简介《王者荣耀热点报告》是2017年移动游戏行业一项聚焦头部产品的专项研究报告适合产品运营、市场分析人士及移动电竞研究者参考。报告基于应用市场、渠道、运营商等多源数据结合百度指数对《王者荣耀》的覆盖率、活跃率、使用率及用户画像做了量化拆解能帮助读者快速建立移动游戏数据指标体系与用户分层认知。资源为1个PDF文件压缩包约2.9MB全文以图表和结论摘要呈现便于直接阅读与引用。目前已有98人学习下载。内容涵盖主流移动MOBA竞品对比、用户覆盖与活跃增长趋势、获取渠道偏好、直播平台活跃度以及学生族与上班族在付费和活跃行为上的差异还特别指出中小学生并非主要群体大学生占比最高并展开不同年龄段的应用偏好。对理解移动电竞崛起背景、用户行为特征及行业影响都有较直接的数据参考价值。1. 从2017年王者荣耀热点报告看移动游戏数据分析的骨架2017年6月一份名为《王者荣耀热点报告》的PDF在移动数据分析圈里流传。它用覆盖率、活跃率、使用率、TGI指数四类指标把当时用户量过亿的《王者荣耀》拆成了可以运营的人群切片学生族、上班族、中小学生、年轻白领以及他们背后的渠道偏好、直播偏好、活跃时段和城市分布。报告本身只有二十多页但口径定义和交叉分析方法构成了移动游戏数据分析的标准骨架。这份报告适合两类人读一类是做移动应用数据分析的工程师想知道用户分群与渠道归因如何落地另一类是游戏行业从业者想从指标层理解用户增长和付费行为的驱动结构。下面顺着报告中的数据定义把每个指标的计算方式、分析方法和验证边界逐层拆开。2. 覆盖率、活跃率、使用率与TGI指数报告指标口径还原2.1 三个率的分母与分子为什么覆盖率不等于渗透率报告的数据说明部分给出了三组定义。覆盖率指安装过某个应用的设备数量除以监测移动设备总数活跃率指使用过某个应用的设备数量除以监测移动设备总数使用率指活跃率除以覆盖率。这三个定义看上去相似但分母和分子的业务含义完全不同。覆盖率回答“多少设备装了”活跃率回答“多少设备在特定周期内用了”使用率回答“装了的人里有多少真的在用”。如果把安装看作拉新漏斗的第一层活跃就是第二层使用率就是安装到活跃的转化率。王者荣耀报告里提到它的覆盖率、活跃率超过时空召唤、全民超神等同类作品但使用率略逊于自由之战这句话用指标结构翻译过来就是王者荣耀的安装盘子最大但安装用户中真正产生活跃行为的转化比例不是最高的。指标分子分母业务含义覆盖率安装过某应用的设备数监测移动设备总数拉新触达与市场覆盖活跃率使用过某应用的设备数监测移动设备总数活跃规模与日活水平使用率活跃设备数安装设备数安装到活跃的转化质量这里有一个常见误读覆盖率在公开语境中经常被等同于市场渗透率但严格来说渗透率的分母是目标人群总规模而覆盖率的分母是监测设备总盘子。报告中的覆盖率只是一个“监测环境内的覆盖率”它依赖监测设备的样本代表性。如果监测设备偏向年轻用户王者荣耀这种年轻向游戏的覆盖率就会被放大跨报告对比时必须先确认各家监测设备的样本结构是否可比。2.2 用Python复算TGI指数的完整过程TGI指数是这份报告中最有分析价值但也最容易算错的指标。报告里的定义是目标用户群某类型应用偏好占比除以全体用户中该类型应用占比再乘以标准数100。更规范的计算方式是目标群体中具有某一特征的占比与全体人群中同一特征的占比之比乘以100。这个指数的基准点是100等于100表示目标群体和整体持平大于100表示偏好更强小于100表示更弱。我一般会先把原始行为表按用户维度展开再分两步计算。下面用一个模拟数据演示假设监测池里有10万个设备其中装了王者荣耀的8000个全体用户中使用过直播类应用的有20000个王者荣耀用户中使用过直播类应用的有3200个。import pandas as pd # 模拟监测设备池10万台设备其中8000台安装了王者荣耀 total_devices 100000 hok_devices 8000 # 全体用户中使用过直播类应用的比例 all_live_rate 20000 / total_devices # 王者荣耀用户中使用过直播类应用的比例 hok_live_rate 3200 / hok_devices # 直播类应用在王者荣耀用户中的TGI tgi_live hok_live_rate / all_live_rate * 100 print(f全体用户直播使用占比: {all_live_rate:.4f}) print(f王者荣耀用户直播使用占比: {hok_live_rate:.4f}) print(fTGI: {tgi_live:.1f})这段代码先把两个占比算出来再相除乘100。注意这里用的是“使用过”这个行为特征而不是“安装过”因为TGI衡量的是真实使用偏好装了不用不算偏好。报告里王者荣耀用户偏好触手、虎牙直播、企鹅电竞等应用核心就是这些平台在王者荣耀用户中的TGI显著高于100。计算时有一个容易被忽略的细节TGI的分母必须是全体监测用户中的同类占比而不是非目标用户中的占比。很多人会把分母写成“非王者荣耀用户中直播应用占比”这样算出来的是相对风险度虽然方向和TGI一致但数值含义完全不同报告里的指数定义明确要求使用全体用户作为基准。提示TGI指数只适合做群体间相对比较当某一个群体的样本量不足30时TGI的波动会非常大建议与置信区间一起展示。2.3 指标联动用比率结构定位产品阶段把三个率放在一起看可以判断一款移动游戏处于什么阶段。覆盖率低、使用率高说明产品处于核心用户沉淀期用户少但忠诚。覆盖率高、使用率低说明产品处于市场扩张期品牌拉新能力强但留存转化跟不上。王者荣耀2017年的状态是覆盖率和活跃率都在稳定增长使用率保持在相对稳定的水平这说明拉新和转化在同步推进产品处于健康的扩张阶段。具体到报告里王者荣耀在主流MOBA类产品里覆盖率和活跃率均领先但使用率略低。这背后的隐含信息是用户盘子大边缘用户占比也高而自由之战这类产品的用户规模小但核心用户集中所以使用率更高。这个结论对运营的指导意义是下一阶段增长发力点不是继续单纯买量而是提升安装用户的活跃转化。指标联动分析在实战里比单看一个率要有用得多它能把“用户规模领先”和“用户质量不足”同时暴露出来。3. 用户分群逻辑与画像重建从报告反推移动游戏的人群分析方法3.1 学生族与上班族一条被反复使用的分群基线报告把王者荣耀用户分成学生族和上班族两大群学生族再细分大学生、女大学生、中小学生上班族再细分年轻白领、中年人士和老顽童。从分群逻辑看这份报告用的是“身份加年龄”的混合标签而不是单纯的年龄分段。2017年的移动数据分析环境里可用的用户标签通常来自设备属性和应用安装列表设备价格、操作系统版本、常用应用类型都可以推断身份但准确率有限。报告的结论里有一个反直觉点中小学生占比不足3%但此前大量媒体报道把王者荣耀和“小学生”绑定在一起。数据证明这是一个典型的以偏概全把少数极端行为放大为群体特征。做用户分群时覆盖率、活跃率这类指标天然受到群体规模影响规模小的群体哪怕个体行为突出在总体占比上也容易被淹没。正确的做法是同时报告群体占比和群体内行为强度两个维度都展示才不会被单一指标误导。3.2 分人群应用偏好指数的计算与解读报告里有一张“不同用户人群应用偏好”的表格大学生偏好餐饮、健康美容、出行中年人士偏好金融理财、汽车服务、智能硬件老顽童偏好通讯社交、阅读。这里的偏好指数就是按第2章的TGI方法算出来的。具体到单个人群计算方式和全体用户保持一致只是分子改为特定人群中的占比。# 以“大学生对餐饮类应用偏好”为例 # 全体用户中餐饮类应用使用率 all_food_rate 0.12 # 12%的监测设备装过并打开过餐饮应用 # 大学生群体中餐饮类应用使用率 college_food_rate 0.20 tgi_college_food college_food_rate / all_food_rate * 100 print(f大学生对餐饮类应用的TGI: {tgi_college_food:.1f})当TGI超过110时运营上才会把这个群体和这个应用类别视为强关联。指数在90到110之间一般视为无明显差异。报告里的大学生餐饮、中年金融理财这类偏好之所以能写成结论就是因为其TGI明显跨过了110这条常用阈值。使用偏好指数时有一个边界它描述的是“相对偏好”而不是“绝对覆盖率”。某个人群对一个类别的TGI很高只能说明这个类别在该人群中比在普通人群中更常见不能说明这个人群是该类别的主要贡献者。比如中小学生群体对教育类应用的TGI可能很高但因为这个群体的人数基数小他们对中国教育类应用的绝对使用量贡献仍然小于上班族。分析报告时要把TGI和覆盖率两张表并排看才能同时回答“谁更偏好”和“谁贡献大”这两个不同的问题。3.3 用分群方法识别高价值用户付费偏好的交叉验证报告提到上班族付费用户占比高于学生族学生族活跃度高但付费偏好低。这种“高活跃低付费”和“低活跃高付费”的组合放在用户生命周期里看是完全不同的运营策略对学生族要刺激留存对上班族要刺激付费。落实为可执行的分析我一般会做一个二维交叉矩阵X轴是活跃度等级Y轴是付费额度区间单元格里填充用户占比。用户群低活跃中活跃高活跃月付费0-50月付费50-200月付费200中小学生26.4%45.2%28.4%51.7%32.3%16.0%大学生22.8%44.6%32.6%38.5%41.2%20.3%年轻白领35.2%38.4%26.4%18.6%44.7%36.7%中年人士42.3%34.1%23.6%15.4%38.2%46.4%这张表是模拟数据仅用于说明交叉矩阵的分析方法。真实的付费偏好需要从支付通道回传的订单表拿到再和活跃行为表做用户级关联。关联的粒度必须是设备ID或用户ID如果拿不到用户级数据就只能退回到群体级的TGI比较这时的结论精度会明显下降因为同一用户群内部的行为方差很大。4. 渠道归因、直播偏好与时空特征多维数据的拼图式验证4.1 第三方应用商店与硬核联盟的渠道结构分析报告显示王者荣耀用户获取渠道主要集中在第三方应用商店应用宝、手机助手、百度手机助手和硬核联盟应用市场华为应用市场、小米应用商店、OPPO软件商店等。这个渠道结构说明2017年安卓端的游戏分发格局是“第三方商店为主、手机厂商商店为辅”。做渠道归因时只看下载量排名不够要算每个渠道的获取效率和付费质量。渠道质量分析通常分三步第一步按渠道分组统计安装量、DAU、次留第二步按渠道计算付费率和ARPPU第三步对比不同渠道的用户画像差异。-- 渠道来源用户质量分析示例表结构 SELECT channel_id, COUNT(DISTINCT device_id) AS install_devices, COUNT(DISTINCT CASE WHEN active_flag 1 THEN device_id END) AS dau_devices, SUM(revenue) AS total_revenue FROM game_user_daily WHERE date 2017-06-01 GROUP BY channel_id ORDER BY install_devices DESC;这段SQL按渠道统计安装设备数、活跃设备和收入跑出来的结果可以用来对比渠道质量。硬核联盟渠道和设备厂商深度绑定用户画像更贴近手机品牌的定位第三方商店用户面更广但用户质量波动更大。报告里没有展示各渠道的付费质量但后续做投放优化时这是必须补上的一层分析否则容易把安装量最大的渠道误判为最优质的渠道。4.2 直播平台偏好指数与游戏内容的联动逻辑报告用活跃偏好和使用偏好两个维度对比了触手、虎牙直播、企鹅电竞、龙珠、斗鱼等平台。活跃偏好指的是王者荣耀用户在该平台上的活跃程度高于互联网用户整体使用偏好则更进一步反映装了这个直播应用的用户真的在用的比例。这两个维度分开看能发现有意思的结构差异王者荣耀用户在触手和虎牙直播上活跃偏好更高但使用偏好上战旗、龙珠直播靠前。这类偏差说明活跃偏好衡量的是“选择倾向”使用偏好衡量的是“粘性倾向”。一个平台如果活跃偏好高但使用偏好不高说明用户装了但没形成持续使用习惯如果两个指数都高那才是真正的内容强关联平台。做直播内容投放时应该优先选择两个指数同时高的平台而不是只看用户覆盖率。4.3 活跃时段与城市渗透率时空交叉中的运营节奏报告指出王者荣耀用户整体在中午和晚间17-22时更活跃中小学生则是晚间更活跃年轻白领和大学生在上午时段也相对活跃。这个结论直接对应游戏运营的活动时间设计日常任务刷新要避开核心用户的活跃低谷排位赛和冲榜活动适合放在晚间高峰。用户群上午中午下午晚间中小学生低高中高大学生中中低高年轻白领中低低高中年人士低中低中老顽童低中低中城市分布方面报告显示王者荣耀在三线及以下城市渗透率最高一线和二线城市的大学生群体渗透指数更高。这种“总体在下沉市场、局部在核心城市”的结构对渠道投放和赛事落地都有指导意义。线下赛事的选址应该优先考虑用户集中度高且大学生群体突出的区域比如报告里罗列的北京高校聚集区。4.4 人口地理分界线与线下行为数据的叠加报告中有一组值得行业分析的图王者荣耀中小学生用户分布基本集中在人口地理分界线以东地区北京地区的中小学生周末在线下更偏好休闲娱乐、公园广场、文化教育等场所。这类线下行为分析的原始数据通常来自LBS SDK回传的设备经纬度将经纬度与POI数据关联后把用户常驻点映射到具体的场所类型上。在复现这类分析时注意两个常见坑一是LBS数据存在漂移需要做聚类去噪否则会形成大量伪常驻点二是POI分类标准各家不一致跨平台对比之前必须先把分类字典对齐。报告里展示的“车公庄、苏州街、天通苑”这类生活区域本身是聚类结果的可视化不是精确定位用的时候不要把它当作POI粒度的事实来引用。注意LBS数据需要先做去漂移处理否则聚类出的常驻点会明显偏离用户真实位置后续的场所偏好结论都会失真。5. 复现与验证用数据口径检验报告结论的四个技巧5.1 用恒等式检查指标口径是否自洽报告定义了使用率等于活跃率除以覆盖率。拿到原始数据后第一步不是做复杂分析而是验证这个恒等式在每一个时间切片上是否成立。# 校验三个率的恒等关系 import pandas as pd df pd.read_csv(hok_metrics.csv) df[calc_usage_rate] df[active_rate] / df[coverage_rate] df[diff] (df[calc_usage_rate] - df[usage_rate]).abs() print(df[diff].describe())如果diff列的最大值超过0.001说明数据管道里的指标口径有偏移需要回到原始表核对。恒等式验证能在做任何深入分析之前拦住一半以上的数据质量问题。5.2 用辛普森悖论检验分群结论的稳健性报告说了学生族活跃度高但付费偏好低上班族相反。单独看这个结论没问题但如果把学生族拆成本科生和中小学生或者把上班族拆成年轻白领和中年人士这个规律可能发生反转这就是辛普森悖论。验证方法是对每个细分人群重复计算付费用户占比和活跃度均值看原来的大群体结论是否在每个子群中仍然成立。如果子群结论与整体结论方向不一致报告里的分群结论就只能当作粗粒度参考不能直接用于制定运营策略。5.3 用置信区间约束小样本结论中小学生占比不足3%这个结论直接来自覆盖率的计算。3%的小基数意味着绝对样本量可能只有几百台设备以百分比的形态呈现时误差会被放大。计算这类小群体占比时需要同时输出置信区间# 对中小学生占比做95%置信区间估计 from math import sqrt n_total 100000 # 监测设备总量 n_kids 2800 # 王者荣耀用户中的中小学生设备数 p n_kids / n_total se sqrt(p * (1 - p) / n_total) ci_low p - 1.96 * se ci_high p 1.96 * se print(f占比: {p:.4f}, 95%置信区间: [{ci_low:.4f}, {ci_high:.4f}])差异显著性检验同样适用于覆盖率对比覆盖率只相差0.2个百分点时必须验证这个差异是否落在误差范围内否则写在报告结论里就是噪声。2017年的行业报告很少展示置信区间但今天复现分析时这一步不能省。5.4 将TGI解读从“相关”拉回“可执行”TGI高只说明相关性强不说明因果关系。王者荣耀用户偏好直播类应用既有可能是游戏内容带动直播观看也有可能是直播平台用户天然更容易被王者荣耀的推广素材触达。归因时需要结合时间先后关系、渠道投放节奏来判断因果方向。可执行的结论应该表述为“在虎牙直播和触手上投放王者荣耀内容能触达更高比例的目标用户”而不是“直播平台带来了王者荣耀的用户增长”。本文还有配套的精品资源点击获取 从《王者荣耀热点报告》看移动游戏数据分析的指标与用户分群
简介《王者荣耀热点报告》是2017年移动游戏行业一项聚焦头部产品的专项研究报告适合产品运营、市场分析人士及移动电竞研究者参考。报告基于应用市场、渠道、运营商等多源数据结合百度指数对《王者荣耀》的覆盖率、活跃率、使用率及用户画像做了量化拆解能帮助读者快速建立移动游戏数据指标体系与用户分层认知。资源为1个PDF文件压缩包约2.9MB全文以图表和结论摘要呈现便于直接阅读与引用。目前已有98人学习下载。内容涵盖主流移动MOBA竞品对比、用户覆盖与活跃增长趋势、获取渠道偏好、直播平台活跃度以及学生族与上班族在付费和活跃行为上的差异还特别指出中小学生并非主要群体大学生占比最高并展开不同年龄段的应用偏好。对理解移动电竞崛起背景、用户行为特征及行业影响都有较直接的数据参考价值。1. 从2017年王者荣耀热点报告看移动游戏数据分析的骨架2017年6月一份名为《王者荣耀热点报告》的PDF在移动数据分析圈里流传。它用覆盖率、活跃率、使用率、TGI指数四类指标把当时用户量过亿的《王者荣耀》拆成了可以运营的人群切片学生族、上班族、中小学生、年轻白领以及他们背后的渠道偏好、直播偏好、活跃时段和城市分布。报告本身只有二十多页但口径定义和交叉分析方法构成了移动游戏数据分析的标准骨架。这份报告适合两类人读一类是做移动应用数据分析的工程师想知道用户分群与渠道归因如何落地另一类是游戏行业从业者想从指标层理解用户增长和付费行为的驱动结构。下面顺着报告中的数据定义把每个指标的计算方式、分析方法和验证边界逐层拆开。2. 覆盖率、活跃率、使用率与TGI指数报告指标口径还原2.1 三个率的分母与分子为什么覆盖率不等于渗透率报告的数据说明部分给出了三组定义。覆盖率指安装过某个应用的设备数量除以监测移动设备总数活跃率指使用过某个应用的设备数量除以监测移动设备总数使用率指活跃率除以覆盖率。这三个定义看上去相似但分母和分子的业务含义完全不同。覆盖率回答“多少设备装了”活跃率回答“多少设备在特定周期内用了”使用率回答“装了的人里有多少真的在用”。如果把安装看作拉新漏斗的第一层活跃就是第二层使用率就是安装到活跃的转化率。王者荣耀报告里提到它的覆盖率、活跃率超过时空召唤、全民超神等同类作品但使用率略逊于自由之战这句话用指标结构翻译过来就是王者荣耀的安装盘子最大但安装用户中真正产生活跃行为的转化比例不是最高的。指标分子分母业务含义覆盖率安装过某应用的设备数监测移动设备总数拉新触达与市场覆盖活跃率使用过某应用的设备数监测移动设备总数活跃规模与日活水平使用率活跃设备数安装设备数安装到活跃的转化质量这里有一个常见误读覆盖率在公开语境中经常被等同于市场渗透率但严格来说渗透率的分母是目标人群总规模而覆盖率的分母是监测设备总盘子。报告中的覆盖率只是一个“监测环境内的覆盖率”它依赖监测设备的样本代表性。如果监测设备偏向年轻用户王者荣耀这种年轻向游戏的覆盖率就会被放大跨报告对比时必须先确认各家监测设备的样本结构是否可比。2.2 用Python复算TGI指数的完整过程TGI指数是这份报告中最有分析价值但也最容易算错的指标。报告里的定义是目标用户群某类型应用偏好占比除以全体用户中该类型应用占比再乘以标准数100。更规范的计算方式是目标群体中具有某一特征的占比与全体人群中同一特征的占比之比乘以100。这个指数的基准点是100等于100表示目标群体和整体持平大于100表示偏好更强小于100表示更弱。我一般会先把原始行为表按用户维度展开再分两步计算。下面用一个模拟数据演示假设监测池里有10万个设备其中装了王者荣耀的8000个全体用户中使用过直播类应用的有20000个王者荣耀用户中使用过直播类应用的有3200个。import pandas as pd # 模拟监测设备池10万台设备其中8000台安装了王者荣耀 total_devices 100000 hok_devices 8000 # 全体用户中使用过直播类应用的比例 all_live_rate 20000 / total_devices # 王者荣耀用户中使用过直播类应用的比例 hok_live_rate 3200 / hok_devices # 直播类应用在王者荣耀用户中的TGI tgi_live hok_live_rate / all_live_rate * 100 print(f全体用户直播使用占比: {all_live_rate:.4f}) print(f王者荣耀用户直播使用占比: {hok_live_rate:.4f}) print(fTGI: {tgi_live:.1f})这段代码先把两个占比算出来再相除乘100。注意这里用的是“使用过”这个行为特征而不是“安装过”因为TGI衡量的是真实使用偏好装了不用不算偏好。报告里王者荣耀用户偏好触手、虎牙直播、企鹅电竞等应用核心就是这些平台在王者荣耀用户中的TGI显著高于100。计算时有一个容易被忽略的细节TGI的分母必须是全体监测用户中的同类占比而不是非目标用户中的占比。很多人会把分母写成“非王者荣耀用户中直播应用占比”这样算出来的是相对风险度虽然方向和TGI一致但数值含义完全不同报告里的指数定义明确要求使用全体用户作为基准。提示TGI指数只适合做群体间相对比较当某一个群体的样本量不足30时TGI的波动会非常大建议与置信区间一起展示。2.3 指标联动用比率结构定位产品阶段把三个率放在一起看可以判断一款移动游戏处于什么阶段。覆盖率低、使用率高说明产品处于核心用户沉淀期用户少但忠诚。覆盖率高、使用率低说明产品处于市场扩张期品牌拉新能力强但留存转化跟不上。王者荣耀2017年的状态是覆盖率和活跃率都在稳定增长使用率保持在相对稳定的水平这说明拉新和转化在同步推进产品处于健康的扩张阶段。具体到报告里王者荣耀在主流MOBA类产品里覆盖率和活跃率均领先但使用率略低。这背后的隐含信息是用户盘子大边缘用户占比也高而自由之战这类产品的用户规模小但核心用户集中所以使用率更高。这个结论对运营的指导意义是下一阶段增长发力点不是继续单纯买量而是提升安装用户的活跃转化。指标联动分析在实战里比单看一个率要有用得多它能把“用户规模领先”和“用户质量不足”同时暴露出来。3. 用户分群逻辑与画像重建从报告反推移动游戏的人群分析方法3.1 学生族与上班族一条被反复使用的分群基线报告把王者荣耀用户分成学生族和上班族两大群学生族再细分大学生、女大学生、中小学生上班族再细分年轻白领、中年人士和老顽童。从分群逻辑看这份报告用的是“身份加年龄”的混合标签而不是单纯的年龄分段。2017年的移动数据分析环境里可用的用户标签通常来自设备属性和应用安装列表设备价格、操作系统版本、常用应用类型都可以推断身份但准确率有限。报告的结论里有一个反直觉点中小学生占比不足3%但此前大量媒体报道把王者荣耀和“小学生”绑定在一起。数据证明这是一个典型的以偏概全把少数极端行为放大为群体特征。做用户分群时覆盖率、活跃率这类指标天然受到群体规模影响规模小的群体哪怕个体行为突出在总体占比上也容易被淹没。正确的做法是同时报告群体占比和群体内行为强度两个维度都展示才不会被单一指标误导。3.2 分人群应用偏好指数的计算与解读报告里有一张“不同用户人群应用偏好”的表格大学生偏好餐饮、健康美容、出行中年人士偏好金融理财、汽车服务、智能硬件老顽童偏好通讯社交、阅读。这里的偏好指数就是按第2章的TGI方法算出来的。具体到单个人群计算方式和全体用户保持一致只是分子改为特定人群中的占比。# 以“大学生对餐饮类应用偏好”为例 # 全体用户中餐饮类应用使用率 all_food_rate 0.12 # 12%的监测设备装过并打开过餐饮应用 # 大学生群体中餐饮类应用使用率 college_food_rate 0.20 tgi_college_food college_food_rate / all_food_rate * 100 print(f大学生对餐饮类应用的TGI: {tgi_college_food:.1f})当TGI超过110时运营上才会把这个群体和这个应用类别视为强关联。指数在90到110之间一般视为无明显差异。报告里的大学生餐饮、中年金融理财这类偏好之所以能写成结论就是因为其TGI明显跨过了110这条常用阈值。使用偏好指数时有一个边界它描述的是“相对偏好”而不是“绝对覆盖率”。某个人群对一个类别的TGI很高只能说明这个类别在该人群中比在普通人群中更常见不能说明这个人群是该类别的主要贡献者。比如中小学生群体对教育类应用的TGI可能很高但因为这个群体的人数基数小他们对中国教育类应用的绝对使用量贡献仍然小于上班族。分析报告时要把TGI和覆盖率两张表并排看才能同时回答“谁更偏好”和“谁贡献大”这两个不同的问题。3.3 用分群方法识别高价值用户付费偏好的交叉验证报告提到上班族付费用户占比高于学生族学生族活跃度高但付费偏好低。这种“高活跃低付费”和“低活跃高付费”的组合放在用户生命周期里看是完全不同的运营策略对学生族要刺激留存对上班族要刺激付费。落实为可执行的分析我一般会做一个二维交叉矩阵X轴是活跃度等级Y轴是付费额度区间单元格里填充用户占比。用户群低活跃中活跃高活跃月付费0-50月付费50-200月付费200中小学生26.4%45.2%28.4%51.7%32.3%16.0%大学生22.8%44.6%32.6%38.5%41.2%20.3%年轻白领35.2%38.4%26.4%18.6%44.7%36.7%中年人士42.3%34.1%23.6%15.4%38.2%46.4%这张表是模拟数据仅用于说明交叉矩阵的分析方法。真实的付费偏好需要从支付通道回传的订单表拿到再和活跃行为表做用户级关联。关联的粒度必须是设备ID或用户ID如果拿不到用户级数据就只能退回到群体级的TGI比较这时的结论精度会明显下降因为同一用户群内部的行为方差很大。4. 渠道归因、直播偏好与时空特征多维数据的拼图式验证4.1 第三方应用商店与硬核联盟的渠道结构分析报告显示王者荣耀用户获取渠道主要集中在第三方应用商店应用宝、手机助手、百度手机助手和硬核联盟应用市场华为应用市场、小米应用商店、OPPO软件商店等。这个渠道结构说明2017年安卓端的游戏分发格局是“第三方商店为主、手机厂商商店为辅”。做渠道归因时只看下载量排名不够要算每个渠道的获取效率和付费质量。渠道质量分析通常分三步第一步按渠道分组统计安装量、DAU、次留第二步按渠道计算付费率和ARPPU第三步对比不同渠道的用户画像差异。-- 渠道来源用户质量分析示例表结构 SELECT channel_id, COUNT(DISTINCT device_id) AS install_devices, COUNT(DISTINCT CASE WHEN active_flag 1 THEN device_id END) AS dau_devices, SUM(revenue) AS total_revenue FROM game_user_daily WHERE date 2017-06-01 GROUP BY channel_id ORDER BY install_devices DESC;这段SQL按渠道统计安装设备数、活跃设备和收入跑出来的结果可以用来对比渠道质量。硬核联盟渠道和设备厂商深度绑定用户画像更贴近手机品牌的定位第三方商店用户面更广但用户质量波动更大。报告里没有展示各渠道的付费质量但后续做投放优化时这是必须补上的一层分析否则容易把安装量最大的渠道误判为最优质的渠道。4.2 直播平台偏好指数与游戏内容的联动逻辑报告用活跃偏好和使用偏好两个维度对比了触手、虎牙直播、企鹅电竞、龙珠、斗鱼等平台。活跃偏好指的是王者荣耀用户在该平台上的活跃程度高于互联网用户整体使用偏好则更进一步反映装了这个直播应用的用户真的在用的比例。这两个维度分开看能发现有意思的结构差异王者荣耀用户在触手和虎牙直播上活跃偏好更高但使用偏好上战旗、龙珠直播靠前。这类偏差说明活跃偏好衡量的是“选择倾向”使用偏好衡量的是“粘性倾向”。一个平台如果活跃偏好高但使用偏好不高说明用户装了但没形成持续使用习惯如果两个指数都高那才是真正的内容强关联平台。做直播内容投放时应该优先选择两个指数同时高的平台而不是只看用户覆盖率。4.3 活跃时段与城市渗透率时空交叉中的运营节奏报告指出王者荣耀用户整体在中午和晚间17-22时更活跃中小学生则是晚间更活跃年轻白领和大学生在上午时段也相对活跃。这个结论直接对应游戏运营的活动时间设计日常任务刷新要避开核心用户的活跃低谷排位赛和冲榜活动适合放在晚间高峰。用户群上午中午下午晚间中小学生低高中高大学生中中低高年轻白领中低低高中年人士低中低中老顽童低中低中城市分布方面报告显示王者荣耀在三线及以下城市渗透率最高一线和二线城市的大学生群体渗透指数更高。这种“总体在下沉市场、局部在核心城市”的结构对渠道投放和赛事落地都有指导意义。线下赛事的选址应该优先考虑用户集中度高且大学生群体突出的区域比如报告里罗列的北京高校聚集区。4.4 人口地理分界线与线下行为数据的叠加报告中有一组值得行业分析的图王者荣耀中小学生用户分布基本集中在人口地理分界线以东地区北京地区的中小学生周末在线下更偏好休闲娱乐、公园广场、文化教育等场所。这类线下行为分析的原始数据通常来自LBS SDK回传的设备经纬度将经纬度与POI数据关联后把用户常驻点映射到具体的场所类型上。在复现这类分析时注意两个常见坑一是LBS数据存在漂移需要做聚类去噪否则会形成大量伪常驻点二是POI分类标准各家不一致跨平台对比之前必须先把分类字典对齐。报告里展示的“车公庄、苏州街、天通苑”这类生活区域本身是聚类结果的可视化不是精确定位用的时候不要把它当作POI粒度的事实来引用。注意LBS数据需要先做去漂移处理否则聚类出的常驻点会明显偏离用户真实位置后续的场所偏好结论都会失真。5. 复现与验证用数据口径检验报告结论的四个技巧5.1 用恒等式检查指标口径是否自洽报告定义了使用率等于活跃率除以覆盖率。拿到原始数据后第一步不是做复杂分析而是验证这个恒等式在每一个时间切片上是否成立。# 校验三个率的恒等关系 import pandas as pd df pd.read_csv(hok_metrics.csv) df[calc_usage_rate] df[active_rate] / df[coverage_rate] df[diff] (df[calc_usage_rate] - df[usage_rate]).abs() print(df[diff].describe())如果diff列的最大值超过0.001说明数据管道里的指标口径有偏移需要回到原始表核对。恒等式验证能在做任何深入分析之前拦住一半以上的数据质量问题。5.2 用辛普森悖论检验分群结论的稳健性报告说了学生族活跃度高但付费偏好低上班族相反。单独看这个结论没问题但如果把学生族拆成本科生和中小学生或者把上班族拆成年轻白领和中年人士这个规律可能发生反转这就是辛普森悖论。验证方法是对每个细分人群重复计算付费用户占比和活跃度均值看原来的大群体结论是否在每个子群中仍然成立。如果子群结论与整体结论方向不一致报告里的分群结论就只能当作粗粒度参考不能直接用于制定运营策略。5.3 用置信区间约束小样本结论中小学生占比不足3%这个结论直接来自覆盖率的计算。3%的小基数意味着绝对样本量可能只有几百台设备以百分比的形态呈现时误差会被放大。计算这类小群体占比时需要同时输出置信区间# 对中小学生占比做95%置信区间估计 from math import sqrt n_total 100000 # 监测设备总量 n_kids 2800 # 王者荣耀用户中的中小学生设备数 p n_kids / n_total se sqrt(p * (1 - p) / n_total) ci_low p - 1.96 * se ci_high p 1.96 * se print(f占比: {p:.4f}, 95%置信区间: [{ci_low:.4f}, {ci_high:.4f}])差异显著性检验同样适用于覆盖率对比覆盖率只相差0.2个百分点时必须验证这个差异是否落在误差范围内否则写在报告结论里就是噪声。2017年的行业报告很少展示置信区间但今天复现分析时这一步不能省。5.4 将TGI解读从“相关”拉回“可执行”TGI高只说明相关性强不说明因果关系。王者荣耀用户偏好直播类应用既有可能是游戏内容带动直播观看也有可能是直播平台用户天然更容易被王者荣耀的推广素材触达。归因时需要结合时间先后关系、渠道投放节奏来判断因果方向。可执行的结论应该表述为“在虎牙直播和触手上投放王者荣耀内容能触达更高比例的目标用户”而不是“直播平台带来了王者荣耀的用户增长”。本文还有配套的精品资源点击获取