主页 » 营销干货 » 次留73% 3留40% 休闲游戏爆款是如何调优与发行的

次留73% 3留40% 休闲游戏爆款是如何调优与发行的

原创:爱写稿的罗斯基

Green Panda Games 成立于 2013 年,是一家专注于超休闲游戏,并以放置类游戏为主的发行,目前规模已经超 30 人。自成立迄今,其共发布超过 55 款游戏,全球累计下载量超 8500 万次,包括《Sushi Bar》、《Terrarium》、《Bee Factory》、《Golf Orbit》等热门产品。今年 8 月,媒体报道了育碧收购Green Panda Games 70% 股权的消息,不过在公司运营上,Green Panda Games 依旧保持独立性。

1_meitu_1.jpg

 

Green Panda Games COO

在 Green Panda Games 拜访期间,罗斯基一行受到了热情的招待。Green Panda Games COO接待并为我们讲解了 Green Panda Games 公司历史及发行产品相关的内容,而其后的商务负责人、数据分析负责人分别带了更为细致且深度的分享。包括 Green Panda Games 的发行流程、以代理中国厦门很稳网络的产品《过山车大亨》为例,进行了整个调优过程与发行实战案例的讲解、数据驱动型的决策的“中台”机制等等。

为了方便阅读,Green Panda Games以下皆简称“GPG” 。

 

以下为相关内容整理:

GPG 最早的业务就是游戏研发,主做经典游戏玩法的纸牌等产品。在 2018 年转型为超休闲游戏发行。并在随后发行上线的《Golf Orbit》等几款产品中获得了成功。

2_meitu_3.jpg

 

GPG 在 2018 年中期开始关注放置游戏。发现与其他品类的超休闲游戏相比,放置游戏的游戏生命周期会更长,并且留存数据更好。通常一款休闲游戏的寿命只有 45 天,而放置游戏的用户可以留存到一年甚至更长。其发行《Bee Factory》与一款植物类游戏就是很好的体现,《Bee Factory》在上线一年后,还保持在美国排行榜 200 名左右的位置。

 

在 2018 年 9 月,GPG 开始专注于放置类游戏,并接连发行了《Sushi Bar》等几款产品。可以说《Sushi Bar》是目前发行最成功的游戏,游戏的数据非常好,在用户进入游戏的前两天中,平均会看 30 个广告,而观看这 30 个激励视频大约需要 15 分钟,可以想象一下游戏的 LTV 会多么惊人。

3.jpg

Green Panda Games发行的游戏矩阵

虽然 GPG 已经没有自研团队,但是有研发技术人员做支撑。虽然曾经也研发过游戏,但现在这些人已经成为游戏的设计师,帮助 CP 进行游戏的优化,有时候会直接帮他们设计 UI、场景等。GPG 所做的决策都是来源于数据驱动,数据部门是公司的中台。这恰恰也是 GPG 厉害之处。

在发行与研发合作,如何打造休闲游戏爆款的话题。GPG亚太区商务负责人杨阳以《过山车大亨》的合作调优案例进行了分享。

 

一、GPG发行的基本流程与存留测试标准

首先在合作上,GPG 会全程与研发保持紧密的合作关系。在产品的游戏的创意阶段,包括头脑风暴阶段都会与之交流,并针对性的提供一些意见及经验参考。

在初期,研发通常会分享一个非常简单的草图,只是展现出来游戏的概念,一个基本的玩法和框架是什么。GPG 基于此给予相应的反馈。帮助他们去提升玩法以及更好的用户体验。并加入一些美术的设计,包括简单的 UI、广告设计等。

当收到了一个游戏的原型,GPG 会在整个公司安排不同的团队去试玩,包括买量团队,制作人团队以及设计团队,都会基于他们不同的专业经验和知识,给到相应的建议,帮助游戏在不同的角度,比如说怎么样题材风格在买量视频上更吸引人,怎样让玩家在游戏过程中获得更好的游戏体验,也包括一些 UI 重新设计上,做到一些更好的效果。

当这款游戏足够好就会安排去测试。具体来说就是在怎么 Facebook 上买量,怎么获取原型用户,GPG 在测试阶段制定一些 kpi 目标,如美国 iOS 榜 CPI 0.2 美金;次留 55%,3 留 25% 这样的标准。一款游戏的吸量程度、留存以及广告展示次数的数据,能够帮助我们更好的衡量,这款游戏是否值得继续做下去。

4.jpg

 

如图所展示的数据,对大家来说可能有些震惊,但是对于 GPG 来说,放置类游戏在超休闲领域中是一个非常特别的细分品类。用户粘性不仅强,而且在买量上的潜力的也大的多。

当然对于不同类型的游戏,比如 CPI 高但同时 LTV 也高的时候,会用不同的标准去衡量这些数据。

进入产品调优阶段后,CPG 会根据不同游戏给出相应的建议。比如说怎样提高他的用户体验,怎样在各方面提升一些数据。当游戏能够达到发行标准后,就会开始大规模推广。

5_meitu_6.jpg

 

二、休闲游戏产品调优及《过山车大亨》发行案例分享

接下来,具体以 GPG 与厦门很稳制作的《过山车大亨》发行合作案例,讲解发行细节及GPG 如何帮助 CP 调优产品。

如下图是游戏设计的第一张概念图,当他们想到这个概念的时候分享给 GPG。从这个图中可以看到,过山车是一个非常常见的主题,不无论性别、年龄,国别,所有人都知道。当玩家看到这个游戏,或者听到这个概念之后,他就知道这个游戏怎么去玩。简单的游戏概念,奠定的基础就是买量的时候 CPI 处于非常低的标准。

6.jpg

 

《过山车大亨》在摄像机视角、镜头等方面做了非常多的创新。这些创新在游戏在买量的时候也会更加吸引用户的眼球。

当然作为第一张设计图,还有很多需要提升的地方。比如说游戏的玩法不够明确,如果只有过山车在里边转的话,并不是那么的有趣,并不是那么的吸引人。其次的话,游戏的升级系统也不是特别明确。如果仔细看,会发现游戏的升级按钮都是从其他游戏拿过来的。只是为了展示这个概念是什么样子的。当然这些我们都不是特别的在乎,因为 GPG 会帮助他们改进这些地方。

然后在这个时候 GPG 开始和研发团队合作,并给了一些反馈。之后他们发过来了第二张设计图。

7_meitu_8.jpg

 

在这个图当中,添加了一个非常小的功能,就是一个排队的系统,这个系统改变了整个游戏的流程。相比之前的版本只有过山车在里边运转,现在是有顾客来到这个公园,然后顾客走到车站排队,之后进到过山车,过山车开始在里边运转。虽然这是一个非常非常小的功能,可能很多人都不会觉得这个功能在游戏里边有什么作用,但是他给玩家的感觉,会把这个游戏变成了非常贴近现实生活中主题乐园的感觉,而且会给玩家更多的代入感和参与感。玩家能感受到自己在管理自己的主题乐园,在管理自己的过山车,这样一种更真实的游戏体验。

 

接下来游戏重新设计了不同的升级系统,因为在加入排队系统会后,游戏中可以升级票价、升级顾客来的速度、升级一些例如过山车的数量,每辆车可以承载的人数等。这些功能虽然增加了一些游戏的难度,带给玩家一点挑战,但是同样也会增加玩家的代入感和参与感。也为我们后续游戏的优化,奠定了非常良好的基础。并且包括每个升级系统,包括车辆的升级、轨道的升级,都会伴随视觉上的反馈。这个功能没有图去展示,但是大家可以想象一下,每升级几次,会获得一个新的轨道、新的配色,可以给予玩家非常强烈的满足感。

 

当然在第二张图中也发现了一些相应的问题,例如在主题乐园当中,唯一的收入来自过山车,过山车每转一圈,会获得一定的收入。另外用户体验也不是非常明确,包括设计的部分我们在之后也还需持续优化。

这是第三个迭代的版本,过山车第三个迭代的版本。

8_meitu_9.jpg

 

在这个之前的版本加入了一些像冰激凌车、汉堡店这类的设计。当时只是为了增加一些升级的内容,后续增加了一些真正的功能。当玩家解锁了过山车周围这些,可能看上去没有用的东西之后,会有一些随机的顾客来到这个地方,去购买商品,产生一些其他的游戏内的收入。这样一个非常小的功能,甚至大家都不会在意到的功能,但是会让玩家一直在游戏里感受非常的繁忙,需要升级下这个,需要点下这个,可以让玩家在游戏里停留的更长,让玩家停留的更久一些。当然,最终引导向的还是玩家停留的越久,他们看广告的几率会越来越大,也是为了整个 LTV 的提升。

 

同样在这个版本中,加入了车站排队系统的指示器功能,玩家可以清楚的知道现在有多少人在排队,有多少人在等着。玩家会平衡一下,是需要升级加快排队的系统,还是去增加车的容量和速度。让整个过山车乐园更加良好的运行。

这是 GPG 在用户体验方面做得一些优化。而且从《过山车大亨》之后,可以看到其他的很多 3D 类型的游戏,都加入了这样一个指示牌,可能他们自己都不知道这个指示牌是干什么的,其实在游戏中我们是有很深远的考虑的。

当然这个版本,游戏重新设计了美术,例如颜色上的对比,包括新的颜色的设计,能让用户一看到就非常的抓眼球,把游戏做出一个视频或者是只是放一个截图放到 App Store 里都非常抓眼球。

到了这个版本之后,就是发行测试用的版本,当时的数据是非常非常好的。通过了 GPG 的测试。

在这之后也做了更多优化。例如 UI 的重做以及包括广告的设计。比如在这版奖励领取的弹窗,可以看到画面的颜色,包括各种布局的大小,给人的感觉不是特别休闲。

9_meitu_10.jpg

 

紫色给人特别沉重,会有看起来特别累的感觉。另外包括广告的设计,例如当游戏展示这两个按钮的时候,大部分玩家是用右手玩,他们会更多的去点击右边的 collect 按钮,反而不是去看广告。而且大部分玩家其实对广告虽然不拒绝讨厌,但是不会主动去看。那之后面针对这些方面做了一些相应的优化。

10_meitu_11.jpg

 

首先对于 UI 来说,GPG 的设计团队重新做了整套的 UI。可以看到,跟之前那张图做对比,整个 UI 的所有元素都很好的排列,玩家看上去就知道什么时候需要哪个功能,但是看上去也不会特比拥挤。而且在颜色搭配上面也做了新的优化,与游戏整体设计更加融合。同时,在奖励领取弹窗上面用了新的模式,只展示看激励视频的选项,同时也增加了奖励的倍数,前边的版本是给奖励两倍的收入,这个是给奖励三倍的收入。这是增加了激励视频的价值的。因为激励视频的价值对 GPG 来说无所谓,两倍三倍甚至 5 倍都是无所谓的,但是最重要的如何激励玩家,让玩家有更加强烈的欲望去看这个视频,才是我们最终想要做的。这些都是我们在这一个小的改版中做的事情。

GPG 对于 idle 类游戏的调优,包括变现、用户体验等各个方面的调优, 都有一套非常成熟的系统。这套系统是在 GPD 长期做 idle 类游戏,包括做 A/B TEST 当中积累下来的一些经验,GPG 知道哪些功能在那个地方去用,效果会比较好。例如加入了新的永久展示 RV 的图标,让玩家可以在任何想看 RV 的时候都可以点击。

11_meitu_12.jpg

 

同时在用户看任何一个激励视频的时候,不仅是在游戏收入上的加速,同时会在视觉上感到反馈,下面这个是比较明显的一个例子,当用户看了一个视频之后,会得到一个烟火夜景这样一个公园,这样玩家不止是在游戏内得到了一些金钱上的奖励,同时他们在视觉上和心理上都得到了强烈的反馈。这也是为什么这款游戏他能够在 LTV 上能做到这么高的一个提升。

做完这些所有改动之后,这个版本跟之前测试版本在各项数据上都有提升提升。第一天留存增加了 3%,第三天的留存增加了 5.8%,LTV 翻了 268%。

 

12_meitu_13.jpg

 

同时还增加了很多游戏的新内容,比如说针对夏季设计了水上乐园的过山车,之后还有一个宇宙背景的过山车的世界,最后还有一个火山上的过山车。可以看到,不仅是轨道,背景,包括车的设计也都有一些改变。其实这些所有的设计的最终目的,都是为了保持玩家在游戏中的新鲜感,让玩家一直有新的东西可以去发现,保持他们的一种好奇心,有了这些内容,我们才可以保证游戏的留存可以提升,玩家有更多机会看激励视频,最后的 LTV 可以做到很好的标准。同样 GPG 的买量团队也可以使用这些新世界的设计去制作买量的素材,对不同的用户进行有针对性的投放。

13_meitu_14.jpg

 

接下来是 GPG 在过山车上做到的一些成就,不管是对我们,还是对研发来说,《过山车大亨》都是里程碑式的一款产品。

14_meitu_15.jpg

 

虽然这些数据看着很漂亮,但其实在这些数据背后 GPG 真正看重的,是与跟研发创造的这种关系,这种协同作用。研发在立项的初期,就非常的信任 GPG,他们把自己的 idea 分享给 GPG,GPG 整个公司所有的团队,包括买量团队,制作人团队,视觉团队,都会参与到这个项目当中去,提供最大的努力,把游戏做成一个爆款。而且对于 GPG 来说,我们更看重的是游戏的质量而不是数量。所以,我们也希望之后有幸跟更多的中国开发者,一起创造更多成功的故事。

 

下面是来自研发团队,对于我们合作过程中给到的一个反馈,其实对于 GPG 来说,也非常开心能够有机会跟他们合作,而且作为一个中国的研发团队,他们也给我们整个公司,我们整个管理团队都做了一个特别好的榜样。他用自己的实力告诉我们,中国的研发也可以做出这样好的爆款,这样好的超休闲游戏。超休闲游戏不仅是国外研发独大的地方,我们当然也希望,我们会创造更多新的故事。

15.jpg

 

三、数据驱动的发行是怎么工作的

海外公司在休闲游戏领域能取得非凡的成绩,离不开数据的运用与支持。他们会有专门独立的数据分析组来提供各种决策支持,而在国内,数据分析很多都是身兼多职的运营在做,专业性上要低,同时缺乏各种数据积累及数据模型搭建应用。目前海外公司在这方面上走在前列,非常值得国内公司借鉴学习。

在数据分析运用方面,GPG 采用的是数据驱动发行。

GPG 的数据团队的构成是由数据工程师,数据分析师,数据科学家组成。数据工程师主要负责数据平台的建立和维护,以及各种数据流的稳定性和持续性。为后续所有数据相关项目提供扎实的基础。

16_meitu_17.jpg

 

在此基础之上,数据分析师,主要是起到数据团队和其他团队之间起到桥梁的作用,他们直接面对来自其他团队各种关于数据方面的问题或者是需求,由他们负责解答。同时进行数据可视化,帮助他们更好的理解数据。最后在数据的基础上,做出一个比较有科学依据的决策。

 

最后是数据科学家。他们主要是用现在比较流行的一些科学方法,比如像机器学习,深度学习等一些算法,以及和云计算和大数据结合起来,然后进行一些预测和分析之类的数据科学相关的项目。

 

在 GPG 里,数据组是处于一个中台的位置,和其他所有的 team 都有非常紧密的联系。包括商务团队、买量团队、变现团队,以及产品团队。由数据组来负责帮助他们响应他们的问题,提高整个公司对于数据的了解和决策的效率,最终在公司里营造一个由数据驱动型的氛围和文化。

17.jpg

 

在数据的框架上,主要是由两条数据流组成,第一条数据流主要是来自 GPG 的产品和发行买量。由实时数据组成的,主要是由自己的 SDK 收集,用户在游戏里一些实时的信息数据。同时由渠道帮我们收集关于用户下载的数据,然后通过归因这种方式,实时送到我们的数据仓库,这个是我们第一条数据流。

第二条数据流就是所谓的日端数据流。每天去收集前一天的数据, 最后也是同样送到大数据库里。在大数据库里面,会进行数据的一些整理,分析筛选,最后就是转化。最终根据不同的 use case 形成最终的一些分析表,其中就包括了每天的数据报表,不同的部门每天就可以追踪 kpi 的变化,其中还包括下载、买量结合起来,会有一些实时的 push 或者就是一些预警。比如说当看到某一个数据的波动量超过正常范围,就去通知相关的人员采取及时的措施。

18.jpg

 

最后一块是和数据科学相关。会把所有数据直接输送到GPG使用的云服务,对数据科学模型进行更新。然后得出最新的运算模型。

20_meitu_21.jpg

 

四、休闲游戏的数据分析与模型预测

怎么样进行用户级别的的 LTV 的预测

大家知道在 LTV 方面现在大致有 3 个层级的运算。第一个层级就是基于历史数据的运算,也就是说每天收集到用户过去的信息,计算出过去一段时间的 LTV,但是这个是没有任何前瞻性或者预测性的,缺乏对未来的估计。在这个基础之上,GPG 会用一些其他数理统计的方法,然后去进行一些投射,譬如说取前 30 天的 LTV 平均值,然后来预测未来 30 天的 LTV。在这种情况之下,数据有一定的预测性,但是考虑的变量比较少,有时候会跟实际情况相差的比较远。

最后一个层级是现在相对的比较新的方式。数据学习算法结合起来,然后就是可以用大数据的一些计算,同时可以综合考虑所谓的比较全面的所有的变量,最后得出一个比较科学化的 LTV 的预测。

21_meitu_22.jpg

 

GPG 怎样运用数据科学来进行 LTV 的预测

GPG 的 LTV 预测基本分为 6 步。第一步是用户下载,从 0 天开始会收集用户基本信息,比如说来自于哪个国家,来自于哪个地区,下载用的哪个手机型号,用的是哪个操作系统以及来自哪些广告渠道等基本信息。

同时,当用户开始玩游戏的时候,会实时收集他在游戏里的行为。比如说他做了几个 session,他看了几个广告。每个 session 的时长是多少等等。然后在这个基础之上,会把收集到的信息进行筛选和转化,然后把数据带入到数据科学模型当中去。由此来计算出,第一步的用户 LTV。所以说通常在第 0 天,就会有 1-7 天 LTV 的预测。当然这是一个不断动态的过程,因为每一天当用户在不停玩游戏的时候,会有新的数据进来,这样会不断优化预测,让预测接近实际的标准。

22_meitu_23.jpg

 

现阶段,GPG 差不多在第三天预测第七天的 LTV 的准确率差不多 90% 左右。在第七天预测第十四天 LTV 的可以到 95% 的准确率。在这种情况下可以很快的反馈给不同的部门,比如说 UA 部门,可以告诉他们实时数据。当制定 CPI 计划时,可以根据不同渠道 LTV,调整不同渠道竞价的价格。然后对于变现部门,他们可以设置拍卖的底价是多少,可以达到最优化的变现。

 

在变现方面,GPG 是对用户进行分类,实现提高变现的效率目标

GPG 会把用户分成 3 种不同类别,第一种类别称之为明星用户,这一类用户当然也是最优秀的用户,特点就是会进行应用内购买,对于这种用户,策略就是不推送广告,想尽量提高这些用户的留存率。同时提高用户体验。可以在接下来促进这个用户去购买更多的的内购。

第二个类别是所谓的中产阶级。这类用户没有进行应用内购买,但同时他有看过广告,所以他对广告并不排斥,在这种情况下,对这类用户的策略是向他推激励广告,因为激励广告用户是可以选择看或不看的,同时 Ecpm 也比较高。在这种情况下,可以在变现以及用户体验上到达比较好的平衡点。

第三类就是所谓的吃白食用户。这类用户不看广告,只玩游戏,对我们而言这类用户并没有给我们带来什么价值。在这种情况下,我们的手法会比较直接一点。会向他推送全屏的弹窗广告,因为这些广告是没有办法选择的,必须要看。这样可以尽量从这些用户身上获取剩余价值。

23.jpg

 

前边的两个例子都是和数据科学相关,下面给大家介绍怎么样去设计一些内部的工具,帮助其他部门提高数据方面的效率,同时减少他们在数据方面的工作量。

GPG 设计的一个自动化 A/B test 系统,每天都会做很多 A/Btest,之前所有 A/Btest 的结果是需要产品经理手动计算,如果同时在几个国家测试,他的运算量会非常大,这就有两个弊端。第一个就是工作量大,第二个就是人为犯错几率也高。所以最后可能他做出来决策的正确性和质量相对比较低一点。在这种情况,GPG 设计了一套 A/Btest 自动化系统。

24_meitu_25.jpg

 

图中展示的例子是 GPG 今年最火的游戏之一,给《Sushi Bar》设计的 A/Btest。在这套系统底下,产品经理只要决定 A/Btest 每个组之间的人数,或者人数百分比。之后所有数据的收集整理以及最后的计算,全部都是靠后台自动完成,所以说产品经理只需要在数据报表上看这些数据就可以了。他就可以看到每个 kpi,不同组别之间的数据是多少.

同时也会进行计算,帮他算出每个组的结果,是否显著。同时告诉他改选 b 还是选 a。还是数据不够充分,没有办法做出决策。这样子的 adtest,首先第一个他们的工作量可以减少很多,第二他的正确率几乎是 100%。这样子我们做出来的决策是比较数据驱动型的决策。

 

提问环节的部分问题整理:

Q:美国和其他市场比,美国市场的单用户价值或者市场规模是绝对主力?

A:是绝对主力,美国是用户价值最高的地区,虽然买量成本高一些,但是他的用户价值最高。

 

Q:游戏相关的数据测试,都是以美国为指标?

A:是,包括收到原型之后做的 Uatest,我们也是在美国做,如果在美国能成,说明全世界80、90% 都能成。假如在巴西印度做 UA 测试,即使能成,不代表其他国家能成。

 

Q:在 GPG 看来,放置类游戏的用户是否偏向小众的用户群?

A:这是大多数人对于放置类游戏的一个错误的认识。对我们来说,所有放置游戏都保持在超休闲领域当中,玩法上不会特别深度,以点点点的玩法为主。所以不应当将放置类与超休闲游戏割裂开来看。而且放置类的吸量程度是非常强的。所有的游戏都会有它的生命周期,如果大家善于观察美国榜单,放置类的生命周期反而会更长。

 

Q:GPG 怎么选择游戏,合作标准是什么?

A:标准很开放,主要还是要新颖的题材与玩法,如果只是换皮我们一般不建议做下去,而且也能预料到不可能达到爆款的标准。然后,最重要的决定是基于测试的结果,市场的反馈。如果市场反馈好就继续做下去。反馈不好尽快放弃。因为在整个沟通的过程当中,从设计到做原型的时间大概是 3-4 周,包括美术、程序,这种快速试错对我们来说比较重要。、

 

Q:研发合作中什么情况选择继续做,什么情况下会放弃?

A:GPG 更专注游戏质量,如果我们觉得游戏有潜力,或者有哪些地方可以提升,我们会给到意见。一开始会基于以往的经验,我们不确定哪个主题能火,但是我们能确定哪个主题不能火。在那个阶段会 cut 掉很多。CPI 是一个比较重要的数据,因为 LTV 还是比较受限制,即使 LTV 能提高很多,但是在美国市场做这个东西有一个顶,所以 CPI 还是重要标准。

 

Q:有些放置游戏题材不同,内核非常相似。甚至有些团队不断出相同内核不同题材。GPG有一些比较成功的放置的核心,数值内核之后,是否考虑换题材。换多少觉得可以,换多少觉得不可以?

A:这个我们之前尝试过,包括《Sushi Bar》和《Bee Factory》,我们都尝试过换皮换主题。都没有成,所以后续直接不考虑这个事。

因为玩法上完全一样,只是美术包装上的区别,他的受众群体会越来越小。我们觉得做不下去。

 

Q:是否因为不同题材游戏最终推向的还是同一波受众,导致他认为游戏很像?很多超休闲游戏,互相抄袭非常严重,因为他们认为市场足够大,任何一个游戏洗不掉所有用户,所以他不排斥换皮?

A:这是非常不健康的竞争,对哪家都不是很好。而且同样的题材,玩法多了以后,他们之间会互相蚕食,造成 CPI 直线上升。换皮的事情曾经内部有测过,相同题材内部做测试,发现实际上最终数据不是特别理想,从数据角度后来就不做了。

 

Q:GPG 是只发行放置类游戏?

A:现在是超休闲放置类为主,接下来会涉猎更加“休闲的”放置类产品。这类产品游戏玩法更深,同时有更强的内购设计。

 

Q:GPG 自己有研发?

A:没有,制作人是接项目帮助调优的。

 

Q:在数据分析,因为国内投放部分就分两个部门,一个叫素材美术部,一个就叫投放部。所以 GPG 提到的数据分析,是单独的一块,还是跟投放在一起的。

A:UA 负责操作,后面所有数据收集是由我们来做的。专门有数据组,4-5 个人。

 

Q:通过什么办法对休闲游戏用户分层?

A:有一个机器学习的模型,当用户来了之后,他在 app 里有各种行为,这个行为我们就会收集送到数据仓库里,然后进行数据清洗,送到用户模型算法里,最后就会得出这个用户他可能是处于哪类。一般是用户第一天进来后,会有一些行为,我们把这个提出来,进行第一次预测。后续会不断迭代,分类在前 3 天会比较频繁,每日计算 2-4 次,因为我们的用户数据基本上是实时数据。而在第 3 天以后 LTV 和分类的预测比较准,所以 3 天后每天做一次分析。

 

原文转载自:罗斯基
原文链接:http://www.baijingapp.com/article/25858
contact-modal-close.png
木瓜移动,简单快速为您解决营销困境
(留下您的联系方式,我们的专业投放团队会为您提供服务)