从经济角度预测社交游戏收益情况

我深受GDC大会启发再次修正我的财务预测模型数据表，并在此与大家一同分享我的处理方法。根据各种幻灯片、文章、综述和blog提供的数值，我将对模型中出现的重要参数进行一次概述，然后做一个使参数变化最显著的变量的敏感性分析。现在让我们看看这些数值是如何计算的吧!

一般流程

我所阅读到的分析皆来源于网络，以下是比较常用的社交应用分析结构：用户获取->输入->用户留存率->加入病毒传播和盈利方案->反馈用户获取情况。这个循环结构紧密，且没有太多干扰数据点。

变量

我所扩建的模型利用了以下概念和预测变量：

玩家群体：我将玩家分为三类赋予各种变量值的群体。这三类群体分别是“新玩家”、“一周玩家”、“留存玩家”。

新玩家：这类玩家是游戏刚刚获取的用户，还未被赋予任何流失率和留存率。

一周玩家：这类玩家由新玩家转化而来。在这个模型的其他版本里，我也将这类群体扩充为二周玩家、三周玩家和四周玩家，当然，此时他们还未转变为留存玩家。如何详细化分类的时间点取决于你判定他们成为游戏忠实粉丝所需的时间，以及他们的扩散性和消费行为的充分改变。

留存玩家：一周玩家长期玩某款游戏后，将转变为留存玩家。与每一周都建立独立群体类别相比，我认为把所有留存玩家归入同一类的这种做法更为简单。然后，你可以把单一持续流失率、病毒扩散性及消费行为应用于这类群体。

用户获取(有成本)：例如，通过在Facebook付费广告而获取的玩家。

用户获取(无成本)：从其他游戏的交叉推广中导入的玩家。注：这与病毒性传播有区别，虽然这是你有意识的行为，但仍然不需支付任何费用。

1周后的流失情况：试玩一周后流失的新玩家(注：通过所有获取方式得到的玩家)的人数。

留存玩家的持续性流失情况：游戏每一周流失的留存玩家。

一周玩家的病毒性：对各个一周玩家群体成员，通过病毒性邀请而产生的新玩家人数。

留存玩家的病毒性：对各个留存玩家群体成员，通过病毒性邀请而产生的新玩家人数。

新玩家的病毒性：我的假设是只有决定追随某款游戏的新玩家(一周玩家过渡中)才会不厌其烦地发出邀请。不过针对新玩家群体增加病毒性行为并不十分困难。

粘性：各个群体的日活跃用户(DAU)和月活跃用户(MAU)的比值。这个参数可以反映各个群体中每天玩游戏的实际人数。该参数的重要性体现在DAU通常更能反映玩家的消费行为。

玩家消费：各个群体每天的消费金额，主要根据每个DAU来衡量。这里显然包括了“鲸鱼”玩家(注：他们每天的游戏开支不少于100美元，每月不少于1000美元)和“小鱼”玩家(整个月的游戏开支可能只有几美元)的消费总和。

运营和内容成本：这是指一些普遍的成本数值，包括服务器维护、客户服务、社区建设、新内容设计和编程等所需的费用。根据游戏规模来计算这个成本的一个简单方法是：收益乘以百分比或人数乘以百分比，再除以最小成本(即收益%(或人数%)/最小成本)。

下面我们将深入探究社交游戏财政预测模式的参数变量。

成熟游戏Vs.新游戏

虽然我赞同某数据分析公司提出的提出的获取-留存-营收模式，但将其引用数据套入此模式有些令人沮丧。我随后发现一段GDC座谈会讨论视频，这给数据提供实际背景。开发商称其中数据反映的是成熟游戏，但这些参数多数在游戏发行初期呈不同态势。下文将多次提到。

一个关键问题是如何界定“新”和“成熟”以及其中的层次变化。这或许同时间或玩家临界规模相关。但其实更多取决于游戏性质、预期稳定群体以及相关营销预算。一款具有广泛吸引力的游戏通常瞄准1千万、1亿甚至几亿用户，而一款细分游戏只要有上百万高度投入的玩家，就算是大获成功。你的Facebook广告预算有多少?

这里我建议采取双重办法。首先，将游戏生命周期分作3段(注：早期、中期和末期)，给每个阶段分配一定时间(例如1个月或2个月)。然后根据所处阶段，赋予每个关键参数不同价值(注：或采用逐步转换，或设定分界线)。

关键参数价值范围的重要性

建模过程中，我发现给每个关键参数设定预期范围非常重要(而非采用既定价值标准)，建立游戏参数运作“欠佳”、“中等”和“优秀”3大基准。这样一来，你就能获悉有多少参数达到平均水平以上，游戏才能取得成功。若有某些参数处在平均水平以下，其他参数要达到什么标准方能弥补。

用户获取(有成本)：

* 有公司在GDC演讲资料称用户获取成本介于1-3美元之间。这个成本价值不菲，多半是针对成熟游戏。

* 另有广告公司首席执行官称，用户获取成本与日俱增，但初期支出将更有效用，因为能够从中获得更高点击率。

* 在GDC座谈会中，开发商们支持该广告公司的观点：他们认为初期吸引先驱玩家更加简单，且玩家留存率至关重要。

* 年轻VS.成熟：在新阶段瞄准优质标准，后面阶段逐步向欠佳水平靠拢。

* 变量范围：

–欠佳：3美元

–中等：1美元

–优秀：0.5美元

用户获取(无成本)：

* 若你有多款游戏，在自身玩家中进行交叉推广是件轻而易举之事。玩家通常一次会同时玩几款游戏，所以无需担心会转移某款游戏的玩家。若玩家放弃某游戏，提供新作品会好过失去他们。

* 只有一款游戏的开发商只有借助链接交换服务或同其他开发商/发行商合作。

* 在GDC座谈会中，开发商也谈及交叉推广。有趣的是，他们讨论的是为何最佳目标通常是你的直接竞争对手，因为他们有最多目标玩家，双方通常会事先达成“物物交换”协议。

* 在一篇有关Applifier的文章中，作者引用“最佳应用”1.5mm点击量例子。我建议将此数据延长一段时间(注：3个月刚好是生命周期的初始阶段)，回到周新用户获取率，把时间细化成以周为单位，然后再套入低/中/高转换率。

* 年轻Vs.成熟：通过把免费促销效应集中在发展初期阶段，你能够有效预测项目寿命。

* 变量范围：

–欠佳： 0.5mm > 10% CTR(点击率) > 50%安装量，3个多月=2500次/周。

–中等：1.0mm > 15% CTR > 60%安装量，3个多月=9000次/周。

–优秀：1.5mm > 20% CTR > 70%安装量，3个多月=2.1万次/周。

–你可以“混合搭配”这些价值，在价值间创造更多层次，适用于考察最坏打算和最佳状态之间的表现。

1周后的流失量：

* 该数据分析公司演讲中呈现的数据是介于85%至90%之间。

* 如上所述，在GDC座谈会中，开发商表示此流失量是针对成熟游戏而言，而且是在最初发行阶段，若第1日留存率没有超过50%，那么就无法实现目标。当然这不过是第1日留存率，但这个观点仍然有效。在游戏生命周期最初阶段，其留存率会更高。

* 年轻Vs.成熟：把优秀标准应用至最初阶段，或把欠佳标准应用至成熟阶段，抑或者在每个阶段建立欠佳、中等和优秀标准范围。我偏好后者，但模式越精确，所要调整的变量也越多。

* 注意：此变量是推动整个模式获得成功的关键因素。若游戏是个漏水木桶，玩家流失速度高于玩家获取速度，那么就需要重新设计游戏，降低损失。若是重视获取用户而无视玩家终身价值，那就是得不偿失的做法。

* 年轻阶段(1个月)变量范围：

–欠佳：60%流失率

–中等：45%流失率

–优秀：30%流失率

* 中间阶段(2-3个月)变量范围：

–欠佳：75%流失率

–中等：60%流失率

–优秀：45%流失率

* 成熟阶段变量范围：

–欠佳：90%流失率

–中等：80%流失率

–优秀：70%流失率

留存玩家持续流失：

* 我的模式不是分别追踪单个玩家群体，而是将1周内没有流失的新玩家纳入留存玩家的范围，对其采用静态流失率的考察方法。

* 分析公司Mixpanel的Tim Trefren表示，继初期玩家数量下滑后，所有游戏的持续流失率都大同小异，介于5%-20%之间。这同时也说明最初留存率的重要性(注：若后面几周都处在相同范围内)。

* 变量范围：

–欠佳：30%流失率

–中等：20%流失率

–优秀：10%流失率

深圳注册公司类型

广州注册公司变更

劳务派遣