一
前 言
AARRR模型描述了玩家体验一款游戏的全生命周期,串联了从用户转化到用户运营到的全指标体系,形成了完整的方法论,因此运用非常广泛,本文将分为三个部分,分别是AARRR模型简要介绍、常用数据指标监控以及针对留存的案例分析。
二
模型简要介绍
Acquisition(获取用户)
运营游戏的第一步毫无疑问是获取用户,获取用户是游戏业务的投入期,游戏运营者会通过各类的渠道推广,以下是常用方式举例:
在游戏行业,游戏运营不仅仅关于渠道带来的玩家增量,同时也非常关注玩家后续的留存,付费等更加持续性的数据指标。通过对比不同渠道之间的LTV(用户生命周期总价值)和CAC(最小化用户获取成本),来决定广告投放的效果,在表现更好的渠道加大投放从而获取更大的ROI。
Activation(活跃度)
在获取用户后第二步则是激活用户体验游戏,尽可能使用户更多的体验游戏内容,参与更多的玩法。但是很多时候活跃度要结合其他的指标进行分析,如埋点,这样可以确定用户在哪个环节流失,比较重要的埋点如登入界面、创建账号、进入游戏界面、新手教程开始&结束等等。
同时渠道的质量也是非常重要的因素,很多差的渠道会带来大量的一次性用户,绝大部分一次性用户对游戏而言是没有意义的,不能创造价值。因此,好的渠道一般会与此类游戏所面对的用户群体有非常大的重合,这类用户更容易被激活进而成为活跃用户,因此推广渠道的选择不能因为对其他游戏效果好就直接进行生搬硬套。
Retention(留存)
当用户开始尝试玩游戏时,就涉及到了第三步,如何让用户尽可能的留在游戏中,怎么衡量用户粘性的指标。这是因为一般来说,留住老玩家的成本比远远低于获取新玩家的成本。留存的监控方式一般是次日留存率,周留存率,15日留存率以及30日留存率统计。虽然说一个游戏的留存率高低最重要的因素在于这个游戏是否好玩,但是也存在一些比较简单直接的方式来提高留存,如一起优诺中的通过登录多日领好礼的方式来增加用户粘性。
Revenue(收入)
当用户愿意留下来玩游戏后,就涉及到非公益性游戏最核心的部分,获取收入。总体来说,收入主要有3种类型:
付费应用:俗称买断制,一次付费获取游戏,后续不需要额外消费。
应用内付费:游戏内有商店可以通过付费获取外观、道具等商品。
广告收入:通过观看游戏内广告获得道具或者游戏时间等商品。
其实现阶段很多游戏都是混合收费制,如最近的现象级游戏永劫无间,就包含了买断制收费和商城外观收入,但是无论怎么收费,提升收入的核心都是因为用户可以通过消费来满足自己的某种需求。收入的数据指标即可以从用户整体出发衡量如ARPU、LTV等,也可以从用户的付费能力衡量如用户付费的分布,中位数、极大值等。
Refer(传播)
社交网络的兴起使得运营有了一种新的方式,就是依靠口碑进行病毒式传播,具体方式包括但不限于朋友圈分享,转载链接,渠道榜单等。如《黑神话:悟空》通过2020年和2021年的游戏实机演示视频,展示了非常高的质量,引起游戏从业者和相关媒体大量关注,从而在B站上获得上千万的播放量,使之在发售前就获取了自己大量的用户群体。
在这里引用《游戏数据分析的艺术》中的一张图来说明AARRR模型解决的问题:
1. 衡量市场营销是否靠谱:能够获取到用户,使他们下载,并成功开始游戏体验?
2. 衡量产品质量是否过硬:能够使用户持续的留在游戏中,愿意体验不同的玩法?
3. 衡量商业模式是否可行:在具备用户量和用户品质后,是否能够促进变现?
三
数据指标介绍
AARRR模型相关的数据指标是无穷无尽的,这里仅为其中比较具有代表性的部分,在实际进行分析的过程中可以根据具体情况进行调整。
绝大部分的指标非常直观,易于计算,这里只针对一些较难理解的指标进行具体讲解。
日一次会话用户数:新登录用户只有一次会话且会话时长低于规定阈值的人数,用于了解非留存用户首日的行为及比例。主要是为判定渠道的推广质量以及用户的首次体验是否有障碍点如网络状况,加载时间以及客户端崩溃等问题。
重要埋点用户数:在登入界面、创建账号、进入游戏界面、新手教程开始&结束等重要时间设置埋点,统计新用户是否完成这些埋点,从而对断崖式下跌点进行深入分析。
日流失率:统计日登录游戏,但随后7日未登录游戏的用户占统计日活跃用户的比例。流失率是游戏在进入稳定器后需要重点关注的指标,因为一般来说稳定期的游戏收益和活跃都比较稳定,如果流失率较大,就需要分析是哪部分用户离开了游戏,是否跟版本更新,平衡性调整有关等等情况。
生命周期价值:也就是LTV,代表用户在生命周期内为游戏创造的收入综合,也可以看成是长期累计的ARPU,LTV的计算公式如下所示:
其中ARPU可以以月为单位进行统计计算,LT可以通过用户第一次参与游戏到最后一次参与游戏时间的平均数计算。
K因子:用于衡量平均每个用户可以带来多少个新用户,具体的计算公式为:
假设平均每个用户会邀请10个好友,被邀请人转换为用户的比例为10%,则K=10×10%=1。
当K>1时,用户群会像滚雪球一样增大。
当K<1时,用户群到某个规模会停止自传播增长。
四
留存分析案例
留存率是转化率的一种,即由初期的不稳定的用户转化为活跃用户、稳定用户、忠诚用户的过程,随着留存率统计过程的不断延展,就能看不同时期的用户的变化情况,留存率可以理解为是用户返回游戏的概率,因此随时间的延长,这种概率一般是单调递减的。
一般来说,大部分游戏留存率的时序统计图如下所示:
初期下降比较快,随后开始逐步地趋于平稳,下一个时期就开始逐渐稳定,保持在一个水平上。于是形成了留存3个关键阶段:
震荡期:留存率变化较大,淘汰大量用户的阶段
淘汰期:筛选潜力用户的阶段
稳定器:留下来的核心用户阶段
如:玩家等级、是否体验新手教学、是否付费、游戏次数、游戏时长、是否进行某玩法的体验等等来进行卡方检验或者方差分析检验留存是否与体验新手教程有关,在此以卡方检验举例,首先构造计算表格,如下所示:
因此流失率 = 900/2100 = 3/7,可以计算出来理论值为:
卡方值的计算公式如下所示:
自由度的计算公式为:
通过查卡方表可知:
可得体验过新手教程与留存有统计学意义的相关关系,因此可以考虑通过奖励机制刺激玩家完成新手体验。
五
总 结
AARRR模型在游戏运营过程中,通过数据指标的监控起到评价游戏质量,制定营销方案的作用,在真正运用到业务层面时,可以考虑通过卡方检验或者方差分析根据游戏的震荡期、淘汰期和稳定期进行细化分析。
最后欢迎大家投递雷火UX设计部面向2022届毕业生的校招岗位
往期推荐