第六章 预订用户转化率的预估
前面我们了解到,在产品的发行预热期阶段,往往会分析预订用户、预估预订用户转化率和分析竞品,并简单了解了“预订用户分析”。那么,为什么需要分析并预估预订用户转化率呢?如何进行分析呢?
今天,我们继续以游戏产品为例,借助BI系统DataFocus来简单了解下产品发行预热期阶段的“预估预订用户转化率”。
6.1. 分析原因
在预热阶段预订游戏的用户,在游戏公测后会继续登录游戏吗?会有多少用户进入游戏,用户转化率是多少?公测时需要准备最低承载日活跃多少人的服务器呢?因此,我们需要对预订用户的转化率做一个预估。
6.2. 分析方法
新产品的转化率,主要通过历史其它产品的预订用户转化率与新产品的预订用户量来预估。对于游戏产品的预估,尽量选择与其预订量接近且游戏类型相似的游戏;若两款游戏差异较大,可以采用相关的分析方法,找到预订量和转化率之间的规律,再以此作为参考。
6.3. 分析内容及流程
我们接下来借助DataFoucs系统,对一款预订量接近新产品且游戏类型与新产品相似的历史游戏进行分析,数据可从用户预订的数据和公司内其他游戏的登录和付费数据中获得。
6.3.1.用户预定时间分布
查看历史游戏预热期每月的用户预订量。
我们使用DataFoucs的关键词“每月”进行搜索分析,设置成柱状图并给预订量较大的柱设置一下特殊颜色。
![《游戏数据分析实践》图表6.1
用户预订时间分布](/images/4/41/《游戏数据分析实践》_图26.png)
可以看到,这款产品从2018年2月开始预订,预热周期历时13个月。在开测前的2018年10月至2018年12月期间总预订量较大,主要是受市场预热活动影响 。
6.3.2.预定且登录用户的预定时间分布
将预订用户的账号与产品公测后的登录日志关联,获得预订且登录人数,并计算预订且登录人数占预订量的比例情况。
![《游戏数据分析实践》图表 6.2
时间分布](/images/6/63/《游戏数据分析实践》_图27.png)
从中可以看到,前期登录比例相对平稳;在2018年10—2018年12月,随着投放市场费和封测节点,虽然预订量急剧上升但转化率并不高,说明通过市场投放带来的预订用户没有自然预订用户的质量高。
6.3.3.预订用户首次登陆时间分布
同样,将预订用户的账号与产品公测后截至2020年4月的登录日志关联,获取预订用户首次登录的时间与登录人数。
在DataFocus中使用关键词和列名搜索分析出每月的预订用户登录人数,绘制成如下柱状图,并设置数据标签,即可直接显示出预订用户登录占比情况。
![《游戏数据分析实践》图表6.1预订用户登录情况](/images/a/af/《游戏数据分析实践》_图28.png)
![《游戏数据分析实践》图表 6.2
预订用户首次登录时间分布](/images/7/74/《游戏数据分析实践》_图29.png)
从图中可以看到,这款游戏在公测首月登录了71.34%预订用户,登录比例最高,在第2月登录了11.2%,约18%的用户在其余12个月登录。
6.3.4. 预订用户登录游戏比例
最后,通过公测期登录游戏的用户数和用户预订总量,计算该游戏产品预订用户登录游戏比例。
![《游戏数据分析实践》图表 6.3
预订且登录用户占比](/images/1/1e/《游戏数据分析实践》_图30.png)
从上述分析可知:
用户预订数量受市场预热活动影响较大,在没有市场预热的前提下,用户登录比例会相对平稳,预订量大时登录比例下降;预订且登录用户占比9.17%,登录的预订用户中约70%会在公测首月登录。
6.3.5. 推测
在游戏类型和预订量相近的前提下,根据这款历史游戏的预订且登录用户占比,推测新产品的预订用户转化率约为9%,结合新游戏的用户累计预订量,即可预估约有多少用户会在游戏公测后登录游戏。
一项简单的“预估游戏产品预订用户转化率”就介绍到这里,后面,我们将继续借助DataFocus系统来介绍产品发行预热期的“竞品分析”。