为什么收入总是提不上？试试用数据优化付费设计

首先，开局一张图：


数据转化率分析

数据转化率，也就是漏斗模型，是通过用户行为轨迹，分析用户在行为路径中的转化。

那么对于付费道具购买这里，其行为路径可能就会是这样：



漏斗模型帮助我们量化了各个环节的效率。当我们将玩家的行为路径数据拉出后，就知道到底有多少玩家看到了我们的活动页面，看到了付费道具，产生了购买行为，从而优化在这一过程中的转化率。

在这个过程中记录log需要注意的是，这里记录的都是客户端数据，没办法将每次点击都记录一条log，那样数据就太多了，但可以让程序每天统计一下，有多少个玩家每个步骤点击了多少次。（这样虽然没有每次都记录那么准确，但可以避免被程序打）

数据波动分析

一个常见的工作场景：你的老大看到充值数据掉了，直接喊了你说，某某某你查一下为什么今天充值跌了？

很多人收到这个需求就会有点头秃。因为影响充值的因素有很多，不知道该从何查起。这里，我可以分享一个简单的方法，那就是，用公式：


一个指标变了，想知道为什么变，我们就要将这个指标进行拆解，层层抽丝剥茧，找到数据变化的真正原因。

针对收入来说，我们分析付费金额为什么增加或者减少的时候，就要从DAU，付费率，ARPPU这3个数据中找原因。



这样我们把指标拆分得很细，就能够更加定量的发现变化是受到哪些数据影响。找到波动较大的数据，再去分析收入变化的原因，就更加有理有据了。

当然，在实际应用中，不会真的把所有指标都拆分一次。而是先有一个推测，再根据推测去拆解相应的指标，验证推测是否正确。

参与深度分析

我们在做一个运营活动后，往往会分析运营活动做得好不好。那么，哪些指标可以反馈运营活动的参与情况呢？

我认为，有3点：参与活动的用户属性、用户参与率、用户参与深度。

参与用户属性，可以从用户付费能力、成长情况、所在服务器、其他类型来进行划分。


用户参与率，可以从不同用户在活动的整体参与比例，和具体某个商品的比例两个角度来划分。

用户参与深度，可以从不同用户在不同道具的购买数量对比。


了解不同用户的参与特点，我们也能更清晰的知道，这次活动受哪些用户欢迎，哪些用户的参与不及预期，来为我们下一步的优化提供佐证。

这里在拆分用户属性的时候，除了付费、成长、活跃等这些基础属性，也会根据活动实际售卖的道具做出一定的推测，去拆分相关的用户属性。

举一个大家都知道的例子，把啤酒和尿布放在一起，会同时促进这2个商品的销量增加，那么我们有理由推测，购买了A道具的玩家，会影响B道具的购买欲望，所以在拆分用户属性的时候，也不要忘了此类数据。

用我工作中的一个活动分析举个例子：


上图的数据，这是某商品不同VIP的玩家参与情况，可以明显看到，随着VIP提升，购买率和购买次数都有显着提高，说明该商品更受到大R用户的欢迎。


再去拆分不同VIP的具体抽奖次数，就可以了解到不同玩家的参与深度。


最后与已经拥有了A道具的玩家抽奖次数做对比，可以看到拥有A道具后，小R抽奖次数明显降低，但大R影响不大。所以下次我们还是可以针对大R推出该类道具。

养成变化情况

当我们贩卖了一个道具，或者数值增加了某个道具的投放，即使通过数据分析发现这次贩卖或改动的效果很好，也不能掉以轻心。还要看一下改动后一段时间后，玩家的养成点培养情况，即“售后调查”。

需要调查的培养情况有哪些呢？我认为有2点：一是看玩家获得道具后是否产生了消耗，二是消耗后该养成点是否饱和。


看道具是否产生消耗，是因为有时候我们去做一些折扣比较高的活动，有些冲动型选手没有管自己是否有需求，直接就买了，看事后发现自己用不上，那么低折扣骗了一次，第二次就不好用了。

看消耗后是否饱和，也是为了看这个商品玩家的需求情况，如果一个商品越卖越差，很有可能是大多数人已经对此没有需求了。这个时候，我们还可以通过数据看到：

• 不同类型的用户在拥有多少个以后，购买欲望开始减弱的？
• 不同类型的用户在培养到什么程度后，购买欲望开始减弱的？
• 不同类型的用户在消耗多少道具后，购买欲望开始减弱的？
• 只有了解到玩家是否需求，才能保证商品持续具有吸引力。
  

那么，没需求了怎么办？找数值，开新坑呗……

数据分析需要注意哪些问题

我们在做数据分析时，很多人摆了一堆数据，却得不出有用的结论，使数据分析沦为纸上谈兵，那么，在实践中，数据分析会有哪些误区呢？

1） 先有结论，然后用数据证明结论。

比如我们做一个活动，活动付费率不到4%，很多人会先入为主，觉得4%真的太低了，这次活动效果一定不好，如果再深入一点，还会围着这点去说为什么数据不好。

但这从一开始就是一个误区。4%真的是一个很差的数据吗？为什么？这个4%的里头是不是含有什么水分？在这里就要拿出数据来说明。假如10级以下付费率是0%，10级以上付费率是10%呢？

那么对于这样一个10级以下还没有深入体验游戏的玩家群体来说，我们是不是可以把这部分用户直接排除在外呢？在去掉这部分数据后，我们再去计算真实的活跃玩家付费的参与率，那有没有可能跟一开始【4%太低】的结论相违背呢？

2） 缺少分析目的，罗列数据，想到什么说什么。

数据分析虽然有分析方法，但并不是照章办事即可。比如，我们要分析用户属性，那么需要把所有跟用户属性相关的数据都罗列吗？不需要的。

正确的顺序应该是，我要分析这次活动效果，根据活动设计目的，高等级玩家占了付费主力，那么在数据分析时，就要以等级高低为思路，沿着这个思路去分析高等级玩家是否购买得多，如果没有，为什么？然后抽丝剥茧找到原因。

分析的数据应该紧紧地围绕着分析思路走的，要针对分析目的和分析方向，去选择并列举与之有关的数据，而不是罗列全部数据即可。

3） 数据分析应该与业务紧密结合。

不管excel、sql用得多熟练，这些始终只是工具，最重要的是要熟悉业务，并能够把数据分析的结论与业务相结合，最终优化数据表现，让我们的数据分析产生价值。

怎么样才能产生价值？找到问题存在的原因是价值，优化当前数据表现而提出自己的改进方案也是价值，这些光有数据还不够，要跟玩家反馈、游戏实际情况三者结合在一起，才能得出更靠谱的结论。

相关阅读：
让玩家充值到底有多难？刺激玩家消费只需走好这两步
如何用​运营活动挽回流失的玩家？
从游戏设计阶段提升付费深度，看看《狐妖小红娘》是怎么做的？

作者：周若