遊戲資料分析應避免‘辛普森悖論’

Facebook Fanpage

  「辛普森悖論」(Simpson’s paradox)指的是在人們嘗試探究兩種變數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佔優勢的一方,會在總評中反而是失勢的一方。辛普森悖論主要是由於一些所謂「複雜變數」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使用者組成是1萬人用Android設備、5000人使用iOS設備,那麼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使用者和iOS使用者消費一樣多),一個資源管道有限的產品經理就可能會根據這個資料做出很誇張的決定,或許會有限選擇Android平臺研發,甚至會取消iOS研發。

  然而,當把這個資料分開來看,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智慧機的轉化率也相對更好。瞭解了這些,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,裝置類型就是複雜變數:如果資料是根據裝置類型得到,那麼其他的資料就可能被完全忽略。在具體設備方面,iOS的付費轉化率可以完全擊敗Android,但在整體上卻低於Android的主要原因是,兩個平臺的裝置類型表現不同:平板的轉化率高於智慧機,總體上來講,iOS設備的轉化率低於Android總體設備的轉化率,儘管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:

  使用者量:免費產品需要很大的使用者量才能獲得足夠的總收入,因為該模式的轉化率極低。而這些使用者通常來自全球各個地區,使用各種不同類型的設備。針對不同的裝置類型採用通用的平均值是沒有意義的。

  LTV範圍:免費產品需要很長的貨幣化週期,把使用者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。

  大多數的使用者是不會付費的。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,所以任何對免費使用者的衡量都是非常低的。因為大多數的使用者是不付費的,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使用者之間的事實進行參考。使用者劃分在資料分析中是非常重要的,尤其是在免費產品當中,平均使用者不僅不存在,而且是誤導研發的因素之一。在一個具體的產品中,普世型的資料是沒有多大參考意義的。

  但使用者分類並不只是在考慮產品研發路線的時候重要,如果一個遊戲功能優先考慮最有價值和參與度最高當使用者,因此這樣的結論不僅是錯誤的,還會帶來很多錯誤的使用者。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、裝置類型);獲取管道;使用者早期行為(比如貨幣化或者參與度資料);進入遊戲時間(控制季節性因素)。對於一些獲取管道來說,比如Facebook,其他資料也可以進行參考,比如年齡、性別等等。

  和簡單的把iOS與Android的比較資料相比,參考了這些因素的資料分析更加可靠。根本上來說,資料分析是為了提高使用者使用的產品,如果分析採取的資料是錯誤的,那麼真正的使用者群是不會買帳的。

Comments are closed.