网络游戏的数据理解及流量转化

网络游戏的数据理解及流量转化

数据分析作用：
更经济地获得用户：用预测分析来找出最佳的用户，并有针对性地开展吸引拓展他们的活动，从而降低获取用户的成本
增加交叉销售
最大限度地增加交叉销售和延展销售，游戏用户的需求不仅限于现有的单一游戏，对用户数据进行挖掘，更好地了解用户，并向其推荐提供用户最可能希望获得的额外产品和服务，增加销售额。
降低流失，留住用户
获取用户的成本通常是保留用户的数倍，让付费用户满意是关键之一，在失去那些不满意的付费用户之前找到原因，预测能够获得付费用户忠诚与满意的方法
挖掘网络数据优化流程
网络游戏依托于强大的推广和服务渠道，种类繁多的渠道必须有效利用产生最大的价值，对于相关数据进行挖掘，了解用户形成和产生价值的渠道方式，清晰认识渠道，调整优化网络渠道，尽可能提高用户满意度和销售额
对用户进行调查
要准确预测用户的需求需要对用户行为有完整清晰的了解，要改进优化用户行为了解程度，通过调查方式，结合行为数据采集，获得用户的发展变化趋势，增进对未来的认识。

美国的Playon研究项目组自2005年以来持续收集了大量关于《魔兽世界(专区视频)》的数据，比如玩家升级速度、在线时间、放弃游戏原因等，这些数据对如何设置游戏等级、维持职业平衡等都有重要的启示。同时其中也有很多很好玩的或者是完全出乎我们意料的事实。非常感谢名为“闪王”的网友，他将这些调查翻译成了中文。

网络游戏运营中数据的作用不可忽视，从商业理解到数据理解的过程中，各类数据将游戏运营规律和现象，以独特的方式呈现，尝试从基础概念的简要说明。
网络游戏运营过程是一个用户行为转化的过程，从用户行为操作角度做分解，
1传达信息             ---潜在用户发现或获知信息（媒体的传播价值）
2点击与查询（行动）    ---产生相关初级行为
3注册或激活（有效行为）---行为转化升级，形成用户
4丰富信息与体验（转化）---开始用户游戏行为
5体验判断（继续/流失） ---用户行为发展变异
6消费行为选择（是/否） ---游戏的商品价值实现的跳跃
7行为延续至结束（周期）---游戏的主要收益期

各环节数据理解，
1的产生数据与传媒的作用密切相关，通过各类宣传推广手段获得用户行为，来源上复杂多样，数据的因果关系判断困难。
由1向2的的转化形成了最初阶段的游戏数据，通过定量分析，可以得出初步的对于运营指导性分析结果。主要传播途径产生的效果比较分析，此阶段的“噪音”较多，不同的运营阶段缺乏数据的可比性。
2的离散信息源-游戏辅助（预告，攻略，论坛，互动活动等）与用户行为直接的联系缺乏明显的容易解读的关联度脉络，单纯的以广告传播效果的数据统计分析不适合游戏数据分析的特性。
2与3之间的数据之前的关联度比较清晰， 点击--注册--激活之间的比率转化，能够形成有效的数据分析结论，用于指导游戏运营。
对于3的商业理解决定了数据分析的成熟度，与结合游戏自身结合，
从3到4的数据分析复杂和困难，“自变量”“因变量”和因果关系需要多领域的协调配合。这阶段也是产生噪音数据最多的环节之一。通过数据分析转化与流失原因是主要目的。
5与6的数据理解和分析偏重于游戏内，通过相关分析为游戏开发和运营提供参考性意见。
6和7的数据理解缺乏足够丰富的资料和经验，加之不同游戏之间缺乏比较性规律，还需要在今后做补充。

结合实践简略提出游戏运营各阶段流量转化特征
(个人观点，由于行业变化和个人能力所限，仅提供做批判之用)
1新游戏运营的内测未确定前，传播主要在游戏专业类媒体的预告和专业游戏玩家或组织之中产生，信息呈现不确定性，传递的途径相对单一和个人化，对象为小众专业群体，游戏本身特质占据主导传播地位，题材事件为主，数据流量和分析比较困难，但受到策划影响很大，往往容易形成特定热点，以往的例如A3的“十八禁”，魔兽世界。后续题材和运营无法保证时，有可能出现数据误导情况，“龙于地下城”“轩辕剑”等。此阶段的用户数据流量从各专业游戏网站和口碑传播开始，通过连接和搜索引擎转化到官方网站或信息专题站。分析用户的来源属地性质有助于其后的运营，寻找用户具备意见领袖特征的共同属性是此阶段数据分析的价值之一。
2内测阶段（测前至开放注册前）。通过限制性条件，选择所需要测试对象。数据分析在提供参考的同时，对于测试的分析和总结相隔规律。用户流量将通过相关信息汇总至帐号发放渠道和最新信息发布渠道（官网），关注游戏的核心用户产生主要的数据流量，用户的汇集与信息反馈（发号论坛或渠道）对于数据分析产生重要的数据源。内测过程中的行为表现（夸奖或诋毁）都具有集中放大作用，形成早期的舆论判断导向，相隔信息以个人化传播途径为主（口碑论坛等），相关市场手段（奖励或互动活动）的效果可以通过用户行为流量分析获得（论坛的关注程度，互动的反馈）
3开放测试阶段（收费或道具商城开放前），在前期大量蝗虫用户产生，用户行为数据和流量具有一定的欺骗性，用户从论坛向游戏操作说明（攻略）和深度体验内容转移流量，官网有可能呈现突发性流量增加变化，信息入口渠道增多，用户行为信息中夹杂“噪音”，广告宣传效果出现衰减现象，用户行为流量的分析能够在一定程度上判断用户结构，例如：通过流量分布官网位置判定用户的体验程度。对于转化率的数据分析，可以基本判定游戏主要缺陷和用户流失环节。通过与内测环节用户行为对比分析，找出目标用户的基本特征（游戏属性与社会属性），对于流失用户的原因和属性分析判断，有助于调整市场策略，优化运营解构。用户在官网流量分布变化（新闻，论坛，活动，操作等）与市场营销行为的关联程度上的分析，成为这个时期的数据分析要点之一。
4主体运营阶段（收费阶段），在这个阶段，产品的成熟度从用户流量变化中可以多角度看出，用户在游戏维护期间官方论坛中的活跃程度，互动活动信息的流量产生方式与变化，众多途径可以考察出游戏与用户行为之间的比值。
在用户来源和产生原因数据分析方面，用户在特定环节的流量变化（例如首次注册登陆时间分布与注册后访问官网的内容），以及客服信息反馈，都能够产生对运营有关的指导性分析结果。
用户在主体运营阶段的流量变化表现，互动信息的流量变化最值得关注与分析，不同类型的互动活动（活动难得与参与方式和程度），能够以局部数据分析的方式呈现运营指导规律（用户喜好）。
5收尾运营阶段（掠夺性收费阶段），从游戏在线用户的结构与行为特征中可以察看到游戏生命周期结束，游戏内容的变化更新与市场营销策略对于用户流量无法产生影响时，游戏生命周期即将终结，用户转移和掠夺性开发是必然选择。用户流失分析与替代游戏的选择密切相关，创新是游戏的生命，新旧交替中用户行为发生变异（用户需求改编），寻找和适应用户的需求的游戏方式是这个时期数据分析的重点之一。例如开心网发现了游戏用户的特定需求而加以引导和突破。

网络游戏的运营中产生了大量包含“噪音”的数据，对于游戏商业理解和数据理解是数据挖掘分析的前提，理顺众多数据之间的关联程度是一件很困难的事情，通过长期的对比性实际分析与交流，采用渐进的方式不断积累和前进可能是网络游戏数据挖掘分析的有效途径。长期性，复杂性，艰巨性，反复性，数据在呈现答案之前设置了重重障碍，在游戏运营中某一细节分支所透露出的本质都有可能改变游戏的发展，希望能够与致力于网络游戏数据领域研究的朋友建立起长期的联系，交换在实际中遇到的问题和经验。

1、蒙特卡罗算法（该算法又称随机性模拟算法，是通过计算机仿真来解决问题的算法，同时可以通过模拟可以来检验自己模型的正确性，是比较常用的方法）

2、数据拟合、参数估计、插值等数据处理算法（网络游戏运营过程中通常会遇到大量的数据需要处理，而处理数据的关键就在于这些算法，通常使用Matlab作为工具）

3、线性规划、整数规划、多元规划、二次规划等规划类问题（大多数问题属于最优化问题，很多时候这些问题可以用数学规划算法来描述，通常使用Lindo、Lingo软件实现）

4、图论算法（这类算法可以分为很多种，包括最短路、网络流、二分图等算法，涉及到图论的问题可以用这些方法解决，网络游戏运营中从商业理解到数据理解的过程中初级问题的解决常用到）

5、动态规划、回溯搜索、分治算法、分支定界等计算机算法（这些算法是算法设计中比较常用的方法，一般在网络游戏数据分析管理中于其他算法结合使用，很少单独使用）

6、最优化理论的三大非经典算法：模拟退火法、神经网络、遗传算法（这些问题是用来解决一些较困难的最优化问题的算法，对于网络游戏最佳优选问题非常有帮助，但是算法的实现比较困难，需经过多次反复的过程和较长的时间，不适合缺乏数据积累的运营状况分析）

7、网格算法和穷举法（网格算法和穷举法都是暴力搜索最优点的算法，在网络游戏运营中应用范围不是很广泛，当重点讨论模型本身而轻视算法的时候，可以使用这种暴力方案，最好使用一些高级语言作为编程工具）

8、一些连续离散化方法（很多问题都是实际来的，数据可以是连续的，而计算机只认的是离散的数据，因此将其离散化后进行差分代替微分、求和代替积分等思想是非常重要的）

9、数值分析算法（如果采用高级语言进行编程的话，那一些数值分析中常用的算法比如方程组求解、矩阵运算、函数积分等算法就需要额外编写库函数进行调用，对于缺乏数据分析管理基础的运营分析比较困难）

10、图象处理算法（游戏运营过程中有一类问题与图形有关，这些图形如何展示以及如何处理就是需要解决的问题，通常使用Matlab进行处理）

介绍的十分简略，单纯从表明文字很难理解，需要与具体游戏运营中的问题解决相结合才能更有说服力，游戏运营的数据管理涉及面广且缺乏丰富的实践案例，希望能够与更多具有实践操作经验的朋友交流。 MSN：f95858 @ MSN.cn

数据挖掘技术在网络游戏客户关系管理中的应用
第一节．利用决策树归纳分类方法进行玩家分类
一．信息增益的计算
决策树的核心问题是选择最佳的划分标准。ID3算法运用信息熵理论，选择当前样本属性集中具有最大信息增益值的属性作为测试属性。该属性使得对结果划分中的样本分类所需的信息量最小，并反映划分的最小随机性或“不纯性”。这种信息理论方法使得对一个对象分类所需的期望测试数目达到最小，并确保找到一棵简单树。
设S是s个数据样本的集合。假定类标号属性具有m个不同值，定义m个不同类Ci(i=1,…,m)。设Si是类Ci中的样本数。对一个给定的样本分类所需的期望信息，即系统的总熵由式（4.1.1.1）给出：
其中Pi是任意样本属于Ci的概率，并用Si/S估计。可以看出，系统总熵是属于各个类的信息量的加权平均。
设属性A具有v个不同值{a1,a2,a3.......av},可以用属性A将S划分为v个子集{ s1,s2,s3.......sv},；其中，Sj包含S中这样一些样本，他们在A上具有值aj。如果A选作测试属性，则这些子集对应于由包含集合S的节点生长出来的分枝。设Sij是子集Sj中类Ci的样本数。那么，这时按A的每个属性值进行分割后的信息量，也就是系统总熵或期望信息由式（4.1.1.2）给出：
项充当第j个子集的权，并且等于子集中的样本个数除以S中的样本总数。熵值越小，子集划分的纯度越高。
引入一个量：信息增益(Inform ationGain)表示系统由于分类获得的信息量，由系统熵的减少值定量描述。用属性划分样本集S后所得的信息增益值为式（4.1.1.3）：
 
Gain(A)=I(s1,s2,…,sm)-E(A)  （4.1.1.3）
 
 
二．利用决策树归纳分类方法，进行网络游戏中玩家（客户）分类
我们现在要通过一个案例来进行玩家分类。首先，我们要在游戏的玩家数据库中找到我们需要的关键字，经过筛选，以下三个关键字将被作为游戏玩家分类的依据：
1.    玩家收入（高收入者更容易成为优质客户）
2.    玩家在线时间（长时间在线的玩家更容易成为优质客户）
3.    玩家消费情况（只有消费的玩家才会成为优质客户）
表（4.1.2.1）是对5种不同客户（类别标记）及其判断依据的解释。
表（4.1.2.2）是计算机经过处理后得出的16种判断。
由表（4.1.2.1）“类别标记”这一类别属性，划分为：优质客户，消费客户，潜在客户，普通客户和无效帐号5类。
类优质客户有8个样本；类消费客户有4个样本；类潜在客户有1个样本；类普通客户有1个样本；类无效帐号有2个样本。
 
 
因此给定本分类所需信息增益为：
 

各属性相应的信息增益为：
Gain(长期在线)= I(S1 ,S2 ,S3 ,S4 ,S5)- E(长期在线)=1.875-1.5=0.375
Gain(高收入)= I(S1 ,S2 ,S3 ,S4 ,S5)- E(高收入)=1.875-1.75=0.125
Gain(消费)= I(S1 ,S2 ,S3 ,S4 ,S5)- E(消费)=1.875-1.065=0.81
Gain(高消费)= I(S1 ,S2 ,S3 ,S4 ,S5)- E(高消费)=1.875-0.875=1
Gain(持续高消费)= I(S1 ,S2 ,S3 ,S4 ,S5)- E(持续高消费)=1.875-1.56=0.315
由此可以看住Gain(高消费)最大，高消费在属性中具有最高信息增益，以此作为根节点，并出现两个分歧，对应两个结果，以此类推生成决策树图（4.1.2.3）。
 
从这个决策树中，可以很清楚地分析出不同类型的客户，这样在CRM决策中可以对不同类型的客户选择不同的策略。
   由决策树可以很容易地得到“IF-THEN”形式的分类规则：
IF“高消费”=“Y”                   THEN 类别标记=“优质客户”
IF “高消费”=“N”AND 消费=“Y” AND “持续高消费”=“Y”
THEN 类别标记=“优质客户”
IF “高消费”=“N”AND 消费=“Y” AND “持续高消费”=“N”
 THEN 类别标记=“消费客户”
IF “高消费”=“N”AND 消费=“N” AND “长期在线”=“Y”  AND “高收入”=“Y”
  THEN 类别标记=“潜在客户”
IF “高消费”=“N”AND 消费=“N” AND “长期在线”=“Y”  AND “高收入”=“N”
 THEN 类别标记=“普通客户”
IF “高消费”=“N”AND 消费=“N” AND “长期在线”=“N” 
  THEN 类别标记=“无效帐号”
 
第二节 利用神经网络型知识挖掘技术进行玩家流失预测
我们可以利用神经网络挖掘技术来预测玩家流失的可能性。
首先我们通过对历史数据的统计分析，发现多数流失玩家都有一些共同的数据变化，比如：自身帐号上的虚拟币或者虚拟物品大量减少或转移；消费明显下降；上线时间明显减少；在“好友”中有一定数量的好友离开游戏（上线时间减少或不上线）等等；
然后，我们根据这些共同点，对现在的玩家数据进行比较，对玩家的某一项内容的现状给定一个计算机判断值，并乘以通过大量数据得出的一个“权值”，然后把所有项目得出的数据相加，就得到了一个代表玩家流失的可能性的数值。
如图（4.2.1）：某玩家好友里有3名已被判断为流失客户，计算机根据函数公式得出判断值（其实就是玩家好友流失程度）为0.9,而通过大量历史数据“学习”得出该项目权值（其实就是好友流失对玩家离开游戏的影响度）为0.15，所以该项目最终值为0.135。所有项目最终值相加结果为0.845，因为逼近于原给定的参考值1，所以计算机判断玩家将会流失。
 
 事实上，神经元预测值完全取决于联结网络的权值，输出结果的正确率也取决于权值的判定。因此神经网络挖掘技术需要不断“学习”历史数据来修正其权值，以达到趋于正确的判定结果。
 
第三节．利用粗糙集型知识挖掘技术进行玩家信息挖掘
粗糙集理论的出发点是假定所研究的每个对象涉及的一些信息，比如对流失玩家信息进行挖掘，可以得到流失玩家的一些相似信息，并对目前玩家相比较，以预测玩家是否会流失。
现在我们通过对整个玩家数据库进行粗糙集数据挖掘，以得到一些看不到的有效信息。
表（4.3.1）是玩家数据库中的一段资料截取，我们要通过它来说明如何对玩家资料进行有效的信息挖掘。
策略1：去掉没有意义的属性。比如“玩家ID”，虽然全部为不同属性值，但其本身对数据挖掘毫无意义，我们可以直接去除，无需计算；
策略2：面向属性进行概念提升。比如“IP地址”，“常州”和“无锡”都属于江苏，那么都提升为江苏，“浙江宁波”提升为“浙江”，减少差异数量。提升过程中要控制提升进度，防止泛化，使指定推动有意义。概念提升后要注意清除冗余数据。
策略3：指定泛化，控制概念提升。比如：“周消费”中可以指定，小于50元为“低”，大于100元为“高”，50-100元为“中”。
策略4：规则转换。经过概念提升以后，宏元组被浓缩，可以被拆取转换至多条规则，并增加一项“覆盖度”来提供定量信息。
策略5：覆盖度的累积。在知识基表归纳浓缩过程中，去掉冗余元组时，应将元组覆盖度加到与其完全相同的覆盖度上。
经过上面5个策略规则，计算机将生成数据表。
 

我们可以分析得到如：XX地区非学生的X类玩家消费能力很高，约占总玩家X%（设数据总数量为100条）。同时在挖掘地方数据时，可以控制概念提升，将“IP地址”范围缩小到省，乃至市，以方便地方性质客户服务的决策。

数据挖掘(Data Mining)，
就是从大量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程。
数据挖掘的广义观点：
数据挖掘就是从存放在数据库，数据仓库或其他信息库中的大量的数据中“挖掘”有趣知识的过程。数据挖掘，又称为数据库中知识发现(KnowledgeDiscovery in Database, KDD)，也有人把数据挖掘视为数据库中知识发现过程的一个基本步骤。
知识发现过程以下步骤组成：
（1）数据清理，
（2）数据集成，
（3）数据选择，
（4）数据变换，
（5）数据挖掘，
（6）模式评估，
（7）知识表示。
数据挖掘可以与用户或知识库交互。　　
并非所有的信息发现任务都被视为数据挖掘。例如，使用数据库管理系统查找个别的记录，或通过因特网的搜索引擎查找特定的Web页面，则是信息检索（informationretrieval）领域的任务。虽然这些任务是重要的，可能涉及使用复杂的算法和数据结构，但是它们主要依赖传统的计算机科学技术和数据的明显特征来创建索引结构，从而有效地组织和检索信息。尽管如此，数据挖掘技术也已用来增强信息检索系统的能力。
一 Data Mining 和统计分析有什么不同？
硬要去区分Data Mining和Statistics的差异其实是没有太大意义的。一般将之定义为DataMining技术的CART、CHAID或模糊计算等等理论方法，也都是由统计学者根据统计理论所发展衍生，换另一个角度看，DataMining有相当大的比重是由高等统计学中的多变量分析所支撑。
但是为什么Data Mining的出现会引发各领域的广泛注意呢？
主要原因在相较于传统统计分析而言，Data Mining有下列几项特性：
1.处理大量实际数据更强势，且无须太专业的统计背景去使用Data Mining的工具；
2.数据分析趋势为从大型数据库抓取所需数据并使用专属计算机分析软件，Data Mining的工具更符合企业需求；
3. 纯就理论的基础点来看，Data Mining和统计分析有应用上的差别，毕竟DataMining目的是方便企业终端用户使用而非给统计学家检测用的。

基础知识：网站分析常用指标

转换率　Take Rates (Conversions Rates)
计算公式：转换率＝进行了相应的动作的访问量／总访问量
指标意义：衡量网站内容对访问者的吸引程度以及网站的宣传效果
指标用法：当你在不同的地方测试新闻订阅、下载链接或注册会员，你可以使用不同的链接的名称、订阅的方式、广告的放置、付费搜索链接、付费广告(PPC)等等，看看那种方式是能够保持转换率在上升？如何增强来访者和网站内容的相关性？如果这个值上升，说明相关性增强了，反之，则是减弱。

回访者比率　Repeat Visitor Share
计算公式：回访者比率＝回访者数／独立访问者数
指标意义：衡量网站内容对访问者的吸引程度和网站的实用性，你的网站是否有令人感兴趣的内容使访问者再次回到你的网站。
指标用法：基于访问时长的设定和产生报告的时间段，这个指标可能会有很大的不同。绝大多数的网站都希望访问者回访，因此都希望这个值在不断提高，如果这个值在下降，说明网站的内容或产品的质量没有加强。需要注意的是，一旦你选定了一个时长和时间段，就要使用相同的参数来产生你的报告，否则就失去比较的意义。

积极访问者比率　Heavy User Share
计算公式：积极用户比率＝访问超过１１页的用户／总的访问数
指标意义：衡量有多少访问者是对网站的内容高度的兴趣
指标用法：如果你的网站针对正确的目标受众并且网站使用方便，你可以看到这个指标应该是不断的上升。如果你的网站是内容型的，你可以针对不同类别的内容来区分不同的积极访问者，当然你也可以定义２０页以上的才算是积极的访问者。

忠实访问者比率　Committed Visitor Share
计算公式：访问时间在１９分钟以上的用户数／总用户数
指标意义：和上一个指标的意义相同，只是使用停留的时间取代浏览页数，取决于网站的目标，你可以使用两个中的一个或结合使用。
指标用法：访问者时长这个指标有很大的争议，这个指标应结合其它的指标一起使用，例如转换率，但总体来说，较长的访问时长意味着用户喜欢呆在你的网站，高的忠实访问率当然是较好的。同样的，访问时长也可以根据不同的需要自行设定。

忠实访问者指数　Committed Visitor Index
计算公式：忠实访问者指数＝大于１９分钟的访问页数／大于１９分钟的访问者数
指标意义：指的是每个长时间访问者的平均访问页数，这是一个重要的指标，它结合了页数和时间。
指标用法：如果这个指数较低，那意味着有较长的访问时间但是较低的访问页面（也许访问者正好离开吃饭去了）。通常都希望看到这个指数有较高的值，如果你修改了网站，增加了网站的功能和资料，吸引更多的忠实访问者留在网站并浏览内容，这个指数就会上升。

忠实访问者量　Committed Visitor Volume
计算公式：忠实访问者量＝大于１９分钟的访问页数／总的访问页数
指标意义：长时间的访问者所访问的页面占所有访问页面数的量
指标用法：对于一个靠广告驱动的网站，这个指标尤其值得注意，因为它代表了总体的页面访问质量。如果你有１００００的访问页数却仅有１％的忠实访问者率，这意味着你可能吸引了错误的访问者，这些访问者没有啥价值，他们仅仅看一眼你的网页就离开了。这是你应该考虑是否广告的词语产生了误解。

访问者参与指数　Visitor Engagement Index
计算公式：访问者参与指数＝总访问数／独立访问者数
指标意义：这个指标是每个访问者的平均会话(session)，代表着部分访问者的多次访问的趋势。
指标用法：与回访者比率不同，这个指标代表着回访者的强烈度，如果有一个非常正确的目标受众不断的回访网站，这个指数将大大高于１；如果没有回访者，指数将趋近于１，意味着每一个访问者都有一个新的会话。这个指数的高低取决于网站的目标，大部分的内容型和商业性的网站都希望每个访问者在每周／每月有多个会话(session)；客户服务尤其是投诉之类的页面或网站则希望这个指数尽可能地接近于１。

回弹率（所有页面）Reject Rate／Bounce Rate
计算公式：回弹率（所有页面）＝单页面访问数／总访问数
指标意义：代表着访问者看到的仅有的一页的比率
指标意义：这个指标对于最高的进入页面有很重要的意义，因为流量就是从这些页面产生的，当你对网站的导航或布局设计进行调整时尤其要注意到这个参数。总而你是希望这个比率不断地下降。

回弹率（首页）Reject Rate／Bounce Rate
计算公式：回弹率（首页）＝仅仅访问首页的访问数／所有从首页开始的访问数
指标意义：这个指标代表所有从首页开始的访问者中仅仅看了首页的访问者比率
指标意义：这个指标是所有内容型指标中最重要的一个，通常我们认为首页是最高的进入页面（当然，如果你的网站有其他更高的进入页面，那么也应该把它加入到追踪的目标中）。对任意一个网站，我们可以想象，如果访问者对首页或最常见的进入页面都是一掠而过，说明网站在某一方面有问题。如果针对的目标市场是正确的，说明是访问者不能找到他想要的东西，或者是网页的设计上有问题（包括页面布局、网速、链接的文字等等）；如果网站设计是可行易用的，网站的内容可以很容易地找到，那么问题可能出在访问者的质量上，即市场问题。

浏览用户比率　Scanning Visitor Share
计算公式：浏览用户比率＝少于１分钟的访问者数／总访问数
指标意义：这个指标一定程度上衡量网页的吸引程度。
指标用法：大部分的网站都希望访问者停留超过一分钟，如果这个指标的值太高，那么就应该考虑一下网页的内容是否过于简单，网站的导航菜单是否需要改进。

浏览用户指数　Scanning Visitor Index
计算公式：浏览用户指数＝少于１分钟的访问页面数／少于１分钟的访问者数
指标意义：一分钟内的访问者平均访问页数
指标用法：这个指数也接近于１，说明访问者对网站越没兴趣，他们仅仅是瞄一眼就离开了。这也许是导航的问题，如果你对导航系统进行了显著的改进，应该可以看到这个指数在上升；如果指数还是下降，应该是网站的目标市场及使用功能有问题，应该着手解决。

将浏览用户比率和浏览用户指数结合起来使用，可以看出用户是在浏览有用的信息还是厌烦而离开。

浏览用户量　Scanning Visitor Volume
计算公式：浏览用户量＝少于１分钟的浏览页数／所有浏览页数
指标意义：在一分钟内完成的访问页面数的比率
指标用法：根据网站的目标的不同，这个指标的高低有不同的要求，大部分的网站希望这个指标降低。如果是搞广告驱动的网站，这个指标太高对于长期的目标是不利的，因为这意味着尽管你通过广告吸引了许多的访问者，产生很高的访问页数，但是访问者的质量却是不高的，所能带来的收益也就会受到影响。

影响转化率(Conversion Rate)的因素

我们应该如何解读conversion rate呢？或者这个问题可以更准确的描述为：conversionrate受哪些因素的影响？

影响conversionrate的因素有很多，可以分为四个类别：广告受众的质量、广告本身的创意和样式、网站监测conversion代码所在页面源HTML文件的位置以及是否存在流量欺诈。

广告受众的质量（对conversion rate的影响程度：适中）
　　广告受众对广告感不感兴趣，直接影响到conversionrate的高低——原因在于广告受众或多或少的存在误点击行为。在没有误点击的理想情况下，那么我们可以认为每一个来自广告受众的点击都是有目的的、是由兴趣引发的，因此无论受众的整体质量如何，conversionrate都应该保持一个相对稳定的值。可是，误点击必然存在，在这种情况下，广告受众和广告不匹配的程度越高，误点击发生的相对几率就会越大，conversionrate就会越低。例如，你我这样的互联网老油条，我们同样可能会因为鼠标的不灵活点击在了某个我们本不想点击的广告上，于是我们会立即条件反射的把因此打开的页面窗口直接关掉，而且我们心中会掠过一丝不快。这个时候，click的监测会增加一次记录，但visit则不会，conversionrate会因此降低。很有趣的是，我似乎曾经看过国外的一篇文章提到当机械鼠标大量退出市场而由光电鼠标替代后，conversionrate的平均值有一点点的增高——或许这只是个玩笑，但我宁愿相信其中的影响。

因此广告受众的质量是会影响到conversionrate的，而且我们的实践经验也很明确的证明了这一点，这里就不再赘述了。

广告本身的创意形式和所在位置（影响程度：较大）
　　很显然，越具有侵略性的广告形式，越会造成无效点击或者误点击(casualclick)。诱导性广告、全屏广告、占有大量页面面积且处于首屏的广告、屏保广告以及关闭按钮无效或者极小的弹出式广告都会带来较低的conversion rate。而文本型的广告(text link)和比较小的图标广告(icon)会有较高的conversionrate。因为后二者被误点击的机会要小的多。

Conversion代码所在页面位置（影响程度：适中）
　　Conversion Rate的监测代码需要同时放在广告上和网站landing page上。如果landingpage上的监测代码放在了HTML文件的末尾(bottom)而不是最前面(top)，那么conversionrate可能会降低。原因在于载入conversion代码需要时间，而放在页首能够比放在页尾更快的载入，因此能够计入更多的visit——分母为常量的情况下，分子越大整个分数值也就会越大。但将代码放在页首可能会造成网页并没有载入完全，代码就计数的问题，这又可能使conversionrate虚高——因此需要监测执行人自行把握其中利弊。

无论你用Omniture，GoogleAnalytics还是DoubleClick的spotlight来监测conversionrate，都会面临监测代码位置影响最终数据大小的问题——或者说，这根本就不是问题，而是你如何取舍选择。

流量欺诈（影响程度：剧烈）
　　并不是所有的点击欺诈都会影响到conversionrate，但在中国，往往会。因为中国目前的作弊总是相对低技术含量的。最典型的流量欺诈就是点击欺诈(clickfraud)。点击欺诈作用在广告主的广告上（广告端），通过大量机器刷新或者trigger等方法使click监测代码重复计数，使其报告数值剧烈升高，这样广告主会被欺骗认为广告获得了极好的效果——高click，高CTR。（但我在以前的文章已经说明，高的CTR不是效果，而是反效果，是陷阱。）由于低技术含量的作弊，click升高了，却“忘了”让visit升高，导致conversionrate极为剧烈的下降。

　　你会问，既然能让click升高，那怎么会“忘记”让visit升高呢？其实，这不是真的忘记，而是因为click和visit是两种不同类型的度量。visit是unique度量而click不是（uniqueclick才是），因此在进行点击欺诈的时候，某些publisher会升高click，并且同时升高页面上的pageview，但要想visit也升高，就该多费出点儿努力了。

　　因此，conversion rate是一个非常好的监视click fraud的指针，尤其是在你无法获得uniqueclick这个度量的时候。

了解了这个四方面因素对于conversionrate的影响，如何提升它就不在话下了。创造合适的广告形式、把监测conversion的代码前提，以及防范流量欺诈都是升高conversionrate的好方法。虽然前三点的调整能够显著影响conversionrate，我还是认为广告受众这一点也不应该忽视，如果广告形式、监测代码和点击欺诈都不存在问题而conversionrate还不能提升的话，那么的确值得考虑更换一下publisher试试。

*Landing Page: 对于LandingPage，其实也很简单。如果说Homepage是对应于网站本身的一个页面概念，那么LandingPage就是对应于网络广告或者网上网站推广的一个概念。什么意思呢，假如你的网站有A、B、C三个页面，现在你要推广它，因此你做了2个可以链接的图片广告，一个是a，一个是b，分别放到搜狐和新浪上。其中，a的链接直接到你网站的A页面，b则直接连接到B页面。这样，A相对于广告bannera而言，就是它的Landing Page；同样，B是b的LandingPage。除了banner，对于花钱竞价的搜索引擎关键词也同样存在LandingPage，道理是完全一样的，只是这时候的LandingPage是对应于关键词的，而不是对应于Banner的。对于网络营销（OnlineCampaign）而言，会投放很多的网络广告，有图片格式的，有Flash的，还有文字的视频的等等。但是归根结底都是要链接到某些页面上。而一般情况下，一次Campaign的所有广告都只会有一个链接的目标页面，以更聚焦的传递给消费者信息，因此这个时候，这个目标页面就是这次Campaign的Landing Page。

文/Sidney Song from衡量广告效果的关键Post Click Metric——网络广告转化率（click tovisit）

Notes：Song提出的这四种因素毫无疑问是有相关性的，就我个人的经验而言，媒体的选择也是至关重要的（不知道是否可以归到他提到的第一点中）。举例而言，假如在母婴网站上投放婴幼用品的广告的点击率会比投放汽车要高的多。就目前的广告市场而言，存在代理商和直客两种细分，前者在大份蛋糕上做手脚，就存在推荐一些不合适广告发布的媒体，进而导致点击率低下，最终也往往是做成一锤子买卖，没有订单的可持续性和合作的持久性。

网络游戏数据分析(网络游戏数据挖掘建模)
       网络游戏运营过程中用户分析对运营具有指导地位，并且贯穿于运营过程的各个阶段。用户是网络游戏运营公司最宝贵的资源之一，是利润的主要贡献者，对于用户的分析与定位是网络游戏最基础的日常工作。在这里我想先假定我们的数据仓库及挖掘的目标：在网游运营数据中，寻求有价值的信息，为后期的运营、策划、相关决策部门提供指导性参考。
   使用对象：
      产品部门；
      市场部门；
      渠道部门；
      客服部门；
假设: 数据仓库建设完毕。所需数据已经通过ETL迁移进数据仓库内。
   根据以上不同人员、部门需求，制定以下数据挖掘主题定义：
      用户游戏行为；
      在线用户流动；
      游戏经济系统平衡性；
      流失率；
      增长率；
      活跃用户状态分析；
      装备平衡分析；
      玩家非法行为分析；

1.用户线上游戏行为
       根据用户游戏行为分析，建立数据模型，分析游戏中的各个场景的任务玩家互动状况，为游戏策划下一步修改游戏提供依据。用户的行为中会告诉我们很多东西，玩家喜欢什么哪类游戏场景、喜欢哪类任务、哪类任务用户不是很感兴趣、玩家在哪个阶段会存在又不升级、又无任务做的情况等等。这些行为的背后体现了玩家在整个游戏过程中哪个环节粘合性不足，哪个环境让玩家觉得无事可做。
  真实数据：游戏运营数据库、日志等信息，各个游戏引擎的差异，这里就不一一描述
  维度数据：时间（月、周、工作日、非工作日、天），场景（任务A、任务B），玩家等级，
  度量数据：
      (一)逗留时间（特定场景玩家逗留时间）
      (二)任务挂起时间（接到任务后，玩家未完成的时间）
      (三)任务生命周期时间（接到任务至玩家完成时间段）
      (四)单个玩家完成同一个任务次数：
      (五)玩家空闲时间:既不升级也不任务的闲时统计,玩家无事可做是导致流失率的原因之一。
     (六)大小号组队比率：大小号之间关系，是游戏的平衡性重要指标之一。
2.在线用户时间
      通过对活跃用户平均在线时间、平均在线人数等数值的跟踪，根据每天的变更趋势来指导线上线下策划行为。
  真实数据：略
  维度数据：时间、玩家等级、玩家类型
  度量数据：活跃用户（每月规定超过一定规定在线时间用户）数量，尝试用户（未达到活跃用户切未消费者）数量。
3.游戏经济系统平衡；
  真实数据：略
  维度数据：时间、玩家等级、消费类型（点卡、月卡、道具、游戏币）、币种
  度量数据：
      (一)arpu值：每日活跃平均消费用户平均花销；
      (二)每天产生的游戏币总值;
      (三)线上活动带动通货膨胀比：线上活动前后系统经济平衡变化情况。
      (四)总产值比率。
      (五)存储率。
      (六)消费率。
      (七)资金回笼率。
4.流失率；
  真实数据：略
  维度数据：时间、玩家等级
  度量数据：
     (一)前期流失率：玩家从进入游戏到消费阶段之时间内，流失的用户站全体用户的比率。
      (二)自然流失率：玩家在进入付费期后，流失的比率；
      (三)用户自然增长率；
5.增长率；
  真实数据：略
  维度数据：时间、玩家等级
  度量数据： 用户自然增长率；
6.活跃用户状态分析
  真实数据：略
  维度数据：时间、玩家等级
  度量数据：
      (一)单位时间内装备未获取人员数量；
      (二)玩家忠臣度；
7.装备平衡性
  真实数据：略
  维度数据：玩家等级、时间、装备类型。
  度量数据：
      (一)装备数量；
      (二)装备保值率；
      (三)玩家极品装备拥有率。
8.玩家非法行为分析
  真实数据：略
  维度数据：玩家等级、时间、
  度量数据：
      (一)单个玩家完成同一个任务次数；
      (二)玩家单位时间内升级平均值；
注: 一个ID多个角色，退出一个ID，又登录另一个id，类似的问应该是游戏数据挖掘中，需要继续探讨和项目组人一起讨论的地方。

网络游戏运营的数据分析(转载)

网络游戏相关数据涵义释疑

1、 用户数量

a) 某游戏用户数量--注册用户。

这个数据其实相当无用的，因为每个不同项目注册用户的质量完全不同。前两年被用得很广泛，用来宣传“我们的游戏拥有了xxx用户”，当然，有几个是真实的呢？连运营商给出来就不真实的话，那些数据调查报告的真实性呢？（“你们用户多少啦？”“13万注册用户”，“才这么点，我们有个网站500万”。。。他根本没有明白用户质量的意义）

b) 在线人数

i.最高在线—－在某个时间能达到的最高在线，想到这个词，就想到了a3，强大的市场宣传能力，和推广能力，让他们敢在公测第一天说15万人在线，然而几个月时间，游戏中的玩家走光了。

ii.活跃人数—－这个数据也是最具欺骗性的数字，如果一个活跃人数不带上时间，哪怕是真实的，都没有任何参考意义。必须是“每日活跃用户”、“每周活跃用户”“每月活跃用户”“每季活跃用户”、“最近多少天内活跃用户”等等。也就是在这段时间内进入游戏的人。

iii.每个活跃用户的平均在线时间—－上面说了活跃用户数，如果没有本数据，上面的那个也是没有意义的。如果每个用户都上来2分钟，马上就下去，这样的活跃用户的价值是多少呢？能和一上来就十几个小时在线的玩家等值么？平均每个活跃用户上来究竟玩多久？这是网络游戏中一个特别需要注意的数据。

iv. 游戏平均在线人数—一这是个非常重要、有价值的参数，但仍然不是绝对唯一的决定因素。

1) 24小时内平均的在线人数，数据采样时间越密集，越精确。

2)不同的游戏，每一个平均在线是由不同数量的用户造就的。例如一个好的游戏，可以大量的粘住玩家的时间，让玩家长时间舍不得下线。

3) （每24人*小时）等于一个平均在线

4)如果你能让每次上来的活跃用户，每次平均在线6小时，那么你需要4个活跃用户，就能多一个平均在线了，如果你的游戏每次只让用户玩5分钟，他就走了，哪怕你的游戏非常好，他每天都上来5分钟，那么你必须有60/5*24=288个活跃用户，才能达到一个平均在线人数。你要根据你的游戏用户特性，判断推广多一个活跃用户容易，还是增加游戏的粘着度更容易。

c) 一般来说，平均在线、总注册用户、活跃人数、以及最高在线有一个比例

曾经有专家说是xxxx是4%，xxxx是8.7%等，他们可能是针对某款他们所能接触到的网络游戏的数据而来的，但是如果你只听了这个，不知道这个数据是在其他各种什么条件下产生的，你就错了，每款产品都是不一样的，这个比例随着不同的市场、不同的产品、不同的渠道、不同的服务，会导致精确数据和比例完全不一样。哪怕一模一样相同的产品，都可能完全不一样的数据，别人注册100万用户能有3万在线，不代表你宣传注册100万，就也一定有3万。双方的各方面细节太多了，资本家很少看全面企业家成功创业者所付出的所有努力。

数据是用来参考的、辩证型论证的，用来与其它相关事务关联的，单独的某个数据，往往不具备论证力度。不同项目的数据具有不一致性。

2、 Arpu值

a) 定义之争

i. 有人说是每个消费用户的每日花费

ii. 有人说是每个活跃用户的每月花费

iii.我的定义：每个平均在线，每月贡献的人民币，因为对于运营商来说，要根据多少平均在线，来确定服务器、带宽、客户服务、需要多少推广成本才能累计这些平均在线等运营成本。

iv.产品毛收益==平均在线*arpu值，也就是说，要想发财，最重要的两个数据你一定要明白，要么增加用户的在线数量，要么增加每个人的消费数量。

b) 时间点卡模式的arpu固定值

这个值其实很好计算：每小时4毛（或其他点卡定价）*24小时*30天=288元/月，一款百万在线的收费网游的大致收入，就是1000000*288，每月2.88亿的毛收入（当然其中还有很多小数字，例如免费使用期的用户比例导致真实值减少、各种因素导致的免费游戏用户比例导致真实收入减少、用户购买点卡很多人没用完导致真实收入增多，渠道压了货但是最后却没有退的导致收入增多等）。

c) 增值模式的动态arpu值

i.目前由于绝大多数网络游戏都在学习免费模式，利用增值服务、收费道具等来盈利的模式，这种模式下，arpu值得大小是关系到是否生存的一个重要指标。

ii.现在很多愣头青，听见大师宣传免费模式，自己连免费模式的数据都不清楚的情况下，就一头凭感觉坚定的认为免费模式是潮流、是趋势，跟屁股后面去了。如果陈天桥不拿着自己的产品数据，看到增值服务的费用已经大大增加到可以接替替代点卡模式的话，你认为他就凭着灵光一闪idea，就把每个季度几个亿的时间点卡给扔掉了？说实话，外面看到的这两年来盛大从免费模式赚取了超过收费模式的利益，其实还是有瑕疵的，至少在线人数，并没有按盛大想象的大幅度增加。

iii.其实说实话，如果是长期运营，而不是杀鸡取卵是的牟利，同样的在线人数，从数据上来说，免费模式的arpu值是很难高过收费模式的。当然你的产品必须要有资本和能力让用户在习惯了免费模式再回到收费模式。不过史大师却可以让用户们清楚明白天下没有免费的午餐，让用户们回到收费模式，给他更大的arpu值，同时接收大量可能因为免费模式中一些不公平而离开游戏的流失用户。

d) 时间+增值的arpu值

i. 很多新人不明白，其实道具增值模式和收费模式并不矛盾，并非不可并存。不要被宣传误导。

ii.如果你的游戏质量足够好，用户愿意为此付出时间点卡，你就能肯定他们不愿意为这个游戏的增值服务或特殊道具付费么？要注意，推出免费模式的公司，大多都是迫于用户数量的原因，不得已而为。

iii.当推广一个收费用户在线，远比推广x个免费用户在线更加困难，而x个免费模式的arpu值*x大于收费模式的arpu值时，自然免费模式要比收费模式要更加好。

iv.但是不是所有公司都符合上述所说的条件。还有一些产品本来很有本事盈利的产品，往往因为免费模式反而导致死亡。想想看，如果盛大在错误的时间例如最早期就搞免费模式，盛大是否会有活到现在的可能？而现在就有很多手机网游，在根本还没有多少总用户时，就搞免费，除了破坏手机用户的缴费习惯，没有任何盈收好处，没有足够的收入，意味着你将很难投入更多的资金开发，意味着你缺乏竞争力。目前的手机网游用户，根本不在乎是否每月给你几块钱，他们需要的是质量更好的产品，更稳定的无线网络，更方便有趣的玩家间交互。

3、 推广力度

a) 推广成本

i. 你打算花多少钱去宣传、推广你的产品

ii. 除了资金，还要考虑人力成本和时间成本

iii. 你是否仔细计算过，每个平均在线用户的推广成本，也就是你要花多少钱，才能多增加一个平均在线人数

iv.要知道大部分情况下，一个平均在线人数的arpu值是低于一个平均在线的推广成本的。如果你能找到某种广告或者推广方式，可以很廉洁的增加平均在线人数，这个费用低于用户的arpu值，那么别犹豫，赶紧推广吧（要知道自从网易开始，最廉价的推广方式，莫过于游戏推广员了，网络直销模式，玩家之间相互推销，只需要开发一套2万块的推广提成平台而已，然后就是如何组织玩家促销，扩大他们的影响力），但是任何一个推广模式，都随着时间，增加目标用户的免疫力，减少推广效果。

b) 推广效果

i.作为一个市场人员，最重要的是要掌握每种营销方式的效果数据。例如，有多少人能看到你的广告à其中有多少目标用户能看到你的广告à能引起多少目标用户记住à能让多少目标用户感兴趣à能让多少用户以后会尝试à能让多少用户短时间内马上尝试à剩下的就是产品本身和客户服务的事情了。。。对于一个市场人员来说，撒谎不是缺点，无法让更多用户来尝试你的产品，才是失败的。

ii.注意以上的部分数据，如果你做些技术处理的话，可以通过你的后台很清晰获取，不要轻易相信广告商的瞎吹，你自己所掌握的数据才是最真实不会欺骗你的。

iii.如果你能更加精确的掌握各种营销方式的效果数据，相信你不会随便的乱花投资人的钱，拍着脑瓜子挤出个idea就上一些性价比不合适的广告了。

c)市场潜力的分级

不要定义一个遥不可及的市场目标，例如全世界有多少人，每个人都需要住房，而你是个有房地产想法的年轻人，你告诉别人你的市场目标是多少亿亿的全球用户的房产。这样的目标是没有意义的。可执行的目标是很重要的，当然，只要是可执行，哪怕在旁人眼里看起来很狂妄，也没有什么不可以。

如果你现在要运营一款网络游戏，那么你一定要知道分级

1. 你可以直接推广到的那些人？手把手，或者通过你的个人媒体（言传身教）

2.你能在你所拥有的预算内控制哪些媒体，做哪些事情，要知道媒体是专业的宣传平台，这些宣传面，有多少用户会因为怎样的宣传内容而尝试你的项目

3. 你还有哪些资源，哪些朋友支持你，帮助你，他们在你所拥有的预算内，能帮你打开哪些市场。

4. 人才，你能否找到一些比你更优秀的人才、专家、或者这方面有天赋的人，帮助你宣传、推广扩大市场

5. 用户群分级举例2

a) 非常关注你的产品的网络游戏用户，他们最可能成为你的用户

b) 你可以宣传推广到，并引起他们注意的网络游戏用户

c) 一些到处寻找新游戏的网络游戏用户

d) 同类网络游戏的用户

e) 异类网络游戏的用户

f) Pc家庭游戏用户

g) Pc游戏用户

h) Pc用户

i) 所有人

当然以上的分级不一定准确，不一定适合你，但是对于你来说，很可能每一级需要投入的成本不一样，如果你没有史玉柱的两个亿，就不要一开始就把目标用户定义为所有人，而去打全国品牌广告。否则你会发现你的投入成本，一定收不回来。

d) 目标市场的定义

i.每个人都想自己的产品占领最大最多的市场，但是由于各方面条件有限，必须按上面所说的对市场分级，分析出，目前阶段，自己所有覆盖的目标市场。

ii.这里要引进近两年很火的红海和蓝海的概念。如果你现在做pc网游，除非你的游戏产品定位是给老人玩的，给目前都不玩pc网游的人玩的，否则你就要面临红海的竞争，你就必须浴血奋战的去抢夺现有pc网游产品的用户。要知道拓展蓝海对小公司来说是非常困难的。不过现在的手机网络游戏，却是一片几个亿的蓝海，只有区区几百万的红海市场。

iii.准确定位市场、细分市场目的是降低市场推广成本，增加推广有效程度。如果有足够的推广成本，你自然可以多做泛媒体，广大增加知名度，宣传面。当然，这里涉及到市场营销策略，咱不是专家，就不多口舌了。

4、 流失率

一个很容易被遗忘，却异常重要，决定着游戏生死的重要数据，市场推广同事好不容易拉来的玩家，在这里要看留不留得住。

a) 初期流失率

尝试用户转变为成熟活跃用户，所需耗费的时间

b) 自然流失率

成熟活跃用户的自然流失率，人有生老病死，没有一个游戏是绝对没有人离开游戏的。但是产品的好坏，内涵的丰富，却最大程度的决定着自然流失率的高低。

i.产品本身有很多问题，将会带来非常高的自然流失率，这是大家都能想到的。产品的画面、操作、各方面细节都是关系到产品品质的直接开发因素。

ii.很多游戏人都分析《梦幻西游》这款从技术层面完全没有优势的产品为何黏着度那么高，流失率那么低。游戏内涵是最重要的因素，这关系到这个游戏的生命周期。如果一个游戏，玩家把所有内容都全部晚到，需要5个月，那么5个月就是这个网络游戏的每个用户的生命周期，当一个玩家感觉没有可玩的内容的时候，他自然会离开。有的游戏，是可以让玩家玩几年还有新内容的，有的游戏虽然好，但是生命周期短。当然现在有越来越多的游戏，学会利用循环任务，或者随即生成的任务来不断增加游戏生命周期。虽然有不少用户因为和朋友聊天而留在游戏，但是开发者绝不要把这想成必然的情况。

iii.网游开发者，不要冲着一个简单的新概念，做游戏，不是做噱头，做一款有内涵的好游戏，充分利用你的技术团队实现效果，而不是盲目专门搞效果搞噱头，让你的用户一直乐意留在游戏里面，这个恐怕不一定是在游戏初期就能全面设计好的。有一句话很经典“好的游戏，不是做出来的，是改出来的。”

c) 客户服务

很重要的一个作用就是减少流失率，一个没有客户服务的游戏，将不可避免的扩大流失率，而流失率一大，神仙也没得救。华义的结构是4个市场经理，12个技术维护，56个客户服务+专职gm。盛大的第一笔收入用来建立客户服务中心等等。为了什么？从人性化角度上是为了服务用户，从商业数据上来说，就一个目的，降低流失率。

d) 线上活动的

目的：通过活动的投入（可能是开发新任务、可能是策划活动、可能是客服执行活动等）临时性增加拉高在线人数，减缓或者阻止短时间内的玩家流失。

5、 用户自然增长率：滚雪球效应

如果在你的推广下，增加一个平均在线的成本低于[这个用户的arpu值]*[ 平均每个用户的生命周期]，并且你可以不断持续增加用户的情况下，新推广进入的玩家人数大于产品的流失率，那么恭喜，你可以进入正滚雪球效应了，你的用户会不断增加，你的发财梦可以实现了。但是大多数产品和项目，一旦停止大规模大成本的推广投入，流失率都是远大于增长率的。一旦流失率大于增长率，那么雪球将越滚越小，这就是很多项目在初期炒作之后，很快用户数量就陆续流失，最后不得不倒闭的原因。

手机网游像我们的《失落时空》，在零市场投入的情况下，还能保持增加的用户数量和流失的用户数量平衡，也是其他项目是比较难达到的。

6、 收入潜力值

和arpu值矛盾的一个值，arpu值越低，反正证明潜力越大，arpu值越高，反而说明相同用户数量下，收入增长潜力小。当然目前有些公司（例如一些还没找到盈利模式却有较多用户的网站或休闲游戏），把这个作为他们的未来卖点，不过我个人相信相同用户数，如果市场上能有相同增长速度的话，arpu值高的公司竞争力还是要更强的。

7、 更多细节数据

要做好游戏不仅仅只看上面那些结果型的数据，更多的对于开发策划来说，要看过程走向型数据，例如：

i. 有些数据可以告诉你在推广过程中，哪个环节流失的用户最多

ii.有些数据可以告诉你你的玩家，他们喜欢哪些系统，讨厌那些系统，当然无论喜爱还是讨厌，都比不过一种态度失败--漠不关心，玩家对你精心策划的东西漠不关心，这将是最失败的策划者。

iii.有些数据可以告诉你，哪些收费是玩家能够接受的（尽管有些收费内容，玩家可能永远会骂，但是每天都有大量用户在交费，而有些收费看起来没有人骂，但是实际上根本没有用户去使用，这些都需要通过实际运营数据去分析）

iv.有些数据可以很清楚的告诉你，用户在刷钱、在作弊、在利用漏洞、在用外挂、修改封包等，如果有很好的自动化数据分析技术，几乎可以发现98%的玩家作弊，注意只是发现，能否解决还取决于高层的重视态度以及技术人员的能力和速度。要知道而这些问题几乎导致了大量的游戏死亡。

v.数据可以很清楚的告诉你，你的游戏的经济体制是否稳固，游戏中不断增加的金钱奖励，道具销售等会否造就通货膨胀等等更多甚至我都完全不知道的细节和作用。

最重要的一点，数据永远只是数据，你游戏产品的未来，关键掌握在善于根据真实全面数据分析的人，而不是数据本身。唯数据论者，大多死的很惨还很傻。宗庆后在电视台说所有的数据报告都是用来骗人的，并不是人家是大老粗，其实有一定隐含道理。随便找个商业数据报告，然后根据上面的一些数字来确定一些东西、决定一些东西，只能证明你很业余。

现在的游戏公司处理盗号的赃物去向分析很多还用的比较原始的方法，就是用人工去日志里查找，其工作效率可谓低到极点，低效率意味着高成本，忙不过来又不想增加人手只好放弃追查了，玩家那边就一直拖到他自己失去耐心不投诉了为止。假如有了分析师，启动软件输入起始帐号，后续的相关帐号及其物品转移方式立马自动输出，对玩家的反馈速度那可就迅速得多了。还比如游戏中一些重要物品的在线监控，可以第一时间发现数量的非正常增加，通知有关方面及时跟进处理，就能把复制等严重漏洞的危害消灭在萌芽状态。还有游戏中各种聊天信息的在线监控，不仅能发现玩家需求的动向还能及时发现很多可能酿成后患的苗头。玩家同时在线数的变化、级别构成变化、职业比例变化、经济总量变化等数据报表可以给运营经理的决策、后续版本的更新、节日活动的有效开展等提供有力支持。