游戲數據分析應避免‘辛普森悖論’

0 評論 10946 瀏覽 11 收藏 5 分鐘

GameLook報道/“辛普森悖論”(Simpson’s paradox)指的是在人們嘗試探究兩種變量是否具有相關性的研究中,在某些前提下有時會產生的一種現象。也就是說,該理論認為在分組比較中都占優勢的一方,會在總評中反而是失勢的一方。辛普森悖論主要是由于一些所謂“復雜變量”的影響,其弊端是沒有對各個元素進行細化分析。

比如說,如果一個移動應用的用戶組成是1萬人用Android設備、5000人使用iOS設備,那么整體的付費轉化率應該是5%,其中iOS設備的轉化率為4%,而Android設備則是5.5%。如果在同等貨幣化效率的前提下,(也就是說Android用戶和iOS用戶消費一樣多),一個資源渠道有限的產品經理就可能會根據這個數據做出很夸張的決定,或許會有限選擇Android平臺研發,甚至會取消iOS研發。

然而,當把這個數據分開來看,就會出現不同的結果:

我們都知道iOS平板的付費轉化率比Android平板高出很多,而且iOS智能機的轉化率也相對更好。了解了這些,產品經理或許會對未來的產品決策進行重新衡量。這種情況下,設備類型就是復雜變量:如果數據是根據設備類型得到,那么其他的數據就可能被完全忽略。在具體設備方面,iOS的付費轉化率可以完全擊敗Android,但在整體上卻低于Android的主要原因是,兩個平臺的設備類型表現不同:平板的轉化率高于智能機,總體上來講,iOS設備的轉化率低于Android總體設備的轉化率,盡管Android平板的轉化率更低。

iOS和Android整體付費轉化率(上)和具體設備轉換率(下)比較的結果差異

造成這樣差別的原因如下:

用戶量:免費產品需要很大的用戶量才能獲得足夠的總收入,因為該模式的轉化率極低。而這些用戶通常來自全球各個地區,使用各種不同類型的設備。針對不同的設備類型采用通用的平均值是沒有意義的。

LTV范圍:免費產品需要很長的貨幣化周期,把用戶消費當作玩家是否開心的依據,就像參與度和消費緊密相關一樣,因此可以作為分類的標準。

大多數的用戶是不會付費的。免費產品的綜合付費轉化率比較低是因為把付費玩家和非付費玩家綜合到了一起,所以任何對免費用戶的衡量都是非常低的。因為大多數的用戶是不付費的,所以ARPU以及ARPPU相差很多。

避免辛普森悖論的關鍵是要對反映兩種不同用戶之間的事實進行參考。用戶劃分在數據分析中是非常重要的,尤其是在免費產品當中,平均用戶不僅不存在,而且是誤導研發的因素之一。在一個具體的產品中,普世型的數據是沒有多大參考意義的。

但用戶分類并不只是在考慮產品研發路線的時候重要,如果一個游戲功能優先考慮最有價值和參與度最高當用戶,因此這樣的結論不僅是錯誤的,還會帶來很多錯誤的用戶。因此在產品做決策的時候需要考慮以下幾點:定位(國家和地區);設備(平臺、設備類型);獲取渠道;用戶早期行為(比如貨幣化或者參與度數據);進入游戲時間(控制季節性因素)。對于一些獲取渠道來說,比如Facebook,其他數據也可以進行參考,比如年齡、性別等等。

和簡單的把iOS與Android的比較數據相比,參考了這些因素的數據分析更加可靠。根本上來說,數據分析是為了提高用戶使用的產品,如果分析采取的數據是錯誤的,那么真正的用戶群是不會買賬的。

FROM?GameLook

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 目前還沒評論,等你發揮!