手游KPI逆推模型

  • 发布者:xiaoyezi / 作者:seon / 来源:游资网 / 2018-07-09 14:11:48
  • 0
一款游戏准备投入运营, 往往需要对其货币化能力做评估。对于发行商来说,一般会小规模投放进行测试,根据测试结果进行预测,这期间,除了发现游戏本身的BUG,体验和设计问题,留存和ARPU是最需要关注的指标。

  测试周期的选择对游戏长期运营有重要的意义!充分的测试和指标采集对KPI预测会更准确,然而,耗时太久的测试容易让游戏错过发行的最佳时机,如果多款游戏恰好集中上市,也会让档期拥挤不堪。一方面,不希望错过好的游戏和团队;另一方面,希望流量最优配置以期获得最大化收益。既快又准的KPI预测模型是所有人都希望看到的。

  笔者的一位做发行运营的朋友上周遇到了这样的难题,需要对一款即将上线的新游戏制定KPI,该游戏甚至还未经过投放测试。被问到这个问题时,首先想到的是评估出玩家1~30天的LTV值,再逐步计算其月度收益。要准确得到30天LTV值,需要每天记录新增玩家的累计ARPU值,得到LTV数组后,再乘以每天的新增玩家数,就可得出月度收益。

     我们需要得出数组 LTV_Set = [ LTV1,LTV2,LTV3 ... LTV30  ]
     假设每日放量N(即新增玩家数量),则:
     月收入 = LTV1*N + LTV2*N + ... + LTV30*N

预测

     ​显然我们没有足够的时间获取30天LTV。好吧,只能通过有限的已知条件对未来作出预测了。联想到笔者之前的一篇关于LTV预测的文章,基于对数曲线对LTV变化进行预测,顺带提下,前文发表后,有读者对公式的推导过程尚有不解,这里一并作出解答:

    还是熟悉的公式:  y=c*ln(x)+b
    已知条件:首日和首2日ARPU值,可以认为是LTV1,LTV2
    将我们已知两个坐标 (1,LTV1), (2,LTV2),代入公式

    LTV1=c*ln(1)+b
    LTV2=c*ln(2)+b

    c和b的值通过上述二元一次方程解出

    c=(LTV2-LTV1)/(ln(2)-ln(1))
    b=LTV1

   工具上,可以使用DataEye 新玩家价值模块,也可以使用Excel(下文有实现)。


KPI逆推

    ​我们可以很容易使用公式推导出未来30日的LTV集合,下面我们对每日需要放出的量进行计算,笔者这里使用Excel规划求解等分每天的新增量



  Excel计算模型中,B15,B16填入新增前两日的ARPU值,模型自动计算公式的c,b值,再通过公式计算出未来30日的LTV值;通过Excel规划求解功能,在D15输入希望达到目标KPI值,并设定C15~C44的条件,这里设置的是等分,读者也可以改成等差数列等方式(即逐步放量)。从结果看出希望达到100W的月收入,每日必须引入9.9W新增玩家。而要降低新增玩家数量的压力,则可以考虑提高游戏的ARPU值。调整B15,B16的值 ,相关结果就会有相应变化。

模型的未来与局限

  笔者认为,模型能对KPI做出初步预测,在已知条件匮乏的情况下,具有一定的指导意义。对于预测结果不理想的游戏可以去检查游戏本身是否存在问题,程序有BUG?计费点设置不合理?新手任务通过率低? 而对于符合预期的游戏,可以关注下留存问题,毕竟我们还是希望玩家生命周期更长。总之,KPI预测在前期对游戏改进能快速给出建议,有利在当下纷乱的手游市场快速改进产品,快速推新,抢占先机。

  如果测试时间允许,使用7日LTV会更准确。 但依然有其局限性,例如:对于一款长生命周期游戏,比如棋牌,定义30日的回本周期是否合适?游戏在日常运营中因活动引入带来的数值波动如何兼容?如何细化渠道间的差异?
分享到微信 分享到QQ

你可能还喜欢

实例分享:简单粗暴的用户模型构建方法

不仅要知道用户当下在想什么,更要知道用户背后在想什么,以及用户正在经历着什么。尽量减少主观臆测,走近用户,理解他们的真正需求,从而

  • 2016-12-31