You are on page 1of 24

移动游戏运营数据分析指标白皮书

Mobile Game Operation Metrics White Paper


关于北京腾云天下科技有限公司
北京腾云天下科技有限公司是一家以大数据处理和数据挖掘技术见长的技
术创业公司。创始团队主要成员来自于 Oracle、IBM、HP 等公司,长期从事分
布式架构、海量数据处理、数据挖掘等方面研究,同时具有丰富的移动应用开发
和运营经验。主推产品是 TalkingData 移动应用统计分析平台 (www.talkingdata.
net), 以 及 面 向 iOS 的 多 渠 道 推 广 效 果 评 估 服 务 系 统 AppCPA(www.appcpa.
co)。

TalkingData Analytics
TalkingData 是一个面向移动互联网应用,专业的第三方数
据统计分析平台。
该平台的目标客户是移动应用开发者。具体使用的人员主要
是产品运营人员和市场推广人员。
产品运营人员可以借助 TalkingData 分析最终用户的使用习
惯,进一步优化产品设计和运营手段。
市场推广人员则可以借助 TalkingData 研究增长趋势、分析
渠道质量、降低用户获取成本。
该平台自 2012 年 2 月正式上线,目前覆盖独立设备超过
5000 万,日处理会话超过 2 亿次。
C 目录
Content

引言
Introduction 2

用户获取
Acquisition 3

用户活跃
Activation
4

留存 & 流失
Retention&Churn 7

游戏收入
Revenue 9

后记
Postscript 12

附录
Appendix 13
Introduction

I 引言

Introduction

2
移动游戏运营数据分析指标

TalkingData 在 2012 年 2 月 就 提 出 了 一 套 专
门 针 对 移 动 应 用 数 据 化 运 营 的 数 据 分 析、 挖 掘 模
型,即 AARRR 数据运营模型。相对于移动应用而
言,移动游戏与玩家之间的互动更多,对玩家的行
为分析需求更强烈。同时,移动游戏与传统游戏相
比又有较大不同,其“应用”气质更为强烈。传统
游戏的数据运营手段,并不能完全满足移动游戏的
运营需求。在此前提之下,专门针对移动互联网提
出的数据运营模型更符合移动游戏这一特殊领域
的实际需求。

然而,仅有数据模型还不够。有了好的分析方
法,还需要正确的数据指标、维度的支撑,才能完
成对数据的分析、挖掘。目前移动游戏业内对于移
动游戏数据分析指标的定义,存在很大的分歧和误
区。往往一项数据指标的名称虽然相同,但统计方
法、计算方法却有较大的差异。可以说,目前移动
游戏数据分析领域的指标定义并不统一。这种数据
指标定义上的混乱,给移动游戏运营人员带来了不
小的麻烦。

首先是沟通上的障碍,错误的定义让沟通效率
极低,往往为一条指标的定义就要浪费大量的时间
反复争论、验证;其次错误的指标定义,会产生错
误的分析结果,进而影响运营层面、产品改进方面
的决策。当然,最重要的一点就是错误的指标定义
让行业内 Benchmark 成了空谈,没有任何参考价值。

TalkingData 本次推出的《移动游戏运营数据
分析指标白皮书》,旨在规范行业数据指标定义。
所有数据指标的定义按照国际规范重新梳理,并且
对传统游戏运营数据分析方法中的常用指标进行
调整,使之更适合移动游戏这一新领域。统一的数
据分析指标,有助于运营人员理解、分析用户行为,
改进产品,制定运营策略,让数据化运营更有效率。
用户获取
Acquisition
1 用户获取

用户获取
Acquisition

Daily New Users 日新登用户数 3


DNU

移动游戏运营数据分析指标
T 定义术语
erminology A解决问题
nswered Question

每日注册并登录游戏的用户数。 渠道贡献的新用户份额情况;
宏观走势,是否需要进行投放;
是否存在渠道作弊行为。

R备注
emark

周新登用户数为本周 7 天日新登用户数累计之和;
月新登用户数计算同上。
根据需要,可细分为自然增长用户 [ 非推广期 ] 和推广用户 [ 推广期 ]

Daily One Session Users 日一次会话用户数


DOSU
T 定义术语
erminology A解决问题
nswered Question

一次会话用户,即新登用户中只 推广渠道是否有刷量作弊行为;
有一次会话,且会话时长低于规 渠道推广质量是否合格;
定阈值。 用户导入是否存在障碍点 , 如:网
络状况、加载时间等。

R备注
emark

周一次会话用户数为本周 7 天日一次会话用户数累计之和;
月一次会话用户数计算同上;
游戏引导设计分析点之一 ;
DOSU 有助于评估新登用户质量,进一步分析则需要定义活跃用户的月一次
会话用户数。
Acquisition

Customer Acquisition Cost 用户获取成本


用户获取

CAC

T 定义术语
erminology A解决问题
nswered Question

4 CAC=Promotion Cost ÷ Valid 获取有效新登用户的成本是多少;


New Users 如何选择正确的渠道优化投放;
移动游戏运营数据分析指标

渠道推广成本是多少。
Promotion Cost: 推广成本
Valid New Users: 有效新登用户

R备注
emark

CAC 计算要根据渠道来进行细分;
CAC By Channel=Promotion Cost÷ Valid Channel New Users。

2 用户活跃
Activation

Daily Active Users 日活跃用户数


DAU
T 定义术语
erminology A解决问题
nswered Question

每日登录过游戏的用户数 游戏的核心用户规模是多少;
游戏产品周期变化趋势衡量;
游戏产品老用户流失与活跃情况;
渠道活跃用户生存周期;
游戏产品的粘性如何[与MAU结合]。

R备注
emark

DAU 对于核心用户规模的衡量需要谨慎对待新登用户和回流用户在 DAU 中的


变化情况,具体需要依据详细的 DAU 细分才能够了解用户规模和质量;
DAU 计算是去重的。
用户获取
Activation
Weekly Active Users 周活跃用户数

用户活跃
WAU

T 定义术语
erminology A解决问题
nswered Question

截止当日,最近一周 [ 含当日的 7 天 ] 游戏的周期用户规模是多少;


5

移动游戏运营数据分析指标
登录过游戏的用户数,一般按照自 游戏产品周期性 [ 每周 ] 变化趋势
然周进行计算。 衡量。

R备注
emark

WAU 按照周作为一个周期来分析用户规模,利于在不同活跃用户规模的维
度上发现问题和掌握游戏用户规模的波动;
WAU 计算是去重的,常规按照自然周进行计算。

Monthly Active Users 月活跃用户数 [


MAU

T定义术语
erminology A解决问题
nswered Question

截止当日,最近一个月 [ 含当日的 游戏的总体用户规模是多少;


30 天 ] 登录过游戏的用户数,一般 游戏产品用户规模稳定性;
按照自然月计算。 推广效果评估;
游戏产品的粘性如何 [ 与 DAU 结合 ]。

R 备注
emark

MAU 层级的用户规模变化相对较小,能够表现用户规模的稳定性,但是某个
时期的推广和版本更新对 MAU 的影响也可能比较明显。
此外游戏生命周期处于不同时期,MAU 的变化和稳定性也是不同的;
MAU 计算是去重的,常规按照自然月进行计算。
Activation

Daily Engagement Count 日参与次数


用户活跃

DEC

T 定义术语 A解决问题
nswered Question
6
erminology

用户对移动游戏的使用记为一次参 衡量用户粘性 [ 日平均参与次数 ];


移动游戏运营数据分析指标

与,即日参与次数就是用户每日对 什么渠道,什么用户参与频率较高;
游戏的参与总次数。 用户对产品参与频率是什么样的。

R 备注
emark

一般建议 30 秒内重复开启记录为一次完整使用,不单独计量;
周参与次数为用户一周对游戏的参与总量;
月参与次数同上;
日平均参与次数:该日平均每用户参与游戏次数。
计算公式:日参与次数 ÷ 日参与用户数;
通过对不同参与次数的分布分析,可帮助分析版本更新影响,推广渠道刺激。

Daily Avg. Online Time 日均使用时长 [


DAOT/AT

T 定义术语
erminology A解决问题
nswered Question

活跃用户平均每日在线时长。 用户的游戏参与怎么样;
即:日总在线时长 ÷ 日活跃用户数。 产品质量把控指标;
一般的粗略计算公式: 渠道质量如何;
AT=ACU×24÷DAU。 与单次使用时长结合分析留存和流
失问题;
用户持续游戏能力如何。
R备注
emark

平均单次使用时长:一定时间内,用户平均每次游戏使用的多长时间 = 时间内
用户总使用时长 ÷ 参与次数;
帮助分析作弊行为,版本粘性和效果;
根据需要,可以观察用户每周,双周,月的平均使用时长情况,了解游戏的粘性。
Retention&Churn
用户获取
DAU/MAU 用户活跃度

留存 & 流失
DAU/MAU

TDAU/MAU
定义术语
erminology A解决问题
nswered Question
7
用户的游戏参与度如何;

移动游戏运营数据分析指标
游戏人气是增长、衰退、稳定;
用户活跃天数如何。

R 备注
emark

DAU/MAU 理论不低于 0.2,0.2×30=6 天,即用户登录次数不少于 6 天。

3 留存 & 流失
Retention&Churn

Users Retention 用户留存

T 定义术语
erminology

统计时间区间内,新登用户在随后不同时期的登录使用情况。

次日留存率 [ Day 1 Retention Ratio]:


日新登用户在次日 ( 不含首次登录当天 ) 登录的用户数占新登用户比例。

三日留存率 [ Day 3 Retention Ratio]:


日新登用户在第三日 ( 不含首次登录当天 ) 登录用户数占新登用户比例。

七日留存率 [ Day 7 Retention Ratio]:


日新登用户在第七日 ( 不含首次登录当天 ) 登录用户数占新登用户比例。

月留存率 [ Day 30 Retention Ratio]:


日新登用户在第三十日 ( 不含首次登录当天 ) 登录用户数占新登用户比例。

留存率需要进行长期跟踪,根据需要可设定 30 日、60 日或者 90 日。


Retention&Chrun

A解决问题 R备注
留存 & 流失

nswered Question emark

用户对于游戏的适应性如何; 留存率一定意义上代表了新登用户
评估渠道用户质量; 对游戏的满意度;
投放渠道效果评估; 关注留存率的同时需要关注用户流
用户对于游戏的粘性如何; 失节点;
8 新登用户什么时期流失会加剧。 留存率的统计和计算也可以按照自
然周和自然月进行分析,例如上周
移动游戏运营数据分析指标

新登用户在随后的几周的留存情况
分析;
次日留存率代表了游戏满意度,主
要反映游戏初期新手对于游戏引导
和玩法的适应性。

Users Churn 用户流失


T 定义术语
erminology

统计时间区间内,用户在不同时期离开游戏的情况。

日流失率 [ Day 1 Churn Ratio]:
统计日登录游戏,但随后七日未登录游戏的用户占统计日活跃用户比例,此
定义按需求可延长观测长度,见备注;

周流失率 [ Day 7 Churn Ratio]:


上周登录过游戏,但本周未登录游戏的用户占上周周活跃用户比例;

月流失率 [ Day 30 Churn Ratio]:


上个月登录过游戏,但本月未登录过游戏的用户占上个月月活跃用户比例;

A解决问题
nswered Question R备注
emark

活跃用户的生命周期是多少; 流失率 + 留存率≠ 100%,此处留


哪一个渠道的流失率比较高; 存率遵循上文定义标准;
拉动收入的运营手段,版本更新对 日流失率的定义可以根据需求进行
于用户的流失影响是多大; 调整,比如统计当日登录游戏,但
什么时期的流失率比较高。 随后 14 日或者 30 日未登录游戏的
用户数;
流失率在游戏进入稳定期是值得关
注的,稳定期的活跃和收入都比较
理想,如果流失率波动较大,就需
要引起警惕。需要仔细关注是哪一
部分用户离开了游戏,流失率作为
一个风向标,具有预警作用。
用户获取
Revenue
4

游戏收入
游戏收入
Revenue
9

移动游戏运营数据分析指标
目前移动游戏创造收入有三种形态:

付费下载
应用内广告
应用内付费

此处重点考虑第三种情况进行指标定义,以下描述不分开描述充
值和消费,仅以付费统称。

Monthly Payment Ratio 月付费率


MPR

T 定义术语
erminology A解决问题
nswered Question

统计时间区间内,付费用户占活跃 游戏产品的付费引导是否合
用户的比例。一般以月计。 理;
用户付费倾向与意愿 [ 需结合首次
计算公式: 付费功能、道具、等级,整体分析 ];
MPR=APA÷MAU 付费转化是否达到预期效果。
其中 APA 为月付费用户数 [ 见下文 ]

R 备注
emark

MPR 包含历史付费用户在统计时间区间内再次付费的用户以及在统计时间区
间内新转化为付费的用户;
MPR 的高低并不一定代表游戏付费用户的增加或者减少;
游戏类型的不同,相应的 MPR 表现也是不同的。
Revenue

Active Payment Account 活跃付费用户数


游戏收入

APA

T 定义术语
erminology A解决问题
nswered Question

10 统计时间区间内,成功付费的用户 游戏产品的付费用户规模如何;
数。一般以月计。 APA 如何构成?如鲸鱼用户、海豚
移动游戏运营数据分析指标

如 果 按 照 月 进 行 计 算, 则 有 以 下 用户、小鱼用户的比例;
关系: 付费用户的整体稳定性如何。

APA=MAU×MPR
其中 MAU 为月活跃用户数,MPR
为月付费率。

R备注
emark

APA 包含历史付费用户在统计时间区间内再次付费的用户以及在统计时间区间
内新转化为付费的用户;
APA 根据需求可细分为充值活跃用户和消费活跃用户。
APA 的计算是去重的。

Average Revenue per User 平均每用户收入


ARPU
T 定义术语
erminology

统计时间区间内,活跃用户对游戏产生的平均收入。一般以月计。
ARPU=Revenue÷Players
Monthly ARPU=Revenue÷MAU

计算方式:游戏总收入除以游戏的总活跃用户数,一般按照月来计算,即
ARPU= 月总收入 ÷ 月活跃用户数 [MAU]

A解决问题
nswered Question
R备注
emark

不同渠道获取的用户质量如何; 严格定义的 ARPU 不同于国内认识


游戏收益贡献如何; 的 ARPU, 国 内 ARPU= 总 收 入 ÷
游戏活跃用户与人均贡献的关系; 付费用户数;
游戏人均收益水平如何。 ARPU 用于产品定位初期不同规模
下的收入预估。
用户获取
Revenue
Average Revenue per Paying User 平均每付费用户收入

游戏收入
ARPPU
T 定义术语
erminology

统计时间区间内,付费用户对游戏产生的平均收入。一般以月计。
ARPPU=Revenue÷Paying Users 11
Monthly ARPPU=Revenue÷APA

移动游戏运营数据分析指标

计算方式:游戏总收入除以游戏的活跃付费用户数,一般按照月来计算,即
ARPPU= 月总收入 ÷ 月活跃付费用户数 [APA]

A解决问题
nswered Question
R备注
emark

游戏付费用户平均的付费水平如何; ARPPU 容易受到鲸鱼用户、小鱼用


付费用户整体的付费趋势如何 户的影响,分析时需谨慎;
对鲸鱼用户的分析。 ARPPU 与 APA、MPR 等结合可对
付费用户的留存情况,特定付费群
体的流失进行深度分析,保证付费
质量和规模。

Life Time Value 生命周期价值


LTV
T 定义术语
erminology

生命周期 [Life Time]:一个用户从第一次参与游戏,到最后一次参与游戏之间


的时间,一般计算平均值。

生命周期价值:用户在生命周期内为该游戏创造的收入总计。可以看成是一个
长期累计的 ARPU 值。

计算方式:对每个用户的平均 LTV 计算如下:


LTV=ARPU×LT[ 按月计平均生命周期 ]
其中 LT 为 Life Time,即生命周期,按照月统计,也就是玩家留存在游戏中的
平均月的数量。
例如,一款游戏的 ARPU=¥2,LT=5,那么 LTV=2×5=¥10

A解决问题
nswered Question
R备注
emark

用户在游戏中会待多久; ARPU 遵循严格的定义术语,即总


用户对于游戏的贡献价值是多少; 收入 / 总活跃用户数;
用户群与渠道的利润贡献如何 LTV 是针对活跃用户的计算,没有
[LTV>>CAC]。 付费与非付费用户之分。
Postscript

5

后记
Postscript

12
移动游戏运营数据分析指标

以上指标仅作为游戏开发者、数据分析人员、运营人员、管理层
对游戏进行分析时参考数据指标,其细分指标的开发请依据实际需要
进行。

以上指标仅为移动游戏数据指标具有代表性的部分,在实际分析
过程中,根据分析维度,可以进行指标的深入展开,比如收入分析部
分可以加入回流用户贡献、持续付费用户贡献、付费留存用户、付费
用户流失率、二次付费分析、用户付费周期转化等等。

另外部分常用指标未详细说明,此处仅列出部分说明:

PCU[Peak Concurrent Users]:


最高同时在线玩家人数

ACU[Average Concurrent Users]:


平均同时在线玩家人数

New Users Conversion Rate:


新用户转化率 [ 可根据渠道进行划分 ]
Clicks → Install → Register → Login

K-Factor:K 因子
K-Factor= 感染率 × 转化率

转化率:当感染后转化为新用户的比率。
感染率:每个用户发送的邀请数量,一般取平均值。
若 K>1,游戏用户群通过自传播增长较快;
若 K<1,游戏用户群到达一定规模后就会停止通过自传播增长。
用户获取
Appendix
6 附录 1


Appendix


13

移动游戏运营数据分析指标
作为游戏研发和运营人员,需要定期查看数据报告,不断了解游
戏产品的状态和问题所在,及时改进产品,调整运营策略。为此,以
下将结合一些数据指标,重点介绍一下如何制作和分析数据报告。

数据报告形式

根据需要,一般周期性发布数据报告,形式有以下几种:

游戏数据日报
游戏数据周报
游戏数据月报
游戏数据季报
游戏数据年报

其中,前三种数据报告的使用频率较高,周期性较短,利于发现
问题并及时改进。

由于系统开发和数据指标设计的复杂化,我们面临的数据指标多
达几十种甚至百种,但是我们每日、每周、每月所要关注和分析的数
据是有限的,为此数据指标的运营要遵循“奥卡姆剃刀原则”即如无
必要,勿增实体,切勿浪费较多东西去做用较少的东西同样可以做好
的事情。因此,日报、周报等数据报告如果能够用尽量少的指标就能
解释和分析问题,切勿增加过多数据量化指标进行分析,耗时耗力。

限于篇幅原因,此处将以日报和周报为例介绍不同时间长度内,
该关注哪些核心数据,如何分析这些数据。
Appendix

游戏数据日报

14
移动游戏运营数据分析指标

制作目的
监控重点数据,是否存在异常情况;
了解渠道数据,实时了解渠道表现。

关注指标

用户动态

日活跃用户 [DAU]
日活跃是否波动很大,比如受到节日、推广、版本更新、事故、老用户
流失影响。

日新登用户 [DNU]
日新登是否波动很大,比如推广、事故、节日刺激。

次日留存率 [Day 1 Retention Ratio]


新登用户次日是否登录游戏,可以看出游戏是否符合用户预期,留存率
波动是否存在特殊因素,比如网络问题、运营事故、新增渠道,等等。

日均在线时长 [AT]
在线时长是否稳定,是否新用户大量倒入,例如一次性用户,导致在线
时长变低。

注 关注维度主要是昨日与前日的数据对比,同期数据表现,历史平均
水平
用户获取
Appendix


游戏收入
15

移动游戏运营数据分析指标
日充值额 [ 每日充值总金额 ]
每日充值金额的变化情况,比如充值活动、节日刺激、新道具或
者版本上线。

日充值用户数 [ 每日充值的总用户数 ]
每日充值用户数的变化情况,比如充值活动、新版本等是否拉动
充值人数变化。

注 如果需要,可以加入日消耗金额和日消耗用户数,用于观察
用户消费是否符合该时期主推的消费主题,例如 : 当季新消费点、新
消费道具。

关注维度主要是昨日与前日的对比,同期数据对比,历史水平,
历史版本对比等。

渠道情况

渠道每日充值总量
了解每天每个渠道充值总量、把握渠道收益情况。根据需要还可
关注重点渠道新增充值量。

渠道每日新用户份额
对比了解,各个渠道每日的新用户增长情况,是否存在异常,渠
道用户在推广与非推广时期的表现,版本、事故等影响范围。

渠道次日留存率
日常监控指标,对渠道用户质量衡量的标准之一。
Appendix

游戏数据周报

16
移动游戏运营数据分析指标

制作目的

了解周期性变化趋势,快速响应制定策略;
重点渠道、用户跟踪,分析转化、质量等;
周期性数据分析总结,制定下个周期计划。

关注指标

用户质量

周活跃用户 [WAU] 及历史平均 WAU


WAU 在较短一个周期内 [ 每周 ],可以快速衡量目前游戏处于极
度活跃期的用户规模,新登用户和老用户在每周的活跃是一个相对完
整的周期性循环,通过同期数据对比 [ 上周,上个月同周,去年同期 ],
有效衡量游戏用户的稳定性。

周新登用户 [WNU] 及历史平均 WNU


WNU 为该周 7 天内新登用户数累计之和,WNU 在 WAU 中所
占比例有助于帮助运营人员分析目前周活跃用户的大致结构 [ 新登为
主 or 老用户为主 ]。此外 WNU 的对比分析帮助运营人员了解目前推广、
自然增长期 [ 非推广阶段 ]、版本更新、事故、节日因素的干扰和影响,
从周期性数据的角度了解游戏的生命力。

周参与天数 [WED Weekly Engagement Day] 及历史平均 WED


周参与天数就是用户一周内有几天登录过或者参与过游戏,统计
该数据宏观了解在以周为周期的时间粒度内,用户的活跃程度,以及
具体活跃的时间 [ 比如很多的游戏用户集中活跃在周五、周六 ],有效
制定活动策略。
用户获取
Appendix


17
此外,通过用户的细分,比如新登用户、老用户、回流用户等具

移动游戏运营数据分析指标
体分析每个群体的参与习惯和来源。
有助于典型用户的寻找,例如用户一周参与天数达到某个标准,
即为忠诚用户,衡量该群体的规模以及渠道来源。

7 天 DAU&DNU 趋势数据
WAU 和 WNU 只能是了解用户的规模,以周为周期,还要了解
这一周 DAU 和 DNU 的变化趋势同时可加入上期及历史同期数据对比,
找出本周趋势变化较大的原因。同时,结合其他数据挖掘用户的上线
活跃习惯。

流动性

留存率
留存率主要可以针对新用户在本周内的表现进行分析,因为每一
周都会有相应的事件发生诸如上述的,版本、事故等等,这些因素可
能会对新用户的留存造成影响,此外渠道在这方面的影响也比较大,
留存率可作为用户周期性流动的指标予以关注。

流失率 [ 典型用户流失率 ]
在宏观层面上,我们了解流失率是针对所有流失用户的定义,此
处我们针对典型用户进行流失率的分析和控制。所谓典型用户,此处
给出一种定义就是活跃天数达到一定标准,在线时长达到一定标准的
用户,还可以根据是否付费对典型用户进行进一步的细分,确定流失
率和评估用户流动性,因为这部分用户是周活跃用户的核心群体,是
最容易产生和转化消费的群体。
Appendix

18
用户收入
移动游戏运营数据分析指标

收入部分在指标解析及日报部分有所表述,这里简单描述一下。

ARPPU&ARPU
周期性付费用户与活跃用户的人均贡献收益,帮助分析周期性调
整或者事件效果的评估。

周付费率 WPR
通过与历史数据进行对比,判断趋势,付费率是否正常。必要可
进行付费率的二度分析。

付费用户 [APA]
了解周期性的付费用户规模,长期趋势跟踪,了解游戏目前付费
设计是否符合玩家口味。

新增 APA
了解周期内新贡献的付费用户有多少,跟踪了解目前游戏的付费
潜力如何。调整策略是否奏效,营销活动是否合理。

新增 APA 贡献
了解游戏周期性收入中,核心收入贡献规模,新增 APA 的贡献
收入属于不稳定收入,确定此部分的比例,利于运营管理者有效了解
下一阶段收入走势。

APA 流失
了解目前付费用户的流失情况,有效的制定下阶段的挽留策略,
稳定收入。例如是鲸鱼用户、海豚用户还是小鱼用户流失。

渠道情况

渠道情况分析将以上重点关注部分,从渠道的角度进行分解,多
数是看渠道的份额和贡献情况。
用户获取
Appendix
6 2


附 录
Appendix


19

移动游戏运营数据分析指标
移动游戏运营模型简述

什 么 是 AARRR 模 型

TalkingData 曾针对移动应用提了一套独特的移动应用数据
化运营模型,即 AARRR 模型。而经过实践,这套模型对于移动
游戏同样有效,甚至实操效果优于移动应用。本次的白皮书中
列举的各项指标就是按照这一模型进行章节划分的。AARRR 是
Acquisition、Activation、Retention、Revenue、Refer,这个 5 个
单词的缩写,分别对应这一款移动游戏生命周期中的 5 个重要环节。

获取用户(Acquisition)

运营一款移动游戏的第一步就是获取用户。除了将游戏发
布到各种应用商店,通过用户自然增长被动获取用户外,主动
获取用户的方式有很多。应用推广是个很宽泛的概念,常见的
推广方式包括限时免费、冰点促销、广告、预装等等。获取用
户仅仅是移动游戏运营的开始。
Appendix

提高活跃度(Activation)

如何把获取到的用户转化为活跃用户,是运营者面临的

第一个问题。首先要明确游戏的目标用户群,通过分析游戏
的特点,确定目标用户,然后寻找与此吻合度较高的推广渠
20 道和推广方式。这是提高活跃用户转化率的基础。另一个重
要的因素是产品本身是否能在最初的几分钟内抓住用户。就
移动游戏运营数据分析指标

游戏而言,良好的新手引导流程是必须的,要尽快让用户了
解到游戏的核心玩法和特色。

提高留存率(Retention)

通常保留一个老客户的成本要远远低于获取一个新客户
的成本。并且用户留在游戏中一段时间后,才有可能转化为
付费用户。减少用户流失是通向付费转化、获取收入的必经
之路。明确了解流失,改进产品远比一味的开拓新用户效率
更高。通过日留存率、周留存率、月留存率等指标监控游戏
用户流失情况,并采取相应的手段在用户流失之前,激励这
些用户继续留在游戏中。

获取收入(Revenue)

获取收入是游戏运营最核心的一块。几乎没人开发一款游戏
只是纯粹出于兴趣,绝大多数开发者最关心的就是收入。收入有
很多种来源,主要的有三种:付费游戏、游戏内道具付费,以及
广告。付费应用在国内的接受程度很低,甚至 Google Play Store
在中国也只推出免费应用。目前在国内最有效的收入获取方式是
游戏内道具付费,即 IAP 模式。无论是以上哪一种,收入都直接
或间接来自用户。所以,前面所提的提高活跃度、提高留存率,
对获取收入来说,是必需的基础。

自传播(Refer)

基于社交网络的病毒式传播,已经成为获取用户的
一个新途径。这个方式的成本很低,而且效果有可能非
常好;当我们的产品质量足够好,获得了很好的口碑,
再通过游戏内设置的分享机制,喜欢这款游戏的玩家会
自发的传播这款产品。通过一些奖励机制,也可以促进
玩家分享游戏到社交网络。需要注意的是,要想获得好
的自传播效果,分享渠道的用户群特点同样十分重要。
AppCPA
AppCPA 是一套简单易用的 iOS 应用多渠道推广追
踪、效果评估系统。

基 于 TalkingData 设 备 指 纹 识 别 技 术,AppCPA 能
够在不涉及用户隐私的情况下追踪应用的点击下载过程。

该系统的目标客户是移动应用市场推广人员。

借助 AppCPA 提供的渠道管理、点击激活统计等功
能,使得通过限免推荐、广告等渠道最终引向 App Store
的下载激活得以量化。

该平台自 2012 年 6 月正式上线,目前日均统计来自


不同应用不同推广渠道的用户点击超过 100 万次。
TalkingData: www.talkingdata.net
AppCPA: www.appcpa.co
官方微博: 新浪微博 @TalkingData
客服 QQ 群: 203585475
客服邮箱: support@tendcloud.com
商务热线: 010-52458220