什么是画像分析如何做游戏玩家画像分析( 二 ) _生活百科

文章插图

游戏时长：可有针对性的设计游戏活动，一般以天为周期进行统计

付费用户：优化游戏付费点设计

n 用户来源

来源渠道：不同市场的用户，在游戏的表现还是有一定差距。

进入时间

注册方式

以上对于用户基础信息的统计，对用户各个群体的划分有了一个初步的分类，玩家群体定量分类，从玩家数据中了解玩家结构，玩家结构包括玩家性别结构，玩家年龄结构，玩家收入结构，玩家使用的设备结构（IOS/android ，设备品牌，设备硬件情况等），让研发&运营&市场了解游戏玩家的基本情况，从而对玩家习惯有所把握。对优化游戏各方面有积极的作用。
在了解玩家基本情况及把握玩家行为之后，从这些数据中寻找数据间的关系，从玩家数据中获得玩家结构与玩家喜好&行为间的关系，从产品的定位出发为产品寻找目标用户，找出与相关竞品间的差异，从而为市场细分及市场定位提供建议。
玩家喜好&行为分析，一般是结合多元统计分析的对应分析方法来实现的，本文将结合多重对应分析的方法。
其实多重对应分析在超过两个以上定类变量时有时候非常有效，当然首先我们要理解并思考，如果只有三个或有限的几个变量完全可以通过数据变换和交互表变量重组可以转换成两个定类变量，这时候就可以用简单对应分析了。
对应分析对数据的格式要求：

对应分析数据的典型格式是列联表或交叉频数表。
常表示不同背景的玩家对若干游戏产品的选择频率。
背景变量或属性变量可以并列使用或单独使用。
两个变量间——简单对应分析。
多个变量间——多元对应分析。

现在，我们还是来看看如何操作多重对应分析并如何解读对应图；
作者模拟了一个数据集，包括玩家的性别（1-females ， 2-males），喜好游戏类型（1-动作， 2-角色扮演， 3-卡牌， 4-模拟经营， 5-跑酷， 6-其他， 7-棋牌， 8-射击， 9-休闲益智， 10-养成， 11-战争策略），学历（1-小学及初中， 2-高中， 3-大专及本科， 4-硕士， 5-博士），收入情况（1-1000以下， 2-1000~2000 ， 3-3000~5000 ， 4-5000~8000 ， 5-8000以上）
从数据集看，我们有4个定类变量，如果组合成简单的交叉表是困难的事情，此时采用多重对应分析是恰当的分析方法。
下面我还是采用SPSS21.0进行多重对应分析。
在SPSS分析菜单下选择降维（Data Redaction-数据消减）后选择最优尺度算法，该选项下，根据数据集和数据测量尺度不同有三种不同的高级定类分析算法，主要包括：多重对应分析、分类（非线性）主成分分析、非线性典型相关分析。
接下来，我们就可以选择变量和条件。
下面我们看结果：
从图中我们可以看出：男性玩家和女性玩家在选择游戏类型上是存在差异的，不同学历背景的玩家在游戏喜好上也存在一定的差异，不同的玩家背景在游戏喜好和游戏选择上是存在差异的，可以根据自身的游戏类型，找准相应的目标玩家群体，而且在本图上你还可以发现在博士及硕士且收入8000以上这一块是存在市场空缺的。
而在另一张辨别度量结果图上，夹角是锐角意味着相关，即性别与游戏类型的相关程度较高，可以看出玩家性别在游戏类型选择上起到更重要的比重。
接下来本文将结合多元统计分析方法中的聚类分析，阐述从微观角度做玩家画像分析，对游戏核心玩家做聚类分群。
聚类分析属于探索性的数据分析方法。通常，我们利用聚类分析将看似无序的对象进行分组、归类，以达到更好地理解研究对象的目的。聚类结果要求组内对象相似性较高，组间对象相似性较低。在用户研究中，很多问题可以借助聚类分析来解决，比如，网站的信息分类问题、网页的点击行为关联性问题以及用户分类问题等等。其中，用户分类是最常见的情况。