析领域，特别是渠道商在判断产品质量的时候，大家还会经常听到一个指标 LTV

LTV（Lift Time Value）生命周期价值

定义：平均一个账号在其生命周期内（第一次登录游戏到最后一次登录游戏），为该游戏创造的收入总计；

公式：LTV_N = 统计周期内，一批新增用户在其首次登入后N天内产生的累计充值 / NU（New Users）；

应用场景：手机游戏数据分析中的发行指标，用于衡量渠道导入用户的回本周期，LTV_N>CPA(登录)

从LTV的定义上可以看出，CP可以通过不同渠道导入用户的LTV_N 与导入成本（CPL）进行比较，用于计算不同媒体投放的回本率（这个在市场推广篇已经提到）；另外，渠道商也可以通过这个指标和联运资源的成本对比，迅速判断一款产品是否值得投入联运资源；

由于LTV是基于新增用户进行计算的，因此受大R影响比较严重。

因此，在观察产品LTV数据的时候，通常情况下会选取一段时间的数据进行观察；在汇总计算时，如下图所示，计算LTV_N 时只抽取时间跨度足够的样本；

如，统计周期选择 4-10至4-19，LTV_4 仅通过 4-10 至 4-16的数据进行计算，因为 4-17至4-19 三天的新增账号还没有第4天的数据；

另外，由于受每日新增用户的质量影响较大，有可能出现LTV_N+1 小于 LTV_N的情况，因此要观察 LTV_N时，统计周期至少选择 N +14 天以上，保证每个指标都有14天以上的样本进行计算；

本文提及的收入指标主要是用于描述产品宏观数据，关于结合游戏内的其他数据做分析（包括IB分析、消费分析、首充分析等）以帮助我们制定相应的运营活动和版本计划，这部分会在进阶篇的案例中详细说明；

作者：GRG专栏作家刘异网龙公司产品分析经理，专注移动互联网数据分析

via：http://www.grg2013.com/archives/3011