中國(guó)傳媒大學(xué)南廣學(xué)院 周 靈

要進(jìn)行電競(jìng)游戲的數(shù)據(jù)分析，掌握模型和方法論是關(guān)鍵。方法論是解決若干業(yè)務(wù)問(wèn)題而抽象的思路，是基礎(chǔ)的解題模式。目前業(yè)界常借鑒TalkingData提出的AARRR方法論，這種模型著眼于用戶的生命周期，選擇投入回報(bào)作為目標(biāo)。本文就AARRR模型進(jìn)行解讀和分析，討論電競(jìng)游戲數(shù)據(jù)分析的方法問(wèn)題。

一、AARRR模型概述

AARRR（Acquisition、Activation、Retention、Revenue、Refer）所包含的各個(gè)要素分別對(duì)應(yīng)一款電競(jìng)游戲的用戶生命周期的5個(gè)重要過(guò)程，即從獲取用戶（Acquisition）、提升活躍度（Activation）、提升留存率（Retention）、獲取收入（Revenue）直至最后形成自傳播（Refer）的整個(gè)流程。

AARRR模型串聯(lián)了用戶轉(zhuǎn)化、運(yùn)營(yíng)階段和指標(biāo)體系的內(nèi)容，形成一套完整的分析方法，從而在營(yíng)銷和優(yōu)化運(yùn)營(yíng)等方面發(fā)揮顯著作用。

這里采用AARRR模型，明確指出了移動(dòng)電競(jìng)游戲運(yùn)營(yíng)的兩個(gè)核心點(diǎn)：

（1）以用戶為中心，以完整的用戶生命周期為線索；

（2）把控產(chǎn)品整體的成本/收入關(guān)系，當(dāng)用戶生命周期價(jià)值（LTV）遠(yuǎn)大于用戶獲取成本（CAC），就意味著產(chǎn)品運(yùn)營(yíng)的成功。

（一）獲取用戶（Acquisition）

獲取用戶（Acquisition）這個(gè)階段的主要工作是：（1）通過(guò)各種推廣渠道，以各種方式獲取目標(biāo)用戶；（2）從時(shí)間、地域、版本、推廣渠道等不同維度來(lái)拆解分析新增用戶、用戶總數(shù)及用戶增長(zhǎng)率，組合各種維度來(lái)分析各種營(yíng)銷渠道的用戶獲取的效果以及目標(biāo)用戶分布；（3）對(duì)各種營(yíng)銷渠道的效果進(jìn)行評(píng)估，從而確定更加優(yōu)化合理的投入策略，最小化用戶獲取成本（CAC）。

傳統(tǒng)意義上的粗獷的電競(jìng)游戲數(shù)據(jù)分析和運(yùn)營(yíng)往往只關(guān)注用戶數(shù)量這個(gè)層次，而實(shí)際上除了關(guān)注用戶數(shù)量之外，用戶的質(zhì)量對(duì)于運(yùn)營(yíng)者而言更為關(guān)鍵。AARRR模型旨在給出更精細(xì)化的數(shù)據(jù)運(yùn)營(yíng)方法，其目標(biāo)是使得用戶生命周期價(jià)值（LTV）遠(yuǎn)大于用戶獲取成本（CAC）。因此，AARRR模型體系將重心從成本轉(zhuǎn)向價(jià)值，著重給出移動(dòng)電競(jìng)游戲在提升用戶生命周期價(jià)值的過(guò)程中應(yīng)當(dāng)關(guān)注的更重要指標(biāo)。也就是說(shuō)，在投入成本獲取用戶后需要著重關(guān)注和提升用戶在整個(gè)生命周期中所創(chuàng)造的實(shí)際收入價(jià)值，從而確保獲得最大的投資回報(bào)率（ROI）。

（二）提升活躍度（Activation）

提升活躍度（Activation）階段是指新增用戶經(jīng)過(guò)沉淀轉(zhuǎn)化為活躍（Activation）用戶。如果活躍用戶的絕對(duì)數(shù)量較低，或活躍用戶相對(duì)于總用戶數(shù)量的比例較低，則說(shuō)明用戶的質(zhì)量不高，應(yīng)結(jié)合渠道等維度深入分析目標(biāo)用戶群是否準(zhǔn)確或者深入分析產(chǎn)品使用是否存在問(wèn)題。

能否提高活躍度的一個(gè)重要因素是電競(jìng)游戲產(chǎn)品推廣渠道的質(zhì)量。選擇了好的推廣渠道就能有針對(duì)性地圈定目標(biāo)人群，帶來(lái)的用戶群和游戲開(kāi)發(fā)時(shí)設(shè)定的目標(biāo)人群存在較大吻合度，這樣的用戶通常比較容易成為活躍用戶。此外，挑選推廣渠道時(shí)一定要先分析受眾人群。如果推廣渠道不佳，帶來(lái)的是大量的一次性用戶，嚴(yán)格意義上說(shuō)，這種用戶不能算是真正的用戶。雖然這部分用戶也屬于活躍用戶，但絕大多數(shù)一次性用戶都是無(wú)效的，無(wú)法創(chuàng)造任何價(jià)值。

能否提高活躍度（Activation）的另一個(gè)重要的因素是電競(jìng)游戲產(chǎn)品本身是否能在最初使用的幾十秒鐘內(nèi)抓住用戶。游戲的界面效果、啟動(dòng)加載時(shí)間、交互操作體驗(yàn)、用戶引導(dǎo)等因素都將對(duì)電競(jìng)用戶的活躍度產(chǎn)生直接影響。

（三）提高留存率（Retention）

留存率（Retention）是衡量用戶粘性和用戶質(zhì)量的指標(biāo)。通常保留一個(gè)老客戶的成本遠(yuǎn)低于獲取一個(gè)新客戶的成本。開(kāi)拓新用戶的同時(shí)常常有大量用戶流失，解決這個(gè)問(wèn)題首先需要通過(guò)日留存率、周留存率、月留存率等指標(biāo)監(jiān)控應(yīng)用的用戶流失情況，并采取相應(yīng)的手段在用戶流失之前，激勵(lì)這些用戶繼續(xù)游戲。

（四）獲取收入（Revenue）

獲取收入（Revenue）是移動(dòng)電競(jìng)游戲運(yùn)營(yíng)最核心的一塊。收入有很多種來(lái)源，主要的形式有三種：有付費(fèi)應(yīng)用、應(yīng)用內(nèi)付費(fèi)以及廣告付費(fèi)。無(wú)論是哪一種來(lái)源，收入都直接或間接來(lái)自電競(jìng)游戲用戶。前面提到的提高活躍度和提高留存率是獲取收入必需的基礎(chǔ)。從移動(dòng)電競(jìng)游戲的角度來(lái)看，付費(fèi)轉(zhuǎn)化的設(shè)計(jì)和收益能力不單單是具備海量的用戶則就可以解決的，所以收入分析需要結(jié)合更多的數(shù)據(jù)來(lái)完成。

（五）自傳播（Refer）

社交網(wǎng)絡(luò)的興起使得電競(jìng)游戲的運(yùn)營(yíng)增加了一個(gè)可觀的途徑，也稱為基于社交網(wǎng)絡(luò)的自傳播或“病毒式傳播”。這種途徑不僅成本低，而且有可能達(dá)到較好的運(yùn)營(yíng)效果。從自傳播（Refer）到再次獲取新用戶，移動(dòng)電競(jìng)游戲的運(yùn)營(yíng)形成的是一個(gè)螺旋式上升的路徑。高質(zhì)量的電競(jìng)游戲能很好地利用這個(gè)途徑，不斷擴(kuò)大用戶群體，經(jīng)歷了種子用戶的傳播后，會(huì)逐漸影響到更多的用戶，并形成群體，進(jìn)而會(huì)借助微信、渠道榜單等迅速擴(kuò)散開(kāi)來(lái)，贏得更多用戶的關(guān)注，獲取更多的自然用戶，即非推廣的用戶群。

二、AARRR模型的全局作用

基于以上，AARRR模型著重解決三個(gè)問(wèn)題，能夠完成用戶的獲取，并最終轉(zhuǎn)化為游戲用戶，需要數(shù)據(jù)衡量數(shù)量。要實(shí)現(xiàn)真正留下用戶，產(chǎn)品的體驗(yàn)、內(nèi)容、玩法則是根本，需要數(shù)據(jù)衡量質(zhì)量。如果從AARRR模型的轉(zhuǎn)化關(guān)系來(lái)說(shuō)，解決這三個(gè)問(wèn)題就是回答用戶從何而來(lái)，是否喜歡游戲，留下來(lái)多少用戶，多少用戶為此而付費(fèi)，是否具有較高的傳播價(jià)值等問(wèn)題。這幾個(gè)問(wèn)題是一個(gè)優(yōu)秀的電競(jìng)游戲產(chǎn)品走向成功所要必須回答的問(wèn)題。

放眼整個(gè)游戲業(yè)務(wù)，數(shù)據(jù)分析起到橋梁的作用，在游戲研發(fā)、營(yíng)銷、運(yùn)營(yíng)等關(guān)鍵節(jié)點(diǎn)上，電競(jìng)游戲的數(shù)據(jù)分析都將有所衡量和提供決策支持。

[1]胡燕清,周進(jìn)艷,徐孝娜．?dāng)?shù)據(jù)挖掘在移動(dòng)用戶行為分析系統(tǒng)中的應(yīng)用[J]．現(xiàn)代電信科技,2013(1)∶86-89．

[2]Pang Ningtan,Michael Steinbach,Vipin Kumar．?dāng)?shù)據(jù)挖掘(完整版)[M]．范明,范宏建,等譯．人民郵電出版社,2012∶3-4．

[3]陳苗,陳華平．基于Hadoop的Web日志挖掘[J]．計(jì)算機(jī)工程,2011,37(11)∶37-39．

[4]劉世平．?dāng)?shù)據(jù)挖掘技術(shù)及應(yīng)用[M]．北京∶高等教育出版,2010,7．

[5]Solomon M R,Dahl D W,White K,et al．Consumer behavior∶buying,having,and being．Prentice Hall Upper Saddle River,NJ,2014．

[6]LIU Zhong．A data mining structure platform of BSCM[J]．Journal of communication and computer,2011,12(3)∶150-154．