一款表现不佳的游戏，如何能爆火出圈？-Toy模板网

这篇具有很好参考价值的文章主要介绍了一款表现不佳的游戏，如何能爆火出圈？。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

根据《2022年中国游戏产业报告》，2022年中国游戏市场实际销售收入2658.84亿元，同比下降10.33%。游戏用户规模6.64亿，同比下降0.33%。继2021年规模增长明显放缓之后，又出现过去八年来的首次下降，表明产业发展已进入存量市场时代。

在存量时代，游戏数据分析就显得格外重要。

数据分析可以帮助游戏业务人员了解用户和游戏当前的运营状态，提供决策的依据。做出正确决策的概率越高，意味着越有可能做出符合用户期待和市场需求的游戏，意味着游戏产品的市场表现可能更好，游戏厂商的收益可能更高。

下面以一个游戏案例，介绍如何通过数据分析驱动游戏决策，扭转游戏的市场表现。

案例：数据分析驱动决策，扭转游戏市场表现

A游戏团队早年做过不少广受好评的单机手游，游戏创意与制作水平得到用户的一致认可。他们推出的第一款强联网游戏，尽管制作水准仍然很高，但在不删档测试前期，游戏的市场表现却不如预期，其用户评价也完全不及之前的单机游戏。

通过查看游戏的核心指标，业务人员找到了游戏当前存在的主要问题：新用户的次日和3日留存率不高，而且付费总流水、ARPU（Average Revenue Per User，平均每用户收入）及付费渗透率等核心付费指标都不理想。

用户留存与付费情况都不佳，这对于一款游戏而言是相当致命的。

好在这款游戏本身质量还不错，而且当前处于测试前期，尚未进行大规模买量，如果能及时调整运营策略，仍然能扭转市场表现。

A游戏团队充分运用数据分析驱动游戏决策的方法论，最终制订了一系列颇为有效的优化措施，提升了用户的留存率与付费率。最终，游戏在公测后取得了不错的成绩。下面我们将详细介绍A游戏团队运用数据分析做决策的过程（下文以A游戏指代该团队的这个游戏项目）。

01 量化决策目标

在进行决策前，必须确定要达到的目标。而数据分析在游戏决策中发挥的第一个关键作用，就是帮助决策人员制订一个可衡量的、有指导意义的目标。

A游戏的目标是“提升用户的前期留存率”“促进用户付费”，但是这样的目标比较笼统，做数据分析时很难找到合适的切入点，在决策被实施后也不容易评估效果。

运用数据分析，我们可以将这个目标改为与之息息相关的关键指标。比如：

“提升用户的前期留存率”就可以改为“提升次日及3日留存率”，关键指标就是次日与3日留存率；
“促进用户付费”也可以改为“提升付费渗透率”，关键指标就是付费渗透率。

量化决策目标，可以引导业务人员从与这些指标关联的游戏玩法切入，构思决策方案；在评估决策效果时，也可以以指标提升的幅度作为依据，更为直观、简便。

那么，可否将总体ARPU或者次日留存率等游戏核心指标作为决策的关键指标呢？这种做法存在问题，游戏核心指标基本上都是宏观指标，会受多种因素的影响，可能误导对决策效果的评估。我们可以采取两种方法。

一种是运用结构化思维，把大的宏观指标分解为一组更小、粒度更细的指标，然后将这一组指标作为决策的关键指标，在为大型活动、游戏的大版本迭代做决策时，适合使用这种方法。因为大型活动与游戏的大版本迭代往往需要实现多个业务目标，比如大型活动既要吸引新用户，也要带动老用户活跃及付费，那么就可以将新增用户数、用户参与度及付费率作为关键指标。

另一种方法是将宏观指标替换为更具体、更容易实现的指标。这种方法更适合在测试阶段使用，采用“小步快跑”的形式，更敏捷地优化游戏。

A游戏处于测试阶段，显然更适合采用第二种方法。分析人员在选择更具体的指标时，采用了两种思路。

第一种思路可以称为“维度下钻”，也就是给宏观指标加上一些限定条件，缩小指标范围，这样更容易找到决策的切入点。例如，将“付费渗透率”限定在“新增用户”人群，关键指标就变为“新增用户的首次付费率”。经过计算，发现A游戏新增用户的首次付费率仅为1%，远低于10%的平均水平，说明这一指标确实反映了游戏的问题，非常适合作为关键指标。

第二种思路可以称为“关联指标”，即运用业务化思维，梳理指标间的因果关系，寻找关键指标的原因指标。例如，分析人员基于A游戏用户次日留存率较低的情况，推测首日的新手引导流程可能有问题，因此选择“新手引导漏斗的转化率”作为关键指标。经过计算后发现，新手引导漏斗的转化率仅35%左右，大量用户在A游戏团队预估的流失点之前就因“卡关”而流失。简单的指标计算结果就已经充分反映了游戏亟需优化的环节。

最终，分析人员制订了两个目标：“提升新增用户的首次付费率”与“提高新手引导漏斗的转化率”。

总的来说，通过数据分析制订可量化的、具有操作性的目标，既使得决策效果更易评估，也使得分析人员在进一步分析时，更容易提出假设，获取更多决策线索。

02 获取决策线索

确定决策目标后，就要获取决策线索。决策线索可以分为主观线索与客观线索。

主观线索主要来源于经验，比如分析人员对业务的理解、对行业发展趋势的判断，以及过往决策的经验。而客观线索则主要来源于数据，可以是问卷调查的数据，也可以是用户实验的数据。

当然，数据分析是最重要的获取客观线索的方式，这也是数据分析驱动游戏决策的体现。

作为拟定决策方案时最重要的依据，决策线索必须具备以下三大要素。

全面性：决策线索要足够全面，避免遗漏重要信息。

可信性：决策线索必须经过严格验证，真实可靠。

指导性：决策线索必须契合业务发展方向，能够指导分析人员拟定可落地的方案。

所以，通过数据分析获取客观线索时，也需要考虑这三个要素。我们将介绍一套基于“假设检验”的分析流程，遵循这套流程可以较为全面地获取具有指导意义的客观线索。

下面将以“提升新增用户的首次付费率”这一决策目标的分析流程为例进行介绍。

整个分析流程由提出假设、选取指标进行验证、形成结论这三步组成，其核心是分析人员运用结构化思维对决策目标进行拆解，再运用业务化思维提出符合业务发展方向的假设。

在本例中，分析人员以“新增用户首次付费率较低”作为逻辑原点，推测用户的付费意愿不高，因此从付费意愿的角度出发，提出了三个方向：需求、供给与价格，再结合业务化思维，提出了以下三个待验证的假设。

用户不愿意购买游戏中的关键养成道具。

用户消耗钻石的渠道过于有限。

付费购买钻石的各档位兑换比完全一致（即6元付费档位与648元付费档位获得的钻石分别是6颗与648颗，付费金额与购得钻石数量固定为1比1），抑制了用户购买高档位钻石的意愿。

接下来，就是运用指标来验证假设，确保决策线索的可信性。

如何选取合适的指标来验证假设呢？

有一个小窍门：每一个假设都会有一个业务切入点，比如上述的三个假设，其切入点分别为关键养成道具、钻石消耗渠道，以及付费金额与购得钻石数量之比，基于这些切入点来选指标就会更容易。比如，对于假设2，就可以选取用户在不同渠道的钻石消耗情况作为验证指标；对于假设3，则可以选取不同档位钻石的购买情况作为验证指标。

如果经过分析，所选择的指标无法支持假设，也先不要着急否定假设，还可以考虑用原指标的上下游指标再做一次分析。

比如，对于假设1，分析人员一开始选择分析道具的获取与消耗情况，发现关键养成道具的获取数明显大于消耗数，看起来并不存在道具供给不足的情况。

于是，分析人员转换思路，转而分析用户参与产出关键养成道具的关卡的情况，最终发现用户参与这些关卡的次数要远高于其他关卡，说明用户对于养成道具的需求是很大的。

可能因为每次养成道具的消耗数较大，用户需要攒一段时间才能消耗，因此用户的账户中一直保有一定数量的养成道具，从数据上来看就会出现养成道具的获取数高于消耗数的情况。

最后，基于分析结果形成结论。

结论要有指导性，所以不能单纯以“某某假设成立”作为结论，而是要结合业务给出一定的指导意见，也就是提供决策线索。表1列出了A游戏的分析人员对三个假设的完整验证过程，可以看出，每一个假设的分析结论都包含了对业务的指导意见，可在拟定决策方案时参考。

表1 “新增用户首次付费率较低”的假设验证过程

一款表现不佳的游戏，如何能爆火出圈？

无论假设是否成立，最终形成的结论都可以作为有效的决策线索，在后续拟定决策方案时使用。另外，还可以根据这些线索再提出假设，不断循环，直到无法提出新的假设为止。通过这样的方式，就可以确保决策线索的全面性，避免遗漏重要信息。

03 拟定决策方案

获取充分的决策线索后，就要拟定决策方案了，也就是确定实现决策目标的具体措施。

拟定决策方案是一个复杂的过程，对于不同的游戏类型及游戏所处的不同生命周期阶段，不同的业务人员可能会制订截然不同的决策方案。本文仅简单介绍如何拟定决策方案。

前面提到，决策线索应具备指导性，因此业务人员可以根据决策线索制订具体措施。

表2列出了A游戏的业务人员根据三条决策线索制订的具体措施。

表2 “提高新增用户首次付费率”的具体措施

一款表现不佳的游戏，如何能爆火出圈？

从表2可以看出，一条决策线索可以引出许多具体措施，在考虑如何实施这些措施时，采用A/B测试或者灰度测试等更为敏捷的方式，既可以降低试错成本又能提高优化及迭代游戏的频率。

另外，可以综合考虑不同的决策线索来制订措施，比如综合考虑表2中的线索1和线索2，业务人员提出，在商店中加入关键养成道具，而且这些道具需要用钻石才能购买。

最后，还要注意现有数据能否评估决策效果。

如果现有数据存在遗漏，就要在制订决策方案时考虑好数据采集方案，并在调优措施上线时准备好数据采集的代码。比如，游戏的大型活动或新版本上线时，往往会推出一些新玩法或者新系统。

这些新内容与决策目标息息相关，因此必须提前规划对于这些新增内容该采集哪些数据，并在游戏新版本和活动上线时同步上线数据埋点，这样才能在第一时间评估决策效果。

04 评估决策效果

实施决策方案后，还要再次通过数据分析来评估决策效果。在评估效果时，可以考虑两类指标。

第一类就是决策的关键指标，其直接反映决策目标是否达成。由于关键指标是经过量化的，因此非常容易评估决策效果。分析人员在A游戏的优化版本上线后，再次对“新增用户的首次付费率”进行分析，发现该指标从原先的1%增至15%。受此影响，游戏的整体营收也上了一个台阶。可以说，决策目标超出预期地完成了。

当然，并不是每次实施决策方案后，关键指标都会有如此明显的变化。此时就需要用第二类指标，也就是反映措施是否有效的指标，进行更细致的评估。比如，通过用户用钻石购买关键养成道具的次数，就可以评估对应措施产生的效果是否符合预期。如果关键指标的变化不明显，那么对措施的有效性进行分析，也可以评估决策方案最终是否成功。

效果评估的意义不仅在于揭示决策目标是否达成，更重要的是了解决策方案有效或者无效的根本原因。

A游戏的分析人员在分析新增的“英雄礼包”的购买情况时，发现结果并不如预期，于是进行更深入的分析：通过对比不同用户群体的数据（比如付费情况、是否保有礼包内的“英雄”等），了解不同用户群体对于“英雄礼包”的购买偏好是否不同，付费高的用户是否更愿意购买这类礼包。

实际上，很多游戏团队都会将多次活动的评估结果汇总为一个“活动—人群”矩阵，记录不同人群适用于什么样的活动（刺激付费或提升活跃度），以便后续对活动进行决策时参考。通过评估决策效果，分析人员能够总结决策的成功经验，提高后续的决策质量。

05 总结

最后，我们再以另一个决策目标，即“提高新手引导漏斗的转化率”的决策流程收尾，总结数据分析对于游戏决策的驱动作用。

首先，“提高新手引导漏斗的转化率”是分析人员基于“用户在前期留存率低”的问题而确定的决策目标。

这个目标是可量化的，而且具有指导意义，所以可以直接将“新手引导漏斗的转化率”设定为逻辑原点，从这一点出发寻找决策线索。

由于大量用户在预期的地方之前“卡关”，分析人员意识到自己可能出现了误判：由于自己比较熟悉游戏的玩法，因此主观地认为用户进入游戏后游玩过程很顺畅。从数据上来看，用户在游戏的中前期玩得并不顺畅；同时，新手引导漏斗的最后几步转化率也不高，预示着用户在第三天左右会再次集中流失。

因此，分析人员提出两个假设：

一是在用户进入游戏游玩的前期，缺乏引导，导致其对养成内容不理解而卡关；

二是用户游玩到第三天，缺乏目标，不知道如何进一步提升战力。

运用对应的指标加以验证，分析人员发现前期确实存在对用户缺乏引导的问题；而第三天后，用户没有游玩次要玩法，导致战力缺失，出现“卡关”现象。