激活且登录率应用场景
职业分布数据:狙击手,突击手
游戏行为数据的用户付费指标是评估玩家在游戏中消费行为的关键数据点。这些指标可以帮助游戏开发者和运营商了解玩家的付费习惯,从而优化游戏设计、提高收入和改善玩家体验。以下是一些常见的用户付费指标:
ARPPU=付费金额/付费人数,ARPU低于3元则说明表现较差。
ARPU=付费金额/活跃人数
游戏运营中的转化率漏斗模型是一种分析用户行为和优化用户体验的工具,它包括拉新、促活、留存和付费转化这四个主要环节。以下是对这些环节的详细解释:
转化率漏斗模型帮助游戏运营者了解在每个环节中用户的转化情况,从而找出潜在的问题点和改进机会。通过分析漏斗数据,运营团队可以制定相应的策略来提高整体的用户转化率,进而提升游戏的市场表现和盈利能力。
import numpy as np
import pandas as pd
from pylab import matplotlib as mpl
from matplotlib import pyplot as plt
import seaborn as sns
from datetime import datetime
mpl.rcParams['font.sans-serif'] = ['Simhei']
mpl.rcParams['axes.unicode_minus'] = False
df = pd.read_csv('train.csv')
用户分析
reg_user=df1[['user_id','register_time']]
reg_user.head()
reg_user.register_time=pd.to_datetime(reg_user.register_time,format="%Y/%m/%d")
reg_user.register_time=reg_user.register_time.apply(lambda x: datetime.strftime(x,"%Y-%m-%d"))
#计算每天注册人数
reg_user = reg_user.groupby(['register_time']).user_id.count()
fig = plt.figure(figsize=(14, 10))
plt.plot(reg_user)
plt.xticks(rotation=90)
plt.title('用户注册图')
plt.show()
付费分析
#活跃用户
actuser = df1[df1['online_minutes']>=30]
#付费用户
payuser = df1[df1['payprice']>0]
#付费率
payrate = pay_user['user_id'].count() / act_user['user_id'].count()
print('付费率为%.1f' %(payrate))
ARRPPU
#计算ARPPU
ARPPU = pay_user['payprice'].sum()/ payuser['user_id'].count()
print('ARPPU为%.1f' %(ARPPU))
#ARPPU为26.5
x=user_pay['等级']
y=user_pay['人均付费总额']
fig = plt.figure(figsize=(12,8))
plt.plot(x,y)
plt.xticks(x,range(0,len(x),1))
plt.grid(True)
plt.title('等级和人均付费总额的关系')
plt.show()
氪金用户与一搬用户
wood_avg = [sup_user['wood_reduce_value'].mean(), nor_user['wood_reduce_value'].mean()]
stone_avg = [sup_user['stone_reduce_value'].mean(), nor_user['stone_reduce_value'].mean()]
ivory_avg = [sup_user['ivory_reduce_value'].mean(), nor_user['ivory_reduce_value'].mean()]
meat_avg = [sup_user['meat_reduce_value'].mean(), nor_user['meat_reduce_value'].mean()]
magic_avg = [sup_user['magic_reduce_value'].mean(), nor_user['magic_reduce_value'].mean()]
data = {'高氪玩家':[wood_avg[0], stone_avg[0], ivory_avg[0], meat_avg[0], magic_avg[0]],
'低氪玩家':[wood_avg[1], stone_avg[1], ivory_avg[1], meat_avg[1], magic_avg[1]]}
resource = pd.DataFrame(data, index=['木头', '石头', '象牙', '肉', '魔法'])
resource.plot(kind = 'bar', stacked=True, figsize=(14, 10))
plt.title('玩家资源使用量')
总结游戏数据分析的意义体现在以下几个方面: