凭借着科技的力量进入了大数据时代,收集数据的能力也大大提高,分析师 每天与这些“大”数据打交道。在游戏行业,我们拥有成熟的 AARRR 模型,从 获客、活跃、流失和留存、收入到用户传播建立一个完美的 闭环。除了常规指标, 在分析过程中我们还会建立很多临时指标来辅助分析。面对这么多统计的数据, 我们会好奇这些指标或者变量之间是否存在某种相关性,以及相关程度如何,这 就用到我们今天要分享的内容——相关分析。
在统计学上,用相关系数来描述变量之间的关系,相关系数的符号(+/-)表 明关系的方向(正相关/负相关),其值的大小表示关系的强弱程度。下图是对相关 系数的一个解读。
下面列举几个游戏中进行相关分析的应用场景
1.玩家付费能力

评估一个玩家的付费能力与哪些因素相关,相关程度如何?
与一个玩家的付费能力相关的因素有性别、年龄、教育程度 、游戏时长、游 戏频次甚至游戏中好友数。这些或多或少都与付费能力有一定的相关性。需要注 意的是,像性别这样的定类变量不支持下面案例中的实现,需要点二列相关系数。
2.游戏收入
与游戏每天收入可能相关的因素有付费人数、活跃玩家数、付费率、ARPU、 道具销售数量、道具价格和玩家总时长(日玩家总时长),哪些因素与收入相关程 度密切,哪些因素相关只是偶然性呢?这些在接下来的案例会详细探讨。
3.道具销量
游戏中要进行相关分析的地方远不止这三个场景,理论上各个因素(变量间) 都可以进行相关性分析,并通过相关系数反映相关程度,还是建议不要盲目分析, 在不同时间段,根据自身的分析目的进行探索式分析和验证。
接下来我们看一个相关分析的案例,工具的选择可以根据个人喜好,虽然 Excel 也可以进行相关分析,但是只列出相关系数,不能进行统计显著性检验, 所以推荐使用 SPSS 或者 SAS。
首先,整理好要分析的数据,这里收集某游戏两个月内每日收入、玩家数、日付费率、付费人数、道具销售数量等数据。
选择分析->相关->双变量,然后选择要研究的变量如下图:
点击确定后得到分析结果如下:
结果稍微复杂了些(SPSS 结果显示比较全面,有些指标不需要关心),我们 只选择我们需要的数据来看,只看最后一行(蓝色部分),即收入与其他因素之间 的相关性。
从上图结果可知,收入与日付费率和付费人数相关系数分别为 0.961 和 0.954,具有强相关性。收入与道具销量相关系数为 0.609,为中度相关。显著 性均为 0.000 远小于 0.05,说明分析结果显著。而收入与玩家数(日活跃)相关系 数为 0.142,弱相关,从显著性检测结果 0.272 来看大于 0.05,说明玩家数对 收入相关性不显著,两者存在一定的偶然性。
上面例子中的分析结果并不代表整个游戏行业的数据表现,本文只是传达一 个分析方法,在游戏运营中多做一些探索式的相关分析,说不定就能发掘出很大的价值和规律。此外,相关分析只是分析变量之间是否相关以及相关程度如何, 并不代表变量之间一定存在因果关系。就像卖冰棍和发生火灾数有很大的相关 性,但他们都与温度高(夏天炎热)有关联一样。接下来的文章会讨论回归分析, 用数据模型量化这种相关关系,并做一些预测。
报告下载：添加199IT官方微信【i199it】，回复关键词【游戏中相关分析的应用】即可
扫一扫
569
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
