用户付费渗透率再研究

“ ”

阅读器

付费渗透率

今天所谈到的其实是关于新增付费用户研究模型的内容，谈到模型，有时候我们过于神话了，模型最后其实就是一套方法论，我自己觉得这倒是自己思维思考最后落地的一个载体，只有经历以上的过程才是一个模型。

今天的内容算是对用户付费渗透率的再研究，可以肯定的一点是我们之前对付费用户金字塔的研究对象包含了所有付费用户，我们之前的方法是从用户贡献度或者价值量来衡量，把用户分成了鲸鱼用户、海豚用户、小鱼用户。但是我们今天将从用户的生命周期角度来剖析这个问题，进而引出付费渗透率的再研究。

付费用户的构成

付费用户是一个很复杂的群体，第一层是我们普遍认识的，也是我们经常采用的数据分析层次，但从第二层开始的部分对我们后续很多分析是很有益处的。我有一个猜想：如果用户金字塔是稳定的，那么付费渗透率的提升是否一定有意义？

我们在对不同付费群体的研究中发现，群体用户的特征在最初阶段就已经形成了，换句话说我们推测一个用户在一款游戏的付费能力基本上就是圈定了。当然针对这一点很多人会产生质疑，因为很多游戏是通过游戏付费“陷阱”、粘性以及延伸消费来进一步扩大需求，刺激消费的。这一点确实是存在的。不过，如果你仔细分析数据会发现很多玩家的消费基本上是在自己的承受范围之内和压力之内。

我们不排除极限用户，比如深度迷恋游戏以至于全面投入游戏的用户，但是这类用户所占比例很小。从这个角度分析，每个人的付费能力是基本固定的（想要延伸和刺激消费，就得更新、运营），那么我们不断拉高的渗透率其实没什么太大作用。如果你的游戏足够值得他们去消费，那些本来付费就很少的人，玩到最后也会花费很少，甚至就是流失。游戏太多，选择太多，诱惑太多！这么看，渗透率意义是局限的。

那么在这种情况下，我们可以来做一件事，那就是在付费用户的初期阶段预测和判断付费用户的付费能力，而不是通过后期数据来验证究竟哪些是真正的鲸鱼，哪些是海豚，哪些又是小鱼。这点也恰恰反映了数据分析的价值所在，用过去发现未来，而不是用未来验证过去。

付费渗透率的结构化
 

所谓结构化，就是分层建立付费渗透率，因为我们在付费用户的研究上已经建立了金字塔模型，那么过去我们使用一个付费渗透率指标去衡量的方式需要进一步细化，当然这不是说原来的方式不对，因为在一些高级别的分析报告和演讲中，我们就需要这种一个指标就OK了。

然而作为一个分析师，在具体面对业务时，我们不能够就这样的粗放使用一个付费渗透率去分析问题，因为这样会掩盖掉很多的问题。因此我建议的结构就是分层付费渗透率：

W-PUR：鲸鱼用户的付费渗透率

D-PUR：海豚用户的付费渗透率

F-PUR：小鱼用户的付费渗透率

这里面可能就存在一个问题，估计大家都有这个疑问，我们该如何计算这个PUR呢？计算方法如下

鲸鱼用户/活跃用户数量

这里需要解释一下，这里的鲸鱼用户是基于历史鲸鱼用户特征计算出来的本月的鲸鱼用户，本身是一种预测数据，但肯定是付费用户，活跃用户即MAU。

付费渗透率的序列化

留存率我想大概大家都比较熟悉，比如次日、3日、7日、30日、这是一种时间序列化的方式，由此我想对于付费渗透率我们也可以进行时间序列化。

即推出首日、次日、7日、30日付费渗透率研究，但是明确一点的是这里的用户是增登用户。其定义形式如下：

N日付费渗透率

限定时间内的新登用户，N日付费的用户/限定时间内的新增用户

假设10月8日有500新增用户，首日50人付费，那么首日的付费率为50/500=10%；

假设10月8日有500新增用户，10月9日（即次日）有25人付费，则次日付费率为25/500=5%；

这种方式的付费比率从另外一个角度将我们之前统计的付费渗透率进行了细分和立体化，这种付费渗透率细分把新用户和活跃用户的付费问题明确了，因为有的新用户是首日便开始付费，而有的新用户是在一定时期内选择付费，但达不到活跃用户的标准。这也能帮助我们更加细致的研究活跃用户的自然付费周期。

以上的是针对具体每日的付费渗透率分析，当然了就像留存率研究一样，我们可以限定时间为周，即一周的新增用户在下周内的付费渗透率研究，这都是可行的。具体还要看自己需要。

此处是借助于留存率的模式进行的付费渗透率研究，方法和之前的其实本质上是一样的，稍加改动，至于该方法是否符合您的产品需要和分析需要，这要根据自己实际情况，这里所述的内容仅供参考，作为探索和讨论之用。