游戏运营分析

最新推荐文章于 2024-04-30 16:36:53 发布

ak2111

最新推荐文章于 2024-04-30 16:36:53 发布

阅读量1.2k

点赞数 33

分类专栏： Python 文章标签：游戏 jupyter python

本文链接：https://blog.csdn.net/ak2111/article/details/137785367

版权

Python 专栏收录该内容

26 篇文章 1 订阅

订阅专栏

项目概况

为了了解当前游戏的运营情况，对游戏从以下四个方面进行分析：
- 1.新增玩家分析：从玩家数量、付费玩家占比、每日新增玩家数。
- 2.玩家活跃度分析：从不同用户在线时长、分布特征展开分析。
- 3.玩家付费情况分析：从PUR，ARPPU、ARPU等关键指标进行分析。
- 4.玩家游戏习惯分析：从不同玩家的PVP、PVE这两个指标得出的情况展开分析。

字段说明

在这里插入图片描述

数据加载

#导入需要的库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
#忽略警告
import warnings
warnings.filterwarnings('ignore')

#中文乱码的处理
#plt.rcParams['font.sans-serif']=['PingFang HK'] #mac系统使用
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']# windows使用设置微软雅黑字体
plt.rcParams['axes.unicode_minus'] = False # 避免坐标轴不能正常的显示负号

#./gamedata.csv
df = pd.read_csv('./gamedata.csv').drop(columns='Unnamed: 0')
df.head()

在这里插入图片描述

df.shape

(2288007, 10)

df.info()

在这里插入图片描述

数据预处理

#将register_time转换为时间类型
df['register_time'] = pd.to_datetime(df['register_time'])

#将注册时间中的日期提取出来:strftime返回的是字符串类型的数据
df['register_time'] = df['register_time'].map(lambda x:x.strftime('%Y-%m-%d'))

df['register_time'] = pd.to_datetime(df['register_time'])

#查看缺失值
df.isnull().any(axis=0)

在这里插入图片描述

#查看重复数据
df.duplicated().sum()

#查看异常数据
df.describe().T

在这里插入图片描述

新增玩家分析

新增玩家数量

查看每日新增玩家数量
- 查看不同注册日期的用户数量

day_grow_df = df.groupby(by='register_time')['user_id'].nunique().reset_index().rename(columns={'register_time':'注册时间','user_id':'新增用户'})
day_grow_df.head()

在这里插入图片描述

plt.figure(figsize=(15,5))
plt.plot(day_grow_df['注册时间'],day_grow_df['新增用户'])
plt.xticks(rotation=30)

在这里插入图片描述

新增付费玩家用户数量

查看每日新增付费玩家数量

pay_df = df.loc[df['pay_price'] > 0]
pay_grow_df = pay_df.groupby(by='register_time')['user_id'].nunique().reset_index().rename(columns={'register_time':'注册时间','user_id':'新增用户'})
pay_grow_df.head()

在这里插入图片描述

plt.figure(figsize=(15,5))
plt.plot(pay_grow_df['注册时间'],pay_grow_df['新增用户'])
x = plt.xticks(rotation=30)

在这里插入图片描述

结论：
- 每日新增玩家在2月18日左右有一次大高峰增长，在1月27，2月1和2月15日各自有几次小幅度增长。
- 付费用户量在1月26日后，用户量出现浮动式的下滑。可能是用户对游戏了解不够或者游戏活动策划出现了问题。

新增付费玩家占比

#查看新增用户数量
grow_sum = day_grow_df['新增用户'].sum()

#查看新增付费玩家用户数量
pay_count_sum = pay_grow_df['新增用户'].sum()

#绘制图例显示新增用户总数和新增付费用户总数的占比情况
plt.figure(figsize=(8,8))
x = plt.pie([grow_sum,pay_count_sum],labels=['未付费','付费'],autopct='%.2f%%')

在这里插入图片描述

玩家活跃度分析

全部玩家平均在线时长

avg_time = df['avg_online_minutes'].mean()
avg_time

10.207489627790176

付费玩家的平均在线时长

pay_avg_time = df.loc[df['pay_price']>0]['avg_online_minutes'].mean()
pay_avg_time

140.18774584526693
结论：可以看出，付费玩家的平均在线时长要远远大于全体玩家的平均值，活跃度比他们高得多。

平均在线时长的分布特点

全部玩家在线时长的分布特点

plt.figure(figsize=(15,7))
ret = plt.hist(df['avg_online_minutes'],bins=500)
ret[0][[0,1]],ret[1][[0,1,2]]

在这里插入图片描述

df['avg_online_minutes'].describe()

在这里插入图片描述

结论：在所有游戏玩家中，75%的玩家平均在线时长<=5分钟，说明用户流失非常严重。

付费玩家在线时长的分布特点

pay_df = df.loc[df['pay_price'] > 0]
ret = plt.hist(pay_df['avg_online_minutes'],bins=50)
ret[0][[0,1]],ret[1][[0,1,2]]

在这里插入图片描述

pay_df['avg_online_minutes'].describe()

在这里插入图片描述

结论：付费用户中，75%的用户平均在线时长都超过了33分钟。在线时长0-33分钟的用户数量最多为10479，其次为在线33-66分钟，人数为6757。

玩家付费情况分析

关键指标

AU：活跃用户数
- 平均在线时长超过15分钟的用户数量
ARPU：平均每个活跃用户的收入
- 总收入 / AU活跃用户数
APA：活跃付费用户数
- 是活跃用户并且也是付费用户的用户数量
ARPPU：平均付费玩家收入
- 总收入 / APA活跃付费用户数
PUR：付费率
- APA活跃付费用户数 / AU活跃用户数

指标计算

活跃用户数AU
- 平均在线时长超过15分钟的用户数量

au_df = df.loc[df['avg_online_minutes'] > 15]
AU = au_df['user_id'].count()
AU

227059

平均每个活跃用户的收入ARPU
- 总收入 / AU活跃用户数

#总收入
total_amount = df['pay_price'].sum()
total_amount = float(format(total_amount,'.2f'))
total_amount

1223326.66

ARPU = total_amount / AU
ARPU = float(format(ARPU,'.2f'))
ARPU

5.39

活跃付费用户数APA
- 是活跃用户并且也是付费用户的用户数量

ex = (df['avg_online_minutes'] > 15) & (df['pay_price'] > 0)
au_pay_df = df.loc[ex] #找到活跃且付费的行数据
APA = au_pay_df['user_id'].count()
APA

36293

平均付费玩家收入ARPPU
- 总收入 / APA活跃付费用户数

ARPPU = total_amount / APA

付费率PUR：
- APA活跃付费用户数 / AU活跃用户数

PUR = APA / AU
PUR

0.15983951307809866

核心指标数据可视化

plt.figure(figsize=(8,5))
ax1 = plt.subplot(1,2,1)
ax1.bar(['AU','APA'],[AU,APA],width=0.5,alpha=0.5)
ax1.set_ylabel('活跃人数')

ax2 = plt.subplot(1,2,2)
ax2.bar(['ARPU','ARPPU'],[ARPU,ARPPU],width=0.5,color='red',alpha=0.5)
ax2.set_ylabel('消费金额')

在这里插入图片描述

结论：
- APA活跃付费用户远低于活跃用户数AU。并且该游戏的活跃用户的人均付费率ARPU很低，说明游戏收入表现较差，但是对比ARPU，平均每个付费用户的ARPPU很高，是ARPU的6倍多，说明游戏对活跃用户的体验感较差。
- 付费率为0.15偏低，因此可以开展首冲活动，让用户充值少量的钱，开始逐渐付费，例如充值6元获得限量的礼包。付费率高，就可以更多的获得渠道商的青睐。

玩家游戏习惯分析

关键指标：

PVP：与玩家对战次数
PVE：与电脑对战次数

AU活跃用户玩家的PVP情况

活跃用户平均的PVP次数

au_pvp_bettle_mean = au_df['pvp_battle_count'].mean()
au_pvp_bettle_mean

15.320026953346927

活跃用户PVP的总次数（与玩家主动和被动发起对战的总次数和）

au_pvp_battle_sum = au_df['pvp_battle_count'].sum()
au_pvp_battle_sum

3478550

活跃用户PVP发起的总次数(主动与玩家对战次数)

au_pvp_lanch_sum = au_df['pvp_lanch_count'].sum()
au_pvp_lanch_sum

2060611

活跃用户主动发起PVP的概率
- 活跃用户发起对战的总次数 / 活跃用户PVP的总次数

au_lanch_rate = au_pvp_lanch_sum / au_pvp_battle_sum
au_lanch_rate

0.5923764212099869

活跃用户PVP胜利的总次数

au_pvp_win_sum = au_df['pvp_win_count'].sum()
au_pvp_win_sum

2019277

活跃用户PVP的胜率
- PVP胜利的总次数 / 活跃用户PVP的总次数

pvp_win_rate = au_pvp_win_sum / au_pvp_battle_sum
pvp_win_rate

0.580493883945897

print(f'活跃用户平均PVP次数:{au_pvp_bettle_mean}')
print(f'活跃用户主动发起PVP概率:{au_lanch_rate}')
print(f'活跃用户PVP胜利概率:{pvp_win_rate}')

活跃用户平均PVP次数:15.320026953346927
活跃用户主动发起PVP概率:0.5923764212099869
活跃用户PVP胜利概率:0.580493883945897

APA玩家(活跃付费用户)的PVP情况

#找到活跃且付费的行数据
au_pay_df = df.loc[ex] 

#活跃付费用户平均的PVP次数
buy_au_pvp_battle_mean = au_pay_df['pvp_battle_count'].mean()

#活跃付费用户PVP的总次数（与玩家主动和被动发起对战的总次数和）
buy_au_pvp_battle_sum = au_pay_df['pvp_battle_count'].sum()

#活跃付费用户PVP发起的总次数(主动与玩家对战次数)
buy_au_pvp_lanch_sum = au_pay_df['pvp_lanch_count'].sum()

#活跃付费用户主动发起PVP的概率：活跃付费用户发起对战的总次数 / 活跃付费用户PVP的总次数
buy_au_lanch_rate = buy_au_pvp_lanch_sum / buy_au_pvp_battle_sum

#活跃付费用户PVP胜利的总次数
buy_au_pvp_win_sum = au_pay_df['pvp_win_count'].sum()

#活跃付费用户PVP的胜率：PVP胜利的总次数 / 活跃付费用户PVP的总次数
buy_pvp_win_rate = buy_au_pvp_win_sum / buy_au_pvp_battle_sum

print(f'活跃付费用户平均PVP次数:{buy_au_pvp_battle_mean}')
print(f'活跃付费用户主动发起PVP概率:{buy_au_lanch_rate}')
print(f'活跃付费用户PVP胜利概率:{buy_pvp_win_rate}')