目前国内能拿到的数据，有野蛮时代和魔兽世界部分数据。

下面是对野蛮时代（SLG类型手机游戏）玩家在游戏40天的行为数据进行分析,这是2018年1月26日到3月6日的数据。

一 提出问题

图片来源：https://zhuanlan.zhihu.com/p/52988924

二 数据分析

2.1 新增用户分析

#总新增 increase_user=data.user_id.count() print(总新增用户：,increase_user) #总付费用户 pay_user=data.loc[data.pay_price>0,:].user_id.count() print(总付费用户:,pay_user) #付费用户占比 print(付费用户占比：,round(pay_user/increase_user*100,2),%)#每日新增用户 day_increase_user=data.groupby(date).user_id.count() #每日新增付费用户 day_increase_payuser=data[data.pay_price>0].groupby(date).user_id.count()

对上面结果提取到excal里面绘图

分析：

新增用户总体呈现下降趋势，前15天用户增加波动相对不大，但也减少了28%的新增用户。2月13日到2月21日，有两次注册的高峰期，新增用户相较之前提升了两倍，推断在这期限内应该是进行了推广活动，吸引了大量的用户来注册，但海岸付费用户占比降低了1%，并且日后每日新增用户量相较之前下降颇多。在2/13-2/21日的两次活动成功新增了大约2倍的用户，但如果为了增加付费，这次活动的效果需要进一步分析

建议：

需要精确投放广告吸引用户，优化活动设计，优化宣传渠道。适当延长活动的宣传时间，同步进行游戏的活动，提高用户留存。需要进一步对两次活动的效果进行分析

2.2 用户活跃度分析

#全部用户平均在线时长 all_user_minutes=data.avg_online_minutes.sum()/data.avg_online_minutes.count() print(全部用户平均在线时长：,round(all_user_minutes,2),分钟) #付费用户平均在线时长 pay_user=data.loc[data.pay_price>0,:] pay_minutes=pay_user.avg_online_minutes.sum()/pay_user.avg_online_minutes.count() print(付费用户平均在线时长：,round(pay_minutes,2),分钟)

全部用户平均在线10分钟，付费用户日均在线2小时，后者远远大于前者，这可能是大量用户仅仅注册了这个游戏。

首先要找到对应在线时长的上四分位数，下四分位数，中位数，最大值和最小值。

#最低在线时长 user_min_minutes=data.avg_online_minutes.min() print(用户最低在线时长：,user_min_minutes,分钟) #最高在线时长 user_max_minutes=data.avg_online_minutes.max() print(用户最高在线时长：,user_max_minutes,分钟) #其他 t1=data.avg_online_minutes.describe() print(用户日均在线时长中位数：18.3分钟) print(用户日均在线时长上四分位数：48.2分钟) print(用户日均在线时长下四分位数：5.0分钟)t2=data.avg_online_minutes.describe() print(用户最低付费：0美元) print(用户付费下四分位数：0美元) print(用户付费中位数：0美元) print(用户付费上四分位数：0美元) print(用户付费最大数：745.8美元)

分析：

25%的用户日均时长小于5分钟，这部分用户是流失用户25%的用户日均时长在5-18分钟，这部分用户最有可能流失，挽救的可能性不大，可以尝试针对这部分用户展开活动。50%的用户日均在线时长大于18分钟，25%在48分钟以上，这部分用户为忠诚用户。每日在线在18-48分钟之间的用户是有流失风险的，但可以挽留的用户，建议针对这部分用户展开活动。

活跃用户分析

假定活跃用户为用户日均在线时长为30分钟以上的用户，可知这部分用户的规模大约在25%-50%之间，靠近25%。

对比分析在活跃用户中，每日新增用户数，日活跃用户数，日付费用户数

#活跃用户数 activiy_user=data.loc[data.avg_online_minutes>30,:].groupby(date).user_id.count()

分析：对比分析全部的四个excal图表

活跃用户增长和付费用户的增长明显正相关做的两次活动，均引起了注册用户的迅速增加，但这两两次活动中，活跃用户并没有明显的增加趋势，注册用户的流失量很大，可见，这两次活动没有效果。

建议：

分析付费用户的用户画像，明白付费用户都是什么人群，对应人群精准投放推广资源。在进行活动的同时，需要游戏内同步进行相应的活动，提高导入用户的留存率。

2.3 用户付费转化率分析

#ARPU ARPU=data.pay_price.sum()/data.user_id.count() #ARPPU ARPPU=data.pay_price.sum()/data[data.pay_price>0].user_id.count() #平均付费次数 ARPU:,round(ARPPU,2), 付费玩家平均付费次数：,round(pay_count,2))

分析：玩家人均付费0.53美元，看起来玩家付费情况不是非常理想，付费玩家人均付费嫩里很高，可以优化付费体验，尽量拉大部分未付费的玩家付费。

2.4 付费行为习惯

通过对用户使用资源的分析，了解普通用户和付费用户在资源需求上的差别。

#PVP次数，主动发起的概率，赢的概率 PVP_count=data[data.pay_price==0].pvp_battle_count.mean() PVP_rating=data[data.pay_price==0].pvp_lanch_count.mean()/PVP_count PVP_win=data[data.pay_price==0].pvp_win_count.mean()/PVP_count print(未付费玩家,PVP次数：,round(PVP_count,2),PVP主动发起概率：,round(PVP_rating,2),PVP胜利概率：,round(PVP_win,2))#PVE次数，主动发起的概率，赢的概率 PVE_count=data[data.pay_price==0].pve_battle_count.mean() PVE_rating=data[data.pay_price==0].pve_lanch_count.mean()/PVE_count PVE_win=data[data.pay_price==0].pve_win_count.mean()/PVE_count print(未付费玩家,PVE次数：,round(PVE_count,2),PVE主动发起概率：,round(PVE_rating,2),PVE胜利概率：,round(PVE_win,2))#PVP次数，主动发起的概率，赢的概率 PVP_count=data[data.pay_price>0].pvp_battle_count.mean() PVP_rating=data[data.pay_price>0].pvp_lanch_count.mean()/PVP_count PVP_win=data[data.pay_price>0].pvp_win_count.mean()/PVP_count print(付费玩家,PVP次数：,round(PVP_count,2),PVP主动发起概率：,round(PVP_rating,2),PVP胜利概率：,round(PVP_win,2))#PVE次数，主动发起的概率，赢的概率 PVE_count=data[data.pay_price>0].pve_battle_count.mean() PVE_rating=data[data.pay_price>0].pve_lanch_count.mean()/PVE_count PVE_win=data[data.pay_price>0].pve_win_count.mean()/PVE_count print(付费玩家,PVE次数：,round(PVE_count,2),PVE主动发起概率：,round(PVE_rating,2),PVE胜利概率：,round(PVE_win,2))

分析：

游戏玩家普遍喜欢PVE模式，难度低于PVP模式。在PVP模式中，付费玩家的发起次数和胜率都比未付费玩家高，并且胜利超过0.34，可以考虑增加机器人，适量提高未付费玩家的游戏体验，降低流失。