数据分析告诉你游戏公司是如何运作的
出品|中国统计网（ID：cntongji）
赵良：请问游戏行业一般有哪些分析？哪些业务上的集中度比较高？
杨郁：从游戏分析角度来说，有下面几块比较重要。
首先，游戏导量分析，在游戏上线开始内测或游戏初期小规模测试的时候，往往需要在各个渠道或广告上进行投放试点，此时投放的效果数据非常重要。在各个渠道或广告进行试导量之后，通过数据对导量效果进行分析评估，对游戏后续的大规模投放具有重要的参考意义。
其次，比较关注用户留存方面数据。用户留存主要针对新用户。比如当天新激活的用户中的次日留存、7日留存、14日留存数据，留存率是每一个游戏都非常看重的指标。
然后，当游戏发展到一定规模后，需要对游戏总体的活跃现状进行分析，一般包括日活跃、周活跃、在线情况方面的分析，比如说平均在线人数、峰值在线人数等，这几个指标对游戏人气、用户规模具有较大参考意义。
另外，对于游戏非常重要的是付费分析。企业都需要靠用户付费来盈利。一般付费分析包括用户的付费率、付费转化、付费周期间隔、活动对付费的提升带动作用等等，都是付费分析比较重要的点。
最后，用户流失分析，主要根据用户的生命周期和价值两方面去考虑。从生命周期的角度来说，比较关注老用户（核心用户）的流失；从价值的角度来说，比较偏向付费用户的流失。用户在哪些场景下会产生流失，可以通过什么方法来预防这些流失。
其它，就是一些比较细节的用户行为方面的分析，比如用户的游戏时长、在游戏里的消耗、喜欢购买哪些物品、在具体游玩时的任务完成情况、局数完成情况、关卡情况等等。
赵良：对于游戏公司来说，业务流量从哪里来？新用户留存对游戏公司的重要性体现在哪里？
杨郁：对于游戏来说，获取流量的方式比较有限，无外乎两种：广告和渠道。
通过广告的方式， 就是与广告平台合作洽谈，把游戏的推广链接放在广告平台或广告联盟中。例如，你在玩某个APP的时候，会弹出一些游戏的广告。另外还包括积分墙的形式。比如你在玩A游戏，会有积分墙的推荐，邀请你去下载B游戏，下载并注册完成之后，你在A游戏里面会获得一些奖励。
另一种方式就是渠道。目前有两大类， IOS和安卓。IOS比较规范，只要通过苹果的审核手续等，游戏就能上传到AppStore中，用户可以检索到，但具体在AppStrore中的排名是苹果根据自己算法生成的（下载，评论，新增，付费等）。Android比较混乱一点，国内渠道没有统一，较知名的手机厂商都有独立的应用商店。如果要上热搜榜或者排名比较靠前，一个看游戏本身的质量，另外需要支付相应的推广费用。
如上所述，对于一个游戏公司来说，获取新用户的成本是很高的。现在往往一个新用户的成本达到几十块。通过数据分析，研究如何留住新用户，提高新用户的留存率，分析哪个渠道或哪个流量来源的新用户质量比较高，是非常重要的事情。
在游戏行业，一般留存率指启动留存率，即当天新激活设备在第N天依旧启动，例如：7日留存率，当天新增激活设备在第7天还启动的比例。一般来说，留存率往往代表了游戏的总体质量和用户的接受程度。实际中，我们可以按某些分析维度对留存率指标进行细分，常规的分析维度有：操作系统（IOS、Android）、不同渠道（360、华为、OPPO等）、不同省市地域（北京，上海，广东省）、游戏版本、不同区服等等。通过细分维度，可以准确发现哪些渠道或地域的留存率比较高，指导后面具体的投放，同时也能发现问题。此外，启动留存率其实是一个弱指标。因为启动不能具体地衡量出用户在游戏中的具体行为质量。因此为了更进一步分析用户的留存率，我们往往会引入一些用户行为留存率指标，例如：当天新增的用户中有50%在第二天还是会启动登陆，但是我只有30%的用户可能在第二天游玩的时长大于5分钟，这几个数据之间会有比较大的差异，有时候可以更加关注基于用户行为方面的留存率。
此外，此前业内比较多的使用次日留存率、7日留存率、14日留存率来作为留存率结算的依据，往往会导致某些平台对留存率进行造假，刷出留存率比较高的情况。因此，查看留存率的指标应该是在一个长时间并且连续的区间来看，或者选取第8日、第16日的留存率，或者通过指标加权留存率等等。因为在实际中发现，有过游戏第7日留存率还在10%左右，但第8日就一个启动都没有了。
关于留存率的具体应用，主要有三个方面。第一点，分析出来哪些渠道或者流量留存率较高，后期就在这些地方加大投放，但前提是必须确保这个留存率是真实的。第二点，通过用户在游戏内的数据判断哪些行为会对留存率产生积极影响，并提前对这类行为进行触发。例如：某款手游发现某用户在首日对某物品有消耗，或接触到某一场景时，对其后续留存会有明显的提升作用，那么在设计游戏的时候，就可以相应地将这类场景提前，让用户尽早接触到这类场景。第三点，新手引导的问题。大部分用户在新手引导这一过程就直接离开了游戏，可以尝试在新手引导期进行精确埋点或日志分析，挖掘用户在新手引导的哪一帧或哪个时间点会离开游戏，以便对新手引导进行改良优化。
总的来说，新用户留存率是游戏最重要的两个指标之一。它的重要程度仅次于付费。留存率最能反映出一个游戏的品质及后续发展情况。通过对用户留存的分析及数据挖掘，能看出哪些点对于提升用户留存率有作用，对游戏的设计改进和运营策略的调整，都有着重大意义。
图片源自网络
赵良：您能否就游戏内容再进行一下讲解？针对运营人员，在新用户留存这一块他们需要得最多的数据是哪些？
杨郁：新用户留存是作为渠道选择导量比较重要的几个指标之一。在导量阶段，衡量一个渠道的好坏，主要从几个指标来进行评价，其中包括新用户留存率，付费率、付费金额、LTV、游戏时长等。一般来说，留存率和用户价值是两个最主要的指标，如果留存率高，用户价值也高，那么这就是最优质的渠道。
对于运营人员来说，他们通常看次日留存、3日留存、7日留存及14日留存。而且还可以对这些数据进行细分，比如从渠道方面进行细分，看哪一个渠道的留存率比较高。或者通过操作系统进行细分，比如IOS与安卓渠道的留存率对比，不同区服的留存率对比等等。运营人员另一个需求较大的数据是行为数据留存率，例如：当天新登陆，第二天依旧在登录，并且时间大于五分钟的这批用户的留存率。此外，会有特定用户群体的留存率分析，例如：首日登陆并且付费的用户，或首日登陆并领取奖励的用户，在第二天的留存率分别是多少，本质上是对比不同群体用户间的留存率差异和用户质量情况。一般中等规模及以上的游戏公司都有自建立的数据平台，上面有比较成熟的分析体系，部分数据则通过数据仓库直接线下统计给到运营分析人员。指标在游戏中的落地则表现在根据这些指标去调整游戏的设计策略，通过优化游戏让用户有一个更好的体验。例如：在新手引导期，如果用户在这个阶段有大量流失，那么是什么导致流失，找出这个流失点及流失场景对于新手引导设计的改进是很重要的。有一个好的新手引导体验，用户往往会更愿意继续玩下去。
赵良：那么老用户的流失通常是在哪些阶段？或者什么因素会导致流失？从数据分析师的角度出发，分析的角度是在哪里？方法有哪些？分析出来之后，这些数据又是如何落地的？落地的场景又在哪里呢？
杨郁：从业务角度来说，老用户流失的可能性比较多。比如说，用户在游戏中所有内容已经全部体验完，已经打通关了，没有新的追求点了；用户在游戏中遇到了阻力，卡在一个关卡很久，很长时间没办法通过，难度过大；或者由于游戏会不断地更新版本，用户对旧版本的喜爱高于新版本，新版本中的一些功能，对旧版本中的一些人物进行了删减，或者对人物的技能进行了重新设计，改过后用户不是很喜欢，就不喜欢新版本；又或者在游戏中时间久了，一些免费玩家或玩伴都走了，用户继续玩下去没有什么意思，游戏的人气整体上没有刚开始的时候那么好，开始情绪低落等等，都是导致用户流失的原因。总之，用户流失从业务上的原因来说多种多样。
从数据分析角度来说，比较关心用户在流失时所处在游戏中的生命阶段，以及在游戏中流失前的一些行为状态变化，通过这两方面的分析挖掘可以改进游戏设计策略以及开展用户流失预警工作。
用户在游戏中所处生命阶段一般可以由用户在游戏中的等级这个数据来衡量，因为一般等级是与用户在游戏中的成长、时间等指标都是成正比的。分析老用户的流失首先会看哪些等级的用户流失率较高，精准定位出用户流失主要是在哪些等级阶段，随后分析这些等级对应游戏中的具体行为。对于卡牌类游戏来说，可能具体行为就是用户流失时所处的关卡，在某一关卡的用户流失数量和流失概率分别是多少。其余，包括游戏中天梯竞赛排名的下降波动数据等等。对于棋牌类的游戏，可能是用户对局输赢，用户连续输好几把或者是一天之内胜率下降到多少时，用户流失概率比较高。
我们之前对游戏中的大R用户（高付费）的流失情况进行过统计分析，发现这部分用户在流失时，往往在某个关卡的卡关时间比较久，70%的用户都在关卡卡了6天以上。对手游来说，6天是比较长的时间了。深入分析发现，大R用户在卡关后的前3天内往往会付费，而且付费金额挺高。但无奈付费后玩了几天还是无法通过关卡，导致最终用户的流失。
因此，分析用户在关卡持续卡了多久之后会流失，比较有助于游戏的运营以及策划人员做一些游戏设计上的改良。特别是卡关后有较大付费的用户，最终因无法通关而流失，是十分可惜的。因此，基于这些数据，可以适当结合游戏的具体关卡场景，通过活动或设计改良，提供用户更多的条件机会，例如： 多条命，多回血，通关后的奖励提升等等。
除了在游戏设计上的改良，基于游戏中的数据分析挖掘，可以支撑用户流失用户的召回以及流失用户的预测工作。流失用户的召回指在游戏中已经流失的用户，通过接触渠道引导用户重新回到游戏中，往往在游戏发新版本时比较常见。当然，召回并不是说所有用户都进行召回，通过数据分析，利用RFM模型进行用户的细分，可以优先选择在游戏中付费高，活跃度高，而且流失时间距今比较近的短流失用户进行召回。
关于待流失用户的预测，我们通过数据挖掘模型的方法，比如说逻辑回归，可以对现在游戏中的用户的流失概率进行评分，特别是对于核心老用户以及付费用户群体。通过模型筛选出这部分流失用户，例如：筛选出待流失的付费用户后，对于这部分用户群体，可以通过游戏中的客服进行一对一的关怀维系，沟通交流对游戏的想法，甚至有时满足他们的一些要求，或者说是给予部分优惠等，以便他们能够在游戏中继续玩下去，因为付费用户，尤其是大R用户的流失对于游戏来说确实是非常不好的。
图片源自网络
赵良：我觉得有一块可能会非常重要，对于待流失的用户我们如何进行挽留和判断？您刚才所说的是用回归模型，那么在回归模型这一块的自变量上，一般是有哪些变量组成，以及如何判断一个用户即将流失？这方面有相关的经验吗？
杨郁：对于待流失用户的预测，其实从模型上来看和其他行业有类似的地方。
首先，我们会建立一个样本学习集，即从一些已经流失的用户里面选取他在流失之前一定时间范围内的行为数据，来建立逻辑回归模型。
其次，模型建立完毕后，通过一些验证测试集的检验调优，最终会对现在游戏里的活跃用户进行一个流失倾向的评分，计算出流失概率值。往往会对流失概率比较高的，并且付费价值较高的用户会进行一些挽留。
当然在建立训练模型的时候，自变量的选取也是非常重要且耗时的一步。其实类似于现在机器学习中的特征选择，只有好的特征才能最终输出好的模型。一般从游戏数据维度来说，会从用户的活跃度、付费、游戏内的价值行为（消耗趋势、消耗波动值，某项物品占消耗或购买的比例，游戏中天梯排名的变动情况、下降情况等）来构建自变量。
曾经做过最终对模型比较重要的几个变量，一个是活跃度的下降趋势，即一个用户活跃度趋势是下降的，那他流失的概率会比较高。还有天梯排名下降的情况，即一个用户在游戏天梯中的排名曾经到过前五，但最近跌至二三十位甚至于更靠后，那么排名的下滑幅度也是重要的一个流失参考指标。此外，游戏中用户货币消耗的趋势，即用户货币的消耗越来越少、库存也越来越少，则这个用户的流失倾向会比较高；另有一种是货币的大额消耗波动，有些用户会在流失之前将所有的货币去进行武将的兑换或是抽奖，如果没有抽到心仪的东西就可能会导致用户的流失等等。当然，有时候并不一定是单个自变量的影响，而是很多变量交叉影响的综合结果，模型能够很好的帮助我们发现这样的规律。
一般在做模型的时候，会多放点变量到特征选择里面去，包括一些原始变量和衍生变量。在特征选择阶段，除了根据统计指标判断外，还会加一点业务上的判断经过特征选择后的变量进入到后续数据挖掘模型中，例如：决策树、逻辑回归、贝叶斯、支持向量机等分类算法，都可以试试，当然考虑到最终系统应用实施，逻辑回归相对来说好一些，在实际应用中也确实较好。
赵良：游戏公司在游戏消费分析这个环节，从业务角度来说，达到的目的或考量的因素会有哪些？业务部门在这方面，数据分析需求最多的会有哪些？从数据分析的获取到最终的落地的整个流程会有哪些？以及数据分析最终落地的应用环节会有哪些呢？能否分享一下呢？
杨郁：游戏数据分析要直接帮助游戏盈利的话从本质上来说比较困难，更多是通过游戏消费分析给游戏的运营以及策划人员提供用户的付费习惯、付费行为的分析报告，帮助他们对用户的付费行为、付费构成、付费情况及付费转化有比较全面地了解和认识。例如：最关注的指标就是每天的付费用户数，付费金额。这些指标也可以通过不同的维度来细分挖掘，例如：前面提到的IOS和Android渠道的付费金额及占比，不同渠道来源的付费用户数，付费金额的对比等等。
另外，通过付费用户数，付费金额衍生出一些其他指标，用户付费率（付费用户数/活跃用户数），ARPU（付费金额/活跃用户数），ARPPU（付费金额/付费用户数），也可以帮助我们对付费用户行为及质量进行有效评估和监控。同时，也可以对不同用户群体的付费指标进行对比，例如：新用户的付费率，ARPU，ARPPU是多少，老用户的付费率，ARPU，ARPPU是多少，不同等级的用户付费情况的构成细分等等。
对于具体游戏来说的话，付费分析的最终应用落地会有以下几方面：一是通过首付的场景分析可以看看哪些商品对用户的吸引力比较大，也就是说用户首次付费后马上在游戏中的动作场景，例如玩家付费就是为了去买某款皮肤，付钱就是为了得到一个限量的武将等等，及时地了解用户付完钱后购买商品的情况，并进行商品的优化调整。另一方面，游戏里面多多少少都会有活动。付费分析中，涉及比较多的是评估一个活动对游戏消费的拉动作用有多少。例如：充值送武将的活动，送A武将可能对充值的拉动效果比较好，送B武将可能对充值的效果稍微差一些；上个月这个活动对消费拉动会有50%的提升，这个月我再做效果会有多少，等等诸如此类。通过数据分析，让游戏的运营、策划人员搞清楚开展某个活动对实际游戏的拉动消费的作用提升，某款游戏适合做哪些活动，适合把哪些资源拿出来做活动等等。其次，付费有时还会涉及一些预测类的工作，例如：通过7日内的LTV（7日生命周期价值）价值数据，预测他终身的LTV会达到多少，当中也会涉及一些其他指标的使用。最后，与游戏比较相关的还有游戏里一些付费点设计，玩家是否会有相应的转化。
总体来说，通过游戏付费分析，首先可以了解付费用户的构成，特别是大R用户，其实大部分游戏当中只要把大R用户维系好，基本上游戏收入不会太差；其次，就是活动效果的分析评估，通过数据分析活动应该设计成什么样子，投入什么资源，多久搞一次活动，目标付费群体是哪些等到。最后，就是刚刚有提到过的一些付费点，设计的付费点实际当中用户是否有付费，以及付费转化率等等，最终结果给到运营、策划人员，帮助他们在实际的游戏中进行改进优化。
赵良：聊了这么多，你感觉我们还有哪些点是没有聊到的呢，你可以进行补充。
杨郁：游戏数据分析人员本质上主要服务于游戏的运营，策划，产品人员，同时结合自身对游戏的业务理解以及专业素养，对游戏进行深入的数据统计，数据分析和挖掘，通过分析提出一些游戏当中可以优化改进的建议，某些建议可能是运营策划产品同事不一定能想到的。
从数据产品的角度来说，可以辅助他们并最终在游戏中落地应用的，主要有两个场景：一个是上面提到过的流失预测，将预测出可能潜在流失概率高的用户给到项目组，可以在游戏中配合进行一些关怀和挽留。另一个就是商品推荐，通过游戏数据分析和挖掘，找出用户现在比较喜欢什么游戏当中的什么内容，可能他比较喜欢游戏当中的什么内容。例如：拿卡牌类游戏来说，玩家现在已经拥有哪些武将，玩家可能比较喜欢哪些武将，在玩家进入游戏的时候适时恰当的给他进行某些其他感兴趣的武将推荐，包括一些物品的推荐也是类似的。其他的，就是一些特定用户群体或玩家的分群分析，用户间的部落或公会分析等等。
赵良：感谢杨郁给我们精彩的分享。
本文为中国统计网原创文章，需要转载请联系中国统计网（小编微信：ishujiang），转载时请注明作者及出处，并保留本文链接。
LoveData大数据100+系列访谈第001期——
LoveData大数据100+系列访谈第002期——
LoveData大数据100+系列访谈第003期——
LoveData大数据100+系列访谈第004期——
LoveData大数据100+系列访谈第005期——
LoveData大数据100+系列访谈第006期——
LoveData大数据100+系列访谈第007期——
LoveData大数据100+系列访谈第008期
LoveData大数据100+系列访谈第009期——
责任编辑：
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。
今日搜狐热点“用户新增”应该从这4个方面去理解
关于运营癖
运营癖是一个以互联网运营、市场营销为核心的运营学习、交流、分享平台。运营癖致力于为用户提供活动运营、数据运营、品牌运营、渠道运营、新媒体运营、内容营销、广告、文案策划、网站建设、服务器运维等专业知识。
记住我的登录信息
点击“立即注册”转到用户注册页面。
输入用户名或电子邮箱地址，您会收到一封新密码链接的电子邮件。
用户名或电子邮件地址《游戏数据分析的艺术》之数据分析的方法论、AARRR和PRAPA – TalkingData's Blog
扫码关注TalkingData公众号文章归档
第2章 认识游戏数据指标（二）
2.3　方法论
2.3.1　AARRR模型
2.3.2　PRAPA模型
2.3 方法论
做游戏数据分析，掌握方法论是关键。方法论是解决若干业务问题而抽象的思路，代表的是基础解题模式。在第1章中，对方法论已有阐述，本章就游戏数据分析发展过程先后提出了不同的方法论并作以介绍。目前业界有两种方法论，代表性比较强的是TalkingData提出的AARRR方法论，以及由盛大倡导的PRAPA方法论。两种方法论都是着眼于用户的生命周期，但同时也是对投入回报的目标而完成体系的建设。在后续的2.4节中，我们将就AARRR模型为代表的指标体系，作进一步的解读和分析，本节将就两种方法论进行讨论。
之所以两种方法论不约而同选择投入回报作为目标，主要原因有以下几点：
投入回报是营销和运营的本质；
游戏要通过营销来不断获取用户，经营用户，最终实现收益和用户量的转化。从这个角度来说，我们需要投入资金，去推广和营销，实现流量的转化，而流量的最终变现是给予我们的回报；
投入回报是一个完整的商业逻辑。
2.3.1 AARRR模型
如图2-3所示，AARRR是由Acquisition、Activation、Retention、Revenue、Refer，这几个单词缩写构成，分别对应一款生命周期的5个重要过程，即从获取用户，到提升活跃度，提升留存率，并获取收入，直至最后形成病毒式传播。
图2-3AARRR模型
AARRR模型串联了用户转化，运营阶段，指标体系的内容，形成一套完整的方法，用以在营销、优化、运营等方面发挥作用。
AARRR模型指出了移动游戏运营两个核心点：
以用户为中心，以完整的用户生命周期为线索；
把控产品整体的成本/收入关系，用户生命周期价值(LTV)远大于用户获取成本(CAC)就意味着产品运营的成功。
移动游戏的运营会经历如图2-4所示的从投入到产出的循环过程：
Acquisition
用户获取(投入)。
Activation& Retention
用户活跃及留存。
用户转化(产出)。
Refer用户传播价值。
图2-4AARRR模型的循环过程
1. 获取用户
运营一款游戏的第一步，毫无疑问是获取用户（Acquisition），也就是推广，从不同的地方引入更多的用户。如果没有用户，就谈不上运营。
这个阶段是业务的投入期：运营者通过各种推广渠道，以各种方式获取目标用户；通过时间、地域、版本、推广渠道等不同维度来拆解分析新增、总数及增长率，组合各种维度来分析各种营销渠道的用户获取效果以及目标用户分布；对各种营销渠道的效果进行评估，从而更加优化合理的确定投入策略，最小化用户获取成本(CAC)。如图2-5所示。
传统较粗犷的数据运营通常只会关注用户数量这个层次，而实际上除了关注用户数量之外，用户的质量对于运营者来讲其实更为关键。AARRR模型指出了一条精细化数据运营的定律，就是LTV(用户生命周期价值) & &CAC。也就是说，在投入成本获取用户后需要着重的关注和提升用户在整个生命周期中所创造的实际收入价值，从而确保获得最大的ROI。
AARRR模型体系将重心从成本方面转向价值方面，着重给出移动游戏在提升用户生命周期价值过程中应当关注的重要指标。
图2-5获取用户
(1) 推广渠道
有关推广渠道，此处引用了“移动推广渠道图谱”的内容，笔者在此处进行了整理和加工。此处所列举的内容并非为移动游戏市场的全部推广形式和方法。
计费方式：CPA，CPC。
优势：流量较大，成本可控。
劣势：作弊风险，质量堪忧。
总评：监控成本高，用户质量复杂，逐步朝向精准方向发展，部分广告网络拥有较强的DSP能力，同时类似TalkingData DMP的这类第三方的数据管理平台的发展，则进一步对移动广告行业的发展起到带动作用，未来ROI依旧是关注的焦点。
随着移动设备的普及，广告平台上广告投放得越来越多，方式也越来越丰富，比如 Banner、插屏、积分墙、视频积分墙等。另外，在iOS方面，积分墙慢慢成为冲榜的主要手段，成本也越来越高。因此，要有效地选择平台，结合时间、空间，精准投放，为自己的产品带来更好的用户量。
第三方电子市场
类型：手机助手（360），手机厂商商店（小米），运营商商店（联通），第三方市场（安智），其他渠道（网易）
计费：CPC，CPA，CPT，现在多数市场渠道采取联合运营即CPS模式。
优势：用户质量较好，流量稳定，维持部分运营即优化工作。
劣势：此类市场渠道高达几百家，维护成本较高。
总评：用户主要的下载游戏方式，游戏用户的主要获取渠道，直接、真实、拥有良好的位置、推荐等都会影响到产品的下载和用户规模，但核心还是产品的素质。
计费方式：CPA，预装量。
优势：设备出货量控制，成本低。
劣势：用户质量复杂，精准度很低，转化效果较差。
总评：资金需求较大，普通开发者无力承担，非首选方式。
计费方式：CPA。
优势：用户量大，效果快速明显。
劣势：质量无法保证，手机被重新刷机或清理删除。
总评：与厂商预装类似，质量无法保证。
资源互换与限免
方式：与具有用户量的应用进行推荐位置换，限免主要是在iOS平台作为推广手段使用，与换量模式相同，限免也是在成本方面有较大优势。
通过体验报告、限免通知、应用推荐等手段获取用户的“应用推荐”，往往会使一些小众的平台获得比较好的效果，在一定时间内会带来新的用户。
比如，在2014年我们看到了移动金融领域与移动游戏的跨界合作，招商银行的《掌上生活》开启了通过9积分活动，兑换《刀塔传奇》的游戏礼包。
优势：流量置换，效果质量较好
劣势：流量不稳定，维护监控成本较高
总评：精准的置换和资源优化则是此类推广做到最佳的关键。但是现在都面临着用户质量的问题，整体效果大不如前，但仍有小部分效果还不错，可酌情选择使用这种推广方式。
类型：助手（PP），社区（威锋网）。
计费方式：CPT，CPA。
优势：质量优质，版本更新速率较快。
劣势：成本较高。
总评：用户资源丰富，质量较高，是测试及推广重点选择。
计费方式：排名位置。
优势：较高排名，提升曝光度，带动自然下载，用户质量较好。
劣势：下架风险。停止刷排名，则排名下滑迅速。
总评：该方式目前基本不再采用，取而代之的是通过积分墙，提升游戏的排名，获取更多用户。此法主要聚焦在iOS平台。
计费方式：CPC，CPT。
优势：质量较好，短时间带动大量下载，短时间形成曝光，具有话题性和流行性。
劣势：应用用户量有限，广告的展示曝光受限，则效果降低。
总评：体验较差，无法持久。媒体投放推广包括媒体软文、测评、新闻稿推广等手段，都是品牌推广的方式。适当的媒体推广，能够很好地将产品与用户维系在一起。此外，传统媒体、电视广告、微电影、视频等端游推广模式，现在也逐渐被重视。
好的媒体投放，从产品预热到后期产品充电都会起到很重要的作用。
方式：利用微博、微信、论坛、社区等手段进行推广，包括微博大号营销，草根炒作等手段。
优势：推广成本极低，却可以高效传播。
劣势：宣传效果较好，但不是最佳的获取用户方式。
总评：社交推广对于产品的宣传提供较大的帮助。在海外地区，多见于大量游戏借助Facebook的社交属性，推广了很多成功游戏，同样在2013年，《疯狂猜图》借助微信进行广泛的传播，并得到较好的效果。在游戏中，我们常见有将Facebook或者微博账号内置到游戏中，引发好友参与和用户分享。
移动游戏的推广也在不断地变化和发展，比如和院线合作的端游化的推广、明星代言、品牌广告、异业合作以及精准广告，不过值得欣慰的一点是，随着移动广告的发展，以及游戏数据不断被重视，移动游戏的每一个推广都会进行监测和转化分析，相关的AdTracking（广告追踪）技术不断地在发展，而后比如DSP，DMP等平台也相应出现，为未来的游戏的推广增加更多的空间和机会。
谈到了游戏推广，就不能避开广告形式，下面就部分广告术语做简单解释，旨在从用户获取和转化分析角度进行阐述。
(2) 广告术语
中文：横幅广告
备注：出现在网页、应用程序内的广告，比如在页面的顶部、底部和侧边，是最常见的网络广告形式。
英文：Cost per Thousand Impression
中文：千人成本
备注：广告每显示1000次(印象)所付出的费用。CPM是评估广告效果指标之一，在移动游戏营销方面，产品测试或者运营初期一般选择该方式，CPM将在产品成功稳定运营后，会有选择的进行CPM。
英文：Cost per Click
中文：点击成本
备注：每次点击付费。根据广告被点击的次数收费，是Banner Ad、插屏广告等采用的计价方式。评估广告效果指标之一。点击意味着用户有兴趣，着重显现了广告内容对于用户的吸引力。部分移动游戏采取了该种方式进行推广。
英文：Cost per Action
中文：行动成本
备注：每次完成行动所付出的费用，根据每个用户对网络广告所采取的行动收费的定价模式。不再限制广告投放量，回应有效的动作则是计费依据。在移动端，按照用户实际激活作为计算标准居多，当然注册结算也是很多移动开发者的选择。目前的积分墙则是采用此种结算模式。从CPM、CPC到CPA的演变，广告更加追求精准有效投放，投放用户基数变大，转化率在提升，价值也增不断变大。移动智能设备的普及，使得我们可以通过设备更加精准地描述一个人，这为精准广告也提供了可能。
英文：Cost per Sale
中文：定单付费
备注：实际有效的定单，进行比例计算（比如某款游戏选择与A渠道联合运营，A渠道可以从有效定单中获得30%的收益，而开发者或者发行公司可以获得剩下70%收益）。应用市场及助手（例如360手机助手）如今均采取了该模式，通过联合运营，渠道市场通过自有的流量和用户不断转化付费和定单，开发者从收益中按比例付给渠道收益。
英文：Cost per Time
中文：时长付费
备注：部分广告位的结算方式，渠道的某些推荐位也采用该模式。该模式也是自然用户的获取的一种方式，通过曝光度来吸引用户。产品运营的初期和稳定期均可采用的模式。
英文：Cost per Install
中文：安装成本
备注：每一次安装收费。厂商预装采用该模式，无需考虑用户是否激活所安装应用。从某种意义来说，我们可以认为这也是CPA的一种形式，Action可以是激活、注册，也可以只是完成安装。
英文：Real Time Bidding
中文：实时竞价
百度百科解释：“是一种利用第三方技术在数以百万计的网站上针对每一个用户展示行为进行评估以及出价的竞价技术。与大量购买投放频次不同，实时竞价规避了无效的受众到达，针对有意义的用户进行购买。”
英文：Demand Side Platform
中文：需求方平台
百度百科解释：“需求方平台允许广告客户和广告机构更方便地访问，以及更有效地购买广告库存，因为该平台汇集了各种广告交易平台的库存。有了这一平台，就不需要再出现另一个繁琐的购买步骤——购买请求。”
移动互联网里有成千上万的广告主，简单地讲，DSP就是广告主服务平台，广告主可以在平台上设置广告的目标受众、投放地域、广告出价等。
目前国内许多的移动广告平台，都开始发展自己的DSP平台。
AdExchange
中文：广告交易平台
百度百科解释：“一个开放的、能够将出版商和广告商联系在一起的在线广告市场(类似于股票交易所)。交易平台里的广告存货并不一定都是溢价库存，只要出版商想要提供的，都可以在里面找到。”
DSP的实现很大程度上需要有成熟的Ad Exchange, 目前国内PC已经有一些成型的广告交易平台，但是移动端仅有Google，所以国内的DSP在很大程度上还不够成熟。
英文：Data Management Platform
中文：数据管理平台
备注：数据管理平台能够帮助所有涉及广告库存购买和出售的各方管理其数据，更方便地使用第三方数据、增强他们对所有这些数据的理解、传回数据或将定制数据传入某一平台，以进行更好地定位。
ForresterResearch对DMP的描述则是：
“整合分散的第一、第二、第三方数据，将其纳入统一的技术平台，并对这些数据进行标准化和细分，让用户可以把这些细分结果导向现有的交互渠道中去”。
关于第一、第二、第三方数据，百度有如下解释：
“从数据服务交易的视角看，第一方数据为服务消费者（例如：广告主、媒体方）自有数据，如CRM数据、网站访问数据、电商交易数据。第二方数据为营销服务提供者所拥有的数据。而第三方数据为非直接合作的双方（例如TalkingDataDMP）所拥有的数据。”
未来广告主将通过DMP数据来详细了解目标受众，以便于更加精准和有效地获取客户，维系客户，从中获利。
2. 提高活跃度
新增用户经过沉淀转化为活跃（Activation）用户。关于活跃分析，我们比较关心如图2-6所示内容。
图2-6提高活跃度
活跃用户的绝对数量低，或相对于总用户数量的比例低，说明用户的质量不高，应结合渠道等维度深入分析目标用户群是否准确或者深入分析产品使用是否存在问题。反之，如果很多用户是通过终端预置（刷机）、广告等不同的渠道获得游戏，有很高活跃用户量，则并不能绝对说明用户质量高，产品使用不存在问题，还应当结合其他指标深入分析判断。这些用户是被动地进入游戏的。如何把他们转化为活跃用户，是运营者面临的第一个问题。
当然，这里面一个重要的因素是推广渠道的质量。差的推广渠道带来的是大量的一次性用户，也就是启动一次再也不会使用的那种用户。严格意义上说，这种用户不能算是真正的用户。虽然从定义上这部分用户也属于活跃用户，但应当格外给予关注。绝大部分一次性用户都是无效的，不能创造任何价值。好的推广渠道往往有针对性地圈定了目标人群，他们带来的用户和游戏开发时设定的目标人群有很大吻合度，这样的用户通常比较容易成为活跃用户。另外，挑选推广渠道的时候一定要先分析自己受众人群。对别人来说是个好的推广渠道，对自己游戏却不一定合适。
另一个重要的因素是产品本身是否能在最初使用的几十秒钟内抓住用户。游戏的界面效果、启动加载时间、交互操作体验、用户引导等因素都将对用户的活跃度带来直接影响。
3. 提高留存率
解决了活跃度的问题，又发现了另一个问题：“用户来得快、走得也快”。有时候我们也说是游戏没有用户粘性或者留存。
我们需要可以用于衡量用户粘性和质量的指标，这是一种评判游戏初期能否留下用户和活跃用户规模增长的手段。从移动游戏推广和运营来说，我们需要关心的就是哪个渠道效果会更好一些，寻找最佳渠道，持续投入，尽可能降低成本，转化更多用户，使渠道从几十个变成最后几个重点维持，这是需要抉择的，留存率（Retention）是手段之一，如图2-7所示。
图2-7提高留存率
通常保留一个老客户的成本要远远低于获取一个新客户的成本。如何经营一个用户是关键，但是很多时候我们不清楚用户是在什么时间流失的，于是一方面不断地开拓新用户，另一方面又不断地有大量用户流失。
解决这个问题首先需要通过日留存率、周留存率、月留存率等指标监控应用的用户流失情况，并采取相应的手段在用户流失之前，激励这些用户继续游戏。
4. 获取收入
获取收入（Revenue）其实是运营最核心的一块。
收入增长的因素在移动端愈发明显，比如在iOS平台，只支持信用卡绑定Apple ID才能支付，这导致了很多人无法完成实际购买，或者操作过于繁琐。
如图2-8所示则是一种分析付费用户生命周期转化漏斗，本质和电商的转化率分析过程是类似的，这里只是列举了一种收入分析的情况。
图2-8获取收入
收入有很多种来源，主要的有三种：付费应用、应用内付费，以及广告。无论是以上哪一种，收入都直接或间接来自用户。所以，前面所提的提高活跃度、提高留存率，对获取收入来说，是必需的基础。用户基数大了，收入才有可能上量。从游戏角度来看，付费转化的设计和收益能力不仅仅是具备海量的用户则就可以解决的，所以收入分析需要结合更多的数据完成。
社交网络的兴起，使得运营增加了一个方面，那就是基于社交网络的病毒式传播，这已经成为获取用户的一个新途径。这种方式的成本很低，而且效果有可能非常好。唯一的前提是产品自身要足够好，有很好的口碑。
从自传播（Refer）到再次获取新用户，应用运营形成了一个螺旋式上升的轨道。而那些优秀的游戏就很好地利用了这个轨道，不断扩大自己的用户群体。品质较好的游戏在经历了种子用户的传播后，会逐渐影响到更多的用户，并形成群体，进而会借助微信、渠道榜单等迅速扩散开来，赢得更多用户的关注，获取更多的自然用户，即非推广的用户群。
6. 三个问题
AARRR着重解决三个问题，如图2-9所示。
图2-9AARRR模型解决的三个问题能够完成用户的获取，并最终转化为游戏用户，需要数据衡量数量。
靠谱的产品质量
能够留下用户，产品的体验，内容，玩法则是根本，需要数据衡量质量。
靠谱的商业模式
能够促进变现转化，产品在具备用户量和品质的同时，需要数据衡量收益。
如果从AARRR模型的转化关系来说，解决这三个问题就是回答用户从何而来，是否喜欢游戏，留下来多少人，多少人为此而付费，是否具有较高的传播价值。这几个问题是一个优秀游戏产品走向成功所要必须回答的问题。
7. 全局作用
放眼整个游戏业务，数据分析起到桥梁的作用，在游戏研发、营销、运营等关键节点上，游戏数据分析都将有所衡量和提供决策支持。
如图2-10所示是从几个角度来看待AARRR模型的全局作用。
图2-10AARRR模型的全局作用
在图2-10中，我们可以看到不同阶段的指标，对应了不同的业务需求，以及阶段的运营目标，数据指标起到了监督阶段工作的效果，也完成了对产品整体生命周期内的分析。
潜在用户－潜力用户
在这个阶段的转化，是们在完成寻找用户。
潜力用户－核心用户
在这个阶段的转化，是在完成用户转化。
潜在用户－潜力用户－核心用户
全阶段都需要运营的参与，完成用户经营。
2.3.2 PRAPA模型
PRAPA模型诞生于端游时代，如图2-11所示，其体系围绕在投入和回报层面较多。同AARRR模型的最大不同在于，AARRR模型开始重视社交病毒传播，同时强化分析营销推广的作用，因为在移动市场中，用户的获取方式从网吧地推、品牌硬广转变为纯粹的移动端流量，这种方式使我们对效果的检测和分析变得更加直接和迅速。
图2-11PRAPA模型
1. PRAPA含义
在PRAPA模型中，五个字母代表的含义如下：
（1）P－Promotion
用户推广，包含用户推广数量以及获取成本。
（2）R－Register
注册用户，Register是一个宽泛的定义，代表的是游戏首次登录的用户，在移动游戏中，则代表首次打开的用户。
（3）A－Active
活跃用户，代表登录游戏的用户数，即活跃用户数。
（4）P－Pay
付费用户，为游戏付费的用户，代表收益类指标。
（5）A－ARPU
AverageRevenue per User，平均每用户收益，代表用户付费价值。
2. 四个转化关系
P-R:用户数量表现，新登用户转化成本。
R-A：用户质量表现，留存率。
P：用户收入表现，付费转化率。
P-A：用户价值挖掘，ARPU，收益转化能力。
利用以上的四个转化关系可以完成用户的全阶段转化的跟踪分析，同时每个阶段都会涉及影响到的因素，以及需要重点关注的数据，此处不再详细描述，读者可根据上述转化流程，自行确定和找出需要的关注因素和重点指标。关于指标的认识和体系解读，我们将使用更加符合移动游戏市场发展的AARRR模型完成本章内容。
第2章　认识游戏数据指标
2.1　数据运营
2.2　数据收集
2.2.1　游戏运营数据
2.2.2　游戏反馈数据
2.2.3　收集方式
2.3　方法论
2.3.1　AARRR模型
2.3.2　PRAPA模型
2.4　数据指标
2.4.1　用户获取
2.4.2　用户活跃
2.4.3　用户留存
2.4.4　游戏收入
2.4.5　自传播}