用户活跃度一直上不去?或许可以试试从这个角度下手

运营们拿到每月的数据报表总是犯愁:用户数又在那儿不上不下,KPI又堪忧了。

比起抱怨结果不好,从用户那头开始尝试或许是一个不错的解决方法。

无论什么游戏的长线运营,其核心无外乎两点:用户+营收。

用户阴晴不定的态度一直让大家头疼,但其所有行动都有其逻辑在其中,而数据分析就可以帮助运营和公司梳理清楚用户的“小心思”。

这里分享两个案例来说明:

  • 案例1:开宝箱活动分析
  • 案例2:两次召回活动优化对比

1. 宝箱优化——如何利用简单、显眼的数据

这个棋牌产品正准备第二次开宝箱的活动,主要目的是希望通过宝箱活动去实现玩家在线时间及ARPU的提升。

经过第一次宝箱活动后,该产品目前的数据是这样的:

用户活跃度一直上不去?或许可以试试从这个角度下手

第一次活动策划的时候我们是没有可对比的活动数据作为参考的,我们选择了“大于10局的用户数占比45%”的结论去策划活动。

到了第二次活动策划,我们制定了活动的策划思路:

  • 进一步增加活动参与度
  • 控制游戏成本输出(用户金币均获取量)

根据这两个思路,我们制定了第二期活动的改进方案。

用户活跃度一直上不去?或许可以试试从这个角度下手

这次改进中,我们改进了两个活动点:

(1)降低参与门槛——提升活动参与度

此次活动最大的变动,便是从10局一次开宝箱的机会,改成了7次。这个调整的数据依据就是“大于7局的用户数占比为50%”。

这个改进依据是最容易发现的,同时也是最关键的。

(2)上调服务费——控制成本

为了吸引更多用户参与活动,我们降低了抽奖门槛,并提升了奖励金额。但是为了控制成本输出,我们上调了服务场的服务费用,导致尽管玩家表面上更容易获取资源,且资源数量不少,但实际获取的金币数量是低于第一次活动的。

改动之后,活动的参与人数的数据变化如下图:

用户活跃度一直上不去?或许可以试试从这个角度下手

从抽奖次数来看,参活用户平均抽奖次数从3.8提升到了4.6。

用户活跃度一直上不去?或许可以试试从这个角度下手

这个数据说明,门槛的降低促使更多的用户参与抽奖,且抽奖频率相较一期有了较为明显的提升。

另外,活动的最终目的是为了提升游戏留存,两期活动前后留存的情况是这样的:

用户活跃度一直上不去?或许可以试试从这个角度下手

数据显示,第一期活动将产品留存率是从48%提升到了50%,提升了2个百分点。第二期的用户留存从47%提升到了53%,提升了6个点。

这个数据结果就是非常好、有效的活动效果。

用户活跃度一直上不去?或许可以试试从这个角度下手

而从整体用户的次日留存提升来看,留存数值从0.3%提升到了1.2%。如果我们能够将产品的留存提升1%的话,这个活动对产品产生的价值是非常高的,留存数据也会进一步影响到整个用户的LTV。

通过这个活动的分析,我们可以看到活动策划的一个源头:关键的数据

二期活动利用一个非常简单的变量——10局到7局的改良,使得活动效果获得了大幅度的改进。

很多时候我们会把数据分析想得过于复杂,但其实我们可以利用最简单且明显的数据就能做到非常显著的优化效果,并且这样的数据其实非常多。

这是我想通过这个例子向大家呈现的一个概念:抓住简单而又关键的数据

2. MMORPG召回活动

我们再来看看一款MMORP*品的召回活动。

和许多处于中后期运营阶段的产品一样,这款MMORPG的流失用户会在这个阶段去开展召回流失玩家的活动,并策划相应的召回活动去提升这些玩家的留存。

玩家的召回方式有很多,常见的有短信、邮件、客服等方法。短信信息召回是性价比最高的方法之一,这款案例产品的活动也是通过短信来实现的。

但因为召回人群的差异,短信内容也要发生变化。首先对流失可召回的玩家可以进行几个分层,如图示内容,核心用户、高端用户、次高端用户、中端用户、低端用户123。

用户活跃度一直上不去?或许可以试试从这个角度下手

这是两次召回活动的数据,数据包含了失败、成功、目标召回以及召回率。

如果从活动召回率来说,第一次活动总的召回率是15%,第二次是20%。召回率反映出第二次的效果是明显比第一次好的。

但如果我们再来仔细看整个数据的召回率比例,我们会发现第二次召回的用户中,之所以会比第一次的召回率高,数据的提升更多体现在低端用户的召回上。

因此第二次活动的召回效果是否真的好。我们需要看更多的数据和指标来佐证,到底哪一次的活动举办的比较成功

因此,我们选择以下几个点进行分析:

  • 回归天数分布
  • 资源消耗对比
  • 分类型用户占比
  • 回归后30天内登陆不足20天的用户

(1)回归天数分布

对于回归用户登录天数分布,就是回归用户在30天之内活跃了多少天。下图是第一次活动和第二次活动的用户活跃天数分布。

用户活跃度一直上不去?或许可以试试从这个角度下手

第一次活动形式主要是发短信让老玩家回来,利用每天签到领奖提高留存,并在第十天的时候用大奖的形式提高用户的长线留存能力。

第二次的时候,召回活动同样也是每天都可以领奖,但是我们将大奖的领取时间拉长,让用户在第十八天的时候才可以领取。领奖时间的差异,导致数据上产生了差异。

根据这个表我们可以找出一些现象:

  • 大部分回归用户领了大奖后就基本都流失了。30天为周期,用户登陆数据基本都是在15天左右开始下去。
  • 回归的用户在第八天的时候出现了一个流失的高峰。这是一个需要关注的点。因为在第一次活动的时候,第八天并没有出现高流失的情况,因此,第八天的数据异常应该可以挖掘出一个对活动改进的点。
  • 第二期活动留下来的用户要比第一期留下的要多

二期活动回流用户要比一期多25%左右,证明用户虽然领了奖品大多会流失。但是通过延长活动奖品的领取时间,可以让玩家有更多的时间去了解游戏的内容。

很多MMORPG是通过社区互动的方式,例如师徒系统、组队副本等方式,提高了召回玩家的留存。

所以我们可以得到一个改进结论:

就是针对第二期活动,召回玩家在第八天左右出现流失高风现象,下一次召回活动应当在第7第8天来适当地提升奖品奖励,来提高用户期望,从而促使玩家继续留在游戏当中。当然,这个结论也需要从更多的维度去佐证是否成立。

我们对召回的玩家不仅要关注他们的召回率,我们还应当去关注他们的活跃度。

(2)资源消耗对比

召回的本质还是想让玩家留下来,留下来之后开始消费的行为。

用户活跃度一直上不去?或许可以试试从这个角度下手

由图可知,第二次召回的用户的资源消耗(付费能力)要高于第一期的用户,由日均1.8提升到1.9,提升了6%。同时,结合游戏的付费数据,同期游戏日均首日分别为300和240,可以看到第二期活动从营收上的确是要高于第一期活动的。

我们刚刚看到召回活跃度的对比,召回玩家的活跃度是第二期更好的,从充值和资源消耗来说,也是第二期更好一些。分析到这里的时候,我们其实基本可以下结论,第二期的召回活动效果是优于第二期召回活动的。

分析到这里,其实我们还没有得到更多建议,去优化第三期的召回活动。因次我们还需要去深挖用户行为路径,去发掘用户的价值。

(3)分类型用户占比

首先,是分类型用户消耗占比的分析,我们本身在召回的时候把用户分了不同的层级,高端、次高端之类的概念。这些用户回归游戏后,我们针对他们在游戏内分别消耗了多少资源做了一个对比的分布图,这个时候我们可以明显地发现一些特别有价值的结论:

回归玩家消耗明显集中在高端用户和低端用户1中

用户活跃度一直上不去?或许可以试试从这个角度下手

在两期的活动中,低端用户1分别占据了消耗占比的44%和36%,均远高于其他类别的玩家的。

其实一期活动策划的时候,我们的活动大部分都是希望去把高端+次高端用户作为我们的活动导向核心,因为这些都是大玩家的贡献价值更大。

但实际上,这两期活动对低端用户1和次高端用户的影响最大,后面如果我们要再策划类似活动的话,我们就应当需要对低端用户1做一个更为全面的分析,让活动可以进一步挖掘这部分人群的消费能力和体验导向

同样的,其他的用户行为需求我们也需要进一步的分析,对整个活动进行改良,以提高活动对其他用户的吸引力。

综上所述,活动对我们的核心用户群——高端用户&次高端用户,其实吸引力是不大的。

这里就可以获得两个结论:

  • 1. 回归玩家的消耗主要来⾃于次⾼端⽤户和低端⽤户1,尤其是低端⽤户1,此类玩家在两期活动的消耗中分别占到了44%和36%。作为召回活动主要召回对象的核⼼⽤户和高端⽤户反⽽没有表现出较强的付费能⼒
  • 低端⽤户3类型消耗占⽐第⼆期有较⼤幅度提升,由3%提升到了12.7%,说明虽然此类⽤户中有⼤量的⼩号、仓库号,但其中真实⽤户仍然能够给游戏带来⼀定价值

由上述结论便可以导出对第三期活动的改进建议:

适当提升次⾼端⽤户和低端⽤户1的奖励价值,因为这两类玩家具有更强的消费能⼒和倾向,适当提升奖励价值可以达到提升其消费意愿的作⽤。

这是对用户进行分类的对比,我们还可以看回归之后30天之内,登陆不足20天的用户,从中再去发掘更多数据信息。

(4)回归后30天内登陆不足20天的用户

这个用户就是召回之后再次流失,他们回来之后为什么又走了,这里其实是需要结合整个游戏的玩法去分析了。

用户活跃度一直上不去?或许可以试试从这个角度下手

比如说低端用户3的等级分布,它的流失点分别为65级及70级,这里要结合游戏的玩法去分析这两个点存在什么样的问题导致玩家流失。

对于这个游戏来说,65级和70级的时候有一个要求较高的飞升系统。前期在召回玩家回来之后,我们会奖励玩家一些经验值和奖励的礼包,但到了飞升的时候会卡在这里,这个点也会成为未来活动优化的方向。对于低端用户2也可以同样使用这样的思路去分析优化。

使用这种分析,我们可以得到一些结论。就是我们在做活动结果的数据分析的时候,我们很容易只停留在活动的数据表面,并没有对下层行为做一个深钻,如果我们从不同的角度去深挖数据,我们就可以得到很多有价值的点