游戏运营不得不关注的5个数据指标！

不同运营方向的内容虽然千差万别，但想要将运营做到极致，必须持续运用数据分析思维改善自己的方法，提升自己的经验。

诸葛君以诸葛io游戏demo简单的给大家介绍一下游戏运营的各种指数及分析思路，文中的数据皆为虚拟数据。

先来看游戏产品数据的总览：

其中我们重点关注下面几个指标：

1.    新增用户

提到新增用户，那必然要提投放和转化概念，大家都知道。一个APP或者游戏上架，运用者一般会通过各种推广渠道，以各种方式获取目标客户。

这个阶段数据分析最重要的就是通过组合各种维度对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（Cus tom er Acquisition Cost）

比如在短视频平台策划了一个推广活动，花费10万，吸引了10万用户，这次活动用户获取成本为1元，第二次在百度举办了一个推广活动，花费10万，只来了5万用户，那就要开始分析问题了：

这次活动投放渠道是否有问题？是否精准？

这次活动投放目标群体是否精准？

这次活动策划方案是否有爆点？

有哪些教训吸取和避免？

同样，如果活动做的很成功，同样要总结做得好的地方，可以当作经验和再次投放的侧重方向。

2.    DAU/MAU。

DAU:日活跃用户（Day Active User)，在当天登陆过游戏的用户；

MAU:月活跃用户（Monthly Active User），在一个月之内登录过游戏的用户；

DAU/MAU：一般可叫做当前用户留存率，两者相比主要比较来看用户每月访问游戏的平均天数是多少，比如：游戏日活跃用户为5000，月活跃用户为8000，其DAU/MAU比值就是0.63，也就是说玩家每月平均体验游戏的时间是19天，说明游戏粘度比较强。当比值接近于1时，就说明用户超级活跃，在一个月内用户基本天天登陆，流失率低，用户粘性强。

各游戏DAU/MAU值基本在0.3-0.6之间，一般最低极限时0.2，若游戏低于这个值，则说明游戏粘度太低，基本可放弃投入大量精力运营。

3.    付费率

付费率也是游戏运营中一个重要指标，指付费玩家所占据总玩家的比例

ARPU, Average Revenue per User, 即平均每用户(活跃用户)收入。一般以月为单位计算，计算方法如下： 月游戏总收入/月活跃用户数。

ARPPU, Average Revenue per Paying User, 即平均每付费用户收入。一般以月为单位计算，计算方法如下： 月游戏总收入/月付费用户数。

ARPU反映的是总体收入在整体用户中均摊的情况，通常该值会远小于ARPPU。ARPU可以用来评估各个用户获取渠道的质量。

大家都玩过一些网页游戏、手游等，一般都设有首充礼包，很多会单独做个icon来提醒玩家：首充1元，即可获得价值688的升级大礼包等，就是为了提高付费率。

比如某游戏ARPU很低，但ARPPU很高，那说明该游戏付费用户的付费能力强，针对这一点，我们可以做一些付费功能优化，提供专属客服等。再比如某游戏ARPPU很低，但ARPU较高，说明大多数玩家喜欢投入小额金钱，那么我们就可以针对这部分玩家，增加一些小额礼包等。

4.    用户留存

用户在某段时间内开始使用游戏，经过一段时间后，仍然继续使用游戏的被认作是留存用户；这部分用户占当时新增用户的比例即是留存率。

次日留存率：（当天新增的用户中，在注册的第2天还登录的用户数）/第一天新增总用户数

7日留存率（：（第一天新增的用户中，在注册的第7天还有登录的用户数）/第一天新增总用户数

留存一直都是用来评定用户粘度的最好指标，这是对总体游戏应用质量最直观的说明。留存率越高，说明游戏应用的质量越高，用户的忠诚度越好。

关注某日/某周的新增用户在之后的不同时期还有多少人仍在使用，从而了解到用户在使用多久后容易流失。找出最易流失用户的时间段，通过调整应用的策略、活动激励等措施来降低用户的流失。

比如现在市面上大部分游戏都有7天登陆大礼包，第七天送高级装备，紫色卡牌等，各大游戏厂商都在使出浑身招式留住玩家。

5.    使用时长

使用时长反映用户持续停留在游戏中的状况，是用户参与使用游戏的体现。可以作为游戏产品质量的一个指标。同时也可以结合用户分布维度来分析游戏用户质量。

游戏项目启动初期，我们会对项目定位，是轻度休闲游戏还是中/重度MMO等。

假设我们定位为轻度休闲游戏，一局1、2分钟，根据数据，用户单次玩游戏大部分集中在1-3分钟这个区间段，跟我们预想的一样，那这个项目整个生命周期就是正确的，如果数据显示玩家每天投入4-5个小时，那就要思考是哪里出现问题导致数据偏差，如何调整补救等等。

除了上述所说的一些指标，还可以根据启动次数、用户画像、属性等指标进行分析。

游戏行业数据分析并不是独立的，与其他行业数据分析完全不同的。同样，它也是按照数据分析的步骤逐步实现的，使用的分析方法也并不局限于本行业内。区别在于，每个行业的数据分析，都应当结合具体的业务逻辑来实现，以达到相应的数据分析目的。熟悉本行业的关键业务指标，结合其他具体项目的数据指标，理解公司的业务模型，会让数据分析的结果更加合理，更具实现意义。