《游戏运营基本功：如何培养数据敏感度？》(2)

来源：未知 时间：2018-10-25 11:58

Retention（用户留存）：同样的，这里的留存仍是指在一定周期内回来完成一次关键行为。游戏行业一般只关注用户是否回来。

Revenue（付费）：完成关键行为的用户付费概率更高，也就是所谓的留下来的用户才可能付费。

Referral（用户推荐）：指产品内的用户推荐机制，一般更加系统化，和病毒传播不太一样。

在已经对行业AARRR模型已经有所了解的基础上，对于已经在工作岗位的人来说，就是熟悉公司业务数据了，从大盘到细分数据，都应该做到心中有数，最后按照一定的分析思路来分析数据。

以《增长黑客实战笔记》中的例子为例，来谈谈具体遇到具体数据问题的时候的思路：

假如你是百度外卖的运营负责人，某天移动端的订单量比前一日下降了5%，你的老板要求你对这一变动做出合理解释，你如何应答？

其次先明确指标变动的异常程度和影响面，订单量比前一日下跌5%，是否大到必须加以重视。

以2015年百度外卖B轮融资计划书展示的数据看，其拥有3000万的注册用户，日订单数量超过110万，客单价可达50元左右。以此数据估算，假设2016年底注册用户数达到6000万，日订单数据量突破200万，客单价基本不变，那么5%的订单量下滑意味着当日损失500万营收。天然的单一突发事件几乎不可能造成这么大的损失，因此足以引起团队的重视（这里只是以融资计划书的付费数据为例，实际上作为运营负责人，这些数据都是内部可直接获取的）。

确定需要引起重视后，就需要寻求数据分析的角度，排查异常原因，影响数据异常变动的原因可能有哪些？这里的思考模式其实就是金字塔结构思维模式：

PS：强烈推荐职场新人看看这本书

先考虑全局指标：包括一定时间内新增用户量、总体付费率、总留存率、用户活跃度、各环节总转化率、搜索功能使用率、翻页率、崩溃率等。全局指标用于分析对全体用户产生影响的共性原因，绝大部分问题都会在全局指标上体现出来；

再看分渠道指标：可以按不同用户属性（新老用户）、用户来源（下载渠道）、用户自然属性（地域、性别）网络环境（网络运营商、网络接入方式）等维度观察不同渠道数据是否存在异常。

举个例子，曾经运营某款游戏的时候，突然某段时间有大量用户投诉无法登录，经过大量技术排查工作之后，最后确认是该地区的移动网络出现故障。

在上述两项指标基础上，再考虑用户行为数据：重点观测用户在不同时间段、不同需求类型下的行为，从而定位到由于某一细分人群的定向变化产生的数据异常。

分享到：0