TalkingData：相关分析在游戏中的应用.pdf

TalkingData：相关分析在游戏中的应用 凭借着科技的力量进入了大数据时代，收集数据的能力也大大提高，分析师 每天与这些“大”数据打交道。在游戏行业，我们拥有成熟的 AARRR 模型，从 获客、 活跃、 流失和留存、 收入到用户传播建立一个完美的闭环。 除了常规指标， 在分析过程中我们还会建立很多临时指标来辅助分析。面对这么多统计的数据， 我们会好奇这些指标或者变量之间是否存在某种相关性，以及相关程度如何，这 就用到我们今天要分享的内容相关分析。 在统计学上，用相关系数来描述变量之间的关系，相关系数的符号(+/-)表 明关系的方向(正相关/负相关)， 其值的大小表示关系的强弱程度。 下图是对相关 系数的一个解读。 表 1 解释相关系数 下面列举几个游戏中进行相关分析的应用场景 1.玩家付费能力 评估一个玩家的付费能力与哪些因素相关，相关程度如何? 与一个玩家的付费能力相关的因素有性别、年龄、教育程度、游戏时长、游 戏频次甚至游戏中好友数。这些或多或少都与付费能力有一定的相关性。需要注 意的是， 像性别这样的定类变量不支持下面案例中的实现， 需要点二列相关系数。 2.游戏收入 与游戏每天收入可能相关的因素有付费人数、活跃玩家数、付费率、 ARPU、 道具销售数量、道具价格和玩家总时长(日玩家总时长)，哪些因素与收入相关程 度密切，哪些因素相关只是偶然性呢?这些在接下来的案例会详细探讨。 3.道具销量 游戏中要进行相关分析的地方远不止这三个场景，理论上各个因素(变量间) 都可以进行相关性分析， 并通过相关系数反映相关程度， 还是建议不要盲目分析， 在不同时间段，根据自身的分析目的进行探索式分析和验证。 接下来我们看一个相关分析的案例，工具的选择可以根据个人喜好，虽然 Excel 也可以进行相关分析，但是只列出相关系数，不能进行统计显著性检验， 所以推荐使用 SPSS 或者 SAS。 首先，整理好要分析的数据，这里收集某游戏两个月内每日收入、玩家数、 日付费率、付费人数、道具销售数量等数据。 选择分析-相关-双变量，然后选择要研究的变量如下图： 点击确定后得到分析结果如下： 结果稍微复杂了些(SPSS 结果显示比较全面，有些指标不需要关心)，我们 只选择我们需要的数据来看，只看最后一行(蓝色部分)，即收入与其他因素之间 的相关性。 从上图结果可知，收入与日付费率和付费人数相关系数分别为 0.961 和 0.954，具有强相关性。收入与道具销量相关系数为 0.609，为中度相关。显著 性均为 0.000 远小于 0.05，说明分析结果显著。而收入与玩家数(日活跃)相关系 数为 0.142，弱相关，从显著性检测结果 0.272 来看大于 0.05，说明玩家数对 收入相关性不显著，两者存在一定的偶然性。 上面例子中的分析结果并不代表整个游戏行业的数据表现， 本文只是传达一 个分析方法，在游戏运营中多做一些探索式的相关分析，说不定就能发掘出很大 的价值和规律。此外，相关分析只是分析变量之间是否相关以及相关程度如何， 并不代表变量之间一定存在因果关系。就像卖冰棍和发生火灾数有很大的相关 性，但他们都与温度高(夏天炎热)有关联一样。接下来的文章会讨论回归分析， 用数据模型量化这种相关关系，并做一些预测。 如有任何问题，请多多交流。