1500字范文 > SLG手游策略游戏-分析思维

SLG手游策略游戏-分析思维

时间：2022-05-24 01:25:29

相关推荐

SLG手游策略游戏-分析思维

以下来源-均为网上公开，仅供学习参考

文章目录

前言一、SLG手游策略游戏-数据分析方式一：Excel版本分析方式二：python版本分析1.数据处理2.图表展现分析用户注册分布分析细分活跃用户分析不同要塞等级的玩家的付费情况：分析不同玩家的消费习惯：分析玩家加速券类的使用情况方式三：BI看板分析总结如何理解一款游戏

前言

策略游戏有着数十年历史的经典游戏类型，在全球，尤其是欧美市场有着极高的用户接受度和认知。

SLG游戏是很容易上瘾并频繁和长时间地沉浸在其中的，付费点也多，这也就是为什么国内游戏公司发力SLG领域的重要原因，哪怕国内“卷”不过，也要到国外“卷”。

全球SLG游戏：留存、使用时长和付费转化等关键指标一览

不出海便出局”，但出海就一定能赢吗

SLG游戏行业发展特征分析：生命周期长，进入壁垒高

（为了把控游戏质量和题材，达到绿色健康的游戏环境，从起，国内游戏版号发放量连续四年减少，甚至总体减少了46.26% 。）

所以有时候要顺应时代，每款产品都是时代的产物，都有红利期，要想长久永生，那就要贴近时代，结合历史，比如通过游戏技术在保护文化遗产上面发力

不会”创新“，那就学同行，一起“抄作业”

游戏技术能为文化遗产保护做到什么程度？

世界文化遗产与国风游戏碰撞？新倩女幽魂携龙门石窟再出高分答案

网络游戏与非物质文化遗产联动法律风险防控建议

《野蛮时代》（Brutal Age）是一款风靡全球的SLG类型手机游戏。根据App Annie统计，《野蛮时代》在12个国家取得游戏畅销榜第1，在82个国家取得游戏畅销榜前10。准确了解每个玩家的价值，对游戏的广告投放策略和高效的运营活动（如精准的促销活动和礼包推荐）具有重要意义，有助于给玩家带来更个性化的体验。

一、SLG手游策略游戏-数据分析

主要流程：明确相关大的数据指标-专题分析，再拆分指标，建立模型分析。

关键信息：用户ID, 注册时间, 付费金额，要塞（玩家主基地）等级，付费金额等。

方式一：Excel版本分析

Excel实现方式简单，时间有限就不写了。具体详情参考这篇文章

手游excel数据分析

缺点：

1.遇到数据量很大的时候，直接卡在那，转圈圈，16G内存都有点卡卡。

2.学习能力强的应届毕业生也能取代你（具体情况还得结合业务）

3.容易被自动化取代。

优点：

适用面广 + 覆盖人群多 + 操作简单

细节方面：公式数据处理，图表数据引用，图表美化展现，图表+文字结论输出，再优秀一点的，理解业务并会设置指标阈值，自动化预警给业务。

方式二：python版本分析

1.数据处理

导入数据

清洗数据

# 重复值处理data.drop_duplicates(subset='user_id').count() #删除重复值后各列的数量

# 空值处理删除对应列包含空值的行data.dropna(subset=['user_id','register_time','bd_stronghold_level'], inplace=True)

data.isnull().sum()

data.describe().T

无关字段有nan，对其他主要字段分析，没有影响，可不做处理

#提取对应列，做专题分析df=data[['user_id', 'register_time','avg_online_minutes', 'pay_price', 'pay_count']]df.info()

2.图表展现分析

用户注册分布分析

#去掉时间def drop_time(series):time_list = []for li in series:time_list.append(li.date())return time_list#每日注册人数分布reg_user = data[['user_id', 'register_time']]reg_user['register_time'] = pd.to_datetime(reg_user['register_time'], format='%Y-%m-%d', errors='coerce')reg_user['register_time'] = drop_time(reg_user['register_time'])

#查看注册分布reg_user = reg_user.groupby(['register_time']).user_id.count()#画图plt.style.use('seaborn-ticks')#---------绘图背景技巧，对应格式------------# /viviliving/article/details/107690844fig = plt.figure(figsize=(14, 10))# 正常显示中文字体from matplotlib import font_managerfont=font_manager.FontProperties(fname=r'C:\Windows\Fonts\simhei.ttf')plt.plot(reg_user)plt.title(r'用户注册分布图',fontproperties = font)plt.show()

结论：

一月底迎来了一次注册的高峰，做了两次优化后，改善素材质量并在春节前后期间加大各个手游渠道投放量、宣传力度、礼包福利、首充高额返利、送各种绝版卡牌武将神宠后，二月20号又迎来一次注册的小高峰，吸引了大部分玩家，但两次高峰过后每天的注册人数相较于高峰前并没有明显增长，对于游戏的整体热度并没有很大提升。

复盘一下，内因和外因。

内因，是产品系统闪退或卡顿原因？还是界面美术不符合大众审美？还是新手引导不清晰全面？还是游戏难度或进度不好推进？还是策划运营设计问题？还是客服服务没做到位？

外因，同一类竞品游戏，他们的情况是不是也大致一样？有没有节假日影响（运营期间的春节活动）？主要渠道投放质量是否有偏差。文化政策风土人情有没有适应当地环境？

细分活跃用户分析

将和游戏互动性较高的活跃用户细分（平均在线时长超过30分钟的用户划分成活跃用户），并分析他们的数据，让游戏厂商更好地了解用户并且满足用户，使游戏运营活动做到有的放矢。

#获取活跃用户(游戏平均在线时长大于30分钟小于24小时)activate_user = data[(data['avg_online_minutes']>=30) & (data['avg_online_minutes']<=24*60)]#选取特征activate_user_means = activate_user[['bd_stronghold_level', 'pvp_battle_count', 'pve_battle_count', 'avg_online_minutes','pay_count', 'pay_price']]

活跃用户定义，有的是取平均在线时间超过30分钟，有的是取距离最近登录的时间间隔

（具体情况看业务规则）

利用k-means方法对活跃用户进行细分

#对玩家进行分类，将特征近似的分成一类，总共分成三类from sklearn.cluster import KMeansestimator = KMeans(n_clusters=3)res = estimator.fit_predict(activate_user_means)#每一行数据对应的类label_pred = estimator.labels_#每一类的平均值centroids=estimator.cluster_centers_

#将均值整合成DataFramemeans_data = {'第一类': centroids[0], '第二类': centroids[1],'第三类': centroids[2],}activate_user_means = pd.DataFrame(means_data, index=['要塞等级', 'pvp次数', 'pve_次数', '日均在线时间','付费次数', '付费金额'])

三类活跃用户的特征如下：

第一类玩家各项指标都较低，可命名为萌新玩家

第二类玩家的各项指标均高于第一类玩家，可命名为中端活跃玩家

第三类玩家所有指标都显著高于前两类玩家，可命名为高端死忠玩家

在对各类用户进行定位后，我们可以给出一些针对性的运营活动，推送些优惠券、短信通知优惠活动并推荐销量高的道具、资源、加速券，以便提高这些客户的黏性，促进玩家留存以及玩家付费。

结论：

本篇文章中的ARPU为8.74，算是优秀的了，ARPU在3元以下较差，3-5元中等，5元以上算是优秀；

（参照物：《游戏数据分析实战》）

全球策略类（SLG）手游的ARPU值平均为0.4美元（约合2.83元），头部策略类（SLG）手游的ARPU大约为2.4美元（约合17元）。

（参照物：GameAnalytics发布的《全球手游分析报告》）

所以综上对比来看，本文分析案例的SLG手游收入处于优秀行列，但距离头部产品还有较大差距。

其实很多时候，有些数据不能作为唯一的参考，要结合盈利情况，人力场地成本等多方面参考，就像活跃用户的定义，活跃用户计算规则不一样，ARPU结果也不一样。（计算规则，要公平公正公开，数据严谨，统一计算）

不同要塞等级的玩家的付费情况：

#统计各个等级的玩家到达人数，付费人数，付费次数，付费总额，等级付费转化率， # 等级人均付费次数，等级人均付费总额user = data[['user_id', 'bd_stronghold_level', 'pay_count', 'pay_price']]#汇总各等级人数分布，总付费次数，总付费金额，table = pd.pivot_table(user, index=['bd_stronghold_level'], values=['user_id', 'pay_count', 'pay_price'], aggfunc={'user_id': 'count', 'pay_count': 'sum', 'pay_price': 'sum'})user_pay = pd.DataFrame(table.to_records())#汇总各等级付费人数pay_num = user[user['pay_count']>0].groupby('bd_stronghold_level').user_id.count()user_pay['total_count'] = pay_num#计算等级付费转化率，等级人均付费次数，等级人均付费总额user_pay['user_payrate'] = user_pay['total_count'] / user_pay['user_id']user_pay['user_avgcount'] = user_pay['pay_count'] / user_pay['total_count']user_pay['user_avgmoney'] = user_pay['pay_price'] / user_pay['total_count']#修改列名user_pay.columns = ['要塞等级', '付费次数', '付费总额', '达到人数', '付费人数', '付费转化率', '人均付费次数', '人均付费总额']#重置列名user_pay = user_pay[['要塞等级', '达到人数', '付费人数', '付费次数', '付费总额', '付费转化率', '人均付费次数', '人均付费总额']]user_pay

按各个指标的大小进行降序，看起来会美观些，但是不容易看出等级差距变化，我们再按照等级进行排序看看差距在哪

结论：

观察付费转化率可以发现，在9级之后，付费转化率呈现显著增长，在13级之后，趋近于100%。观察人均消费总额和人均消费次数可以发现，在13级之后，两项指标也同时呈现显著的增长。

绝大部分玩家的要塞等级停留在13级之前，而13级之后的玩家大多数可能都是游戏的核心玩家，所以愿意为游戏付费。因此对于13级之前的用户，可以通过问卷调查，所在等级处的领取任务分析等方式，了解13级以内的玩家对于游戏的评价，以及他们是否对完成任务感到困难。从而帮助他们平滑度过13级，感受到游戏的核心玩法。而对于付费次数和付费总额比较高的等级，比如20-23级，可以加强付费引导，从而提升游戏收入。

分析不同玩家的消费习惯：

游戏充值主要获得以下几种物品：资源类（木头、石头、象牙、肉、魔法等），加速券类（通用加速、建筑加速、科研加速、训练加速、治疗加速等）。

根据玩家充值金额大小，将10级以上玩家分为高氪玩家（充值金额高于500元）和普通玩家（充值金额低于500元），分别统计两种玩家的各类资源使用情况，最后绘图

#分成高级和低级玩家eli_uesr = data[(data['pay_price']>=500) & (data['bd_stronghold_level']>=10)]nor_user = data[(data['pay_price']<500) & (data['bd_stronghold_level']>=10)]

#统计两类玩家各自的资源使用情况wood_avg = [eli_uesr['wood_reduce_value'].mean(), nor_user['wood_reduce_value'].mean()]stone_avg = [eli_uesr['stone_reduce_value'].mean(), nor_user['stone_reduce_value'].mean()]ivory_avg = [eli_uesr['ivory_reduce_value'].mean(), nor_user['ivory_reduce_value'].mean()]meat_avg = [eli_uesr['meat_reduce_value'].mean(), nor_user['meat_reduce_value'].mean()]magic_avg = [eli_uesr['magic_reduce_value'].mean(), nor_user['magic_reduce_value'].mean()]

data = {'高端玩家':[wood_avg[0], stone_avg[0], ivory_avg[0], meat_avg[0], magic_avg[0]], '低端玩家':[wood_avg[1], stone_avg[1], ivory_avg[1], meat_avg[1], magic_avg[1]]}resource = pd.DataFrame(data, index=['木头', '石头', '象牙', '肉', '魔法'])#绘图# %matplotlib inline# from matplotlib import pyplot as plt# from matplotlib import font_manager# font=font_manager.FontProperties(fname=r'C:\Windows\Fonts\simhei.ttf')# plt.style.use('seaborn-ticks')plt.style.use('dark_background')resource.plot(kind = 'bar', stacked=True, colormap= 'PuBu', figsize=(14, 10))plt.title('玩家资源使用量')plt.show()

结论：

相对于其他资源，象牙和魔法类资源的平均使用量较少，木头和肉类的平均使用量较高。高氪玩家和普通玩家在木头和肉类资源上使用差距最小，而在象牙资源的使用上差距最大，是因为象牙资源在游戏中的用途相对高端一些，而木头和肉类是游戏发展过程中必需的资源。所以，高氪玩家在资源上的平均使用量要远远高于普通玩家，象牙资源最能够体现出一个玩家在游戏上的消费水平。

分析玩家加速券类的使用情况

#各类玩家对加速券的使用情况genral_avg = [eli_uesr['general_acceleration_reduce_value'].mean(), nor_user['general_acceleration_reduce_value'].mean()]building_avg = [eli_uesr['building_acceleration_reduce_value'].mean(), nor_user['building_acceleration_reduce_value'].mean()]reaserch_avg = [eli_uesr['reaserch_acceleration_reduce_value'].mean(), nor_user['reaserch_acceleration_reduce_value'].mean()]training_avg = [eli_uesr['training_acceleration_reduce_value'].mean(), nor_user['training_acceleration_reduce_value'].mean()]treament_avg = [eli_uesr['treatment_acceleration_reduce_value'].mean(), nor_user['treatment_acceleration_reduce_value'].mean()]

data = {'高端玩家':[genral_avg[0], building_avg[0], reaserch_avg[0], training_avg[0], treament_avg[0]], '低端玩家':[genral_avg[1], building_avg[1], reaserch_avg[1], training_avg[1], treament_avg[1]]}

acceleration = pd.DataFrame(data, index = ['通用', '建筑', '科研', '训练', '治疗'])#绘图plt.style.use('dark_background')acceleration.plot(kind = 'bar', stacked=True, colormap= 'Reds', figsize=(14, 10))plt.title('玩家加速券使用量')plt.show()

结论：

通用类加速券的平均使用量最大，而治疗类加速券的平均使用量相比于其他加速券来说非常少，这主要和加速时间长短和使用范围有关。同时，也可以发现，高氪玩家和普通玩家在使用加速券方面的差距非常大。