搜索
Speaker：曹金明 微博 weibo.com/jinni 微信 jinni_cao 回顾我上一次的分享 • 游戏数据驱动之“深喉篇” 数据分析 vs 数据预测 大多数时候，产品经理依赖于已有的客观/主观数据进行分析并得出结论 数据预测能解决什么问题？ 数据预测价值之一 • 供产品经理闲暇时YY 数据预测价值之二 • 制定更靠谱的产品预算 下季度预算明天必须交！ 完全。。没有头绪。。 继续拍脑门吧 数据预测价值之三 • 找到提升产品表现的关键因素 月收入什么时候能达到1000万？ 根据预测模型，只要提升留存10%和安装量20%就能完成指标！ 听起来靠谱哦！ Q：我们能否预测游戏的表现？ A：答案是肯定的! 快开始正题吧思密达! 预测是一个建立模型 和假设的过程 月收入= ? 月收入= ∑日收入 日收入=? 日收入=DAU x 日付费率 x 日付费ARPU DAU=? DAU=新激活用户+老用户回流 新激活用户=? 新激活用户= 自渠道新用户 + 360渠道新用户 + 91渠道新用户 + UC渠道新用户 + …. 老用户回流=? 老用户回流（第n天） = 第1天新激活用户 x Rn + 第2天新激活用户 x Rn-1 + 第3天新激活用户 x Rn-2 + ….. ….. 第n-1天新激活用户 x R1 基础模型就这么简单！ 月收入= ∑日收入 日收入=DAU x 日付费率 x 日付费ARPU DAU=新激活用户+老用户回流 新激活用户=自渠道新用户 +360渠道新用户 +91渠道新用户 +…. 老用户回流=第1天新激活用户 x Rn +….. 第n-1天新激活用户 x R1 关键数据假设(Assumption) • 预测DAU 1. 新用户日激活量 2. 用户留存率趋势 • 预测收入 1. 每日付费率 2. 每日付费用户ARPU 我靠，这么多假设的数据，预测能准么？ 影响预测模型可靠性的两大因素 1. 算法的细化程度与合理性 2. 数据假设与真实值的差距 优化预测模型可靠性的方式 1. 改进算法的细化程度与合理性 2. 缩小数据假设与真实值的差距 开始预测！ 请听题： 预测一款XX手机游戏在上线后两个月内的DAU和收入走势？ 回顾：预测DAU所依赖的假设 1. 新用户日激活量 2. 用户留存率趋势 新用户激活量的假设 • 影响用户激活量的因素 – 不同的安装渠道带来的用户量不同 – 每个渠道的接入时间和推广期不同 – 广告（物料）和营销期带来效果不同 – 特殊节假日影响 – 周末效应 – 其他因素 新用户激活量的假设 • 影响用户激活量的因素 – 不同的安装渠道带来的用户量不同 – 每个渠道的接入时间和推广期不同 – 广告（物料）和营销期带来效果不同 – 特殊节假日影响 – 周末效应 – 其他因素 在“基础预测模型”中，我们只考虑前两个主要因素 Step 1: 建立新用户激活量假设 不同渠道的激活量独立进行预测 不同渠道的接入时间不同 Step 1: 建立新用户激活量假设 360渠道上线 推广期开始 稳定推广期 推广期结束 用户留存趋势的假设 • 影响用户留存的因素 – 游戏自身属性 – 不同的安装渠道用户留存不同 – 推广期和非推广期用户留存不同 – 特殊节假日影响 – 周末效应 – 活动影响等因素 用户留存趋势的假设 • 影响用户留存的因素 – 游戏自身属性 – 不同的安装渠道用户留存不同 – 推广期和非推广期用户留存不同 – 特殊节假日影响 – 周末效应 – 活动影响等因素 在“基础预测模型”中，我们只考虑前两个主要因素 Step 2: 建立用户留存趋势假设 不同渠道的留存趋势独立进行预测 不同阶段的留存预测使用不同的下降率 完成假设！ 1. 新用户日激活量 ✔ 2. 用户留存率趋势 ✔ Step 3: 建立“用户回流”矩阵 用户安装日期和安装量 用户回流日期 10/8激活的用户在10/9回归的数量 DAU9=Sum(ColumnD9) Step 3: 建立“用户回流”矩阵 • 计算X日激活的用户在Y日的回流数 – If(YX) • Return 0; – Else • Return – 渠道A在X天的安装量 * 渠道A第(Y-X)天的留存率 ＋ – 渠道B在X天的安装量 * 渠道B第(Y-X)天的留存率 ＋ – 渠道C在X天的安装量 * 渠道C第(Y-X)天的留存率 ＋ – …. 安装量假设表 留存率假设表 Step 3: 建立“用户回流”矩阵 • 完成“用户回流”矩阵 Step 4: 完成DAU预测 Step 5: 完成收入预测 * 这里严重简化了“每日付费率”和“付费用户ARPU”的假设算法 Step 6: Data for Fun！ • 为模型添加输出和一些有趣的系数 • 调整系数并观察输出 Med-term Return Rate = 0.92 Med-term Return Rate = 0.89 Show Time! Demo 课后作业 如何优化我们的预测模型？ 回顾：优化预测模型的方式 1. 改进算法的细化程度与合理性 2. 缩小数据假设与真实值的差距 部分优化思路 • 数据校准 – 将实际安装量和留存作为参数输入模型以便对当前预测结果进行“校准” • 改进算法 – 在进行假设时，引入日付费率和日付费ARPU随时间变化的因素 – 将活动（拉收入、拉活跃）因素纳入考虑 – 周末效应和特殊节假日影响 扩展话题：收入预测的其他方案 • 基于LTV的收入预测 – LTV（Life-Time-Value，用户生命期价值）用于衡量每个用户在生命周期（从安装到流失）内所贡献的平均收入 – 基于LTV拟合进行收入预测的优劣 • 优势1：无需进行留存假设 • 优势2：基于实际数据使得短期预估更准确 • 劣势1：基于实际数据所造成的滞后性 • 劣势2：埋藏了过多细节，对产品改进的帮助小 恭喜习得技能“未卜先知 Lv1”！ Any Questions?