## 條件

這是我分析的條件，不同情況就舉一反三吧

1.游戲環(huán)境：
很標(biāo)準(zhǔn)的放置卡牌體系，如afk

2.養(yǎng)成資源：
英雄+裝備【飾品符文等等】

3.相對(duì)靠譜的數(shù)值體系：
對(duì)應(yīng)的數(shù)值策劃都已經(jīng)給了戰(zhàn)力，戰(zhàn)力在一定意義上能夠描述養(yǎng)成程度
對(duì)應(yīng)的運(yùn)營(yíng)給了vip標(biāo)準(zhǔn)，vip等級(jí)在一定程度上能夠反映玩家的付費(fèi)程度

4.確定同天同渠道同服用戶對(duì)比

分析目的

• 主要是為了看不同vip下玩家的養(yǎng)成程度，在一個(gè)標(biāo)準(zhǔn)的放置卡牌體系中，玩家的戰(zhàn)力和養(yǎng)成程度是線性正相關(guān)的
• 如果系統(tǒng)策劃把某些關(guān)卡、副本、功能和戰(zhàn)力掛鉤了，那分析【付費(fèi)-戰(zhàn)力】，是非常有必要的
• 如果數(shù)據(jù)反映出的戰(zhàn)力表現(xiàn)得失常，我們不能馬上就斷定游戲生態(tài)失常，還需要進(jìn)一步找原因，也可能是樣本太小導(dǎo)致的
• 最終如果發(fā)現(xiàn)生態(tài)真的失常，可能系統(tǒng)策劃和數(shù)值策劃需要接入調(diào)整，運(yùn)營(yíng)上也需要采取風(fēng)控運(yùn)營(yíng) 的策略，避免失常的這一部分玩家產(chǎn)生【不充錢也能打氪佬】和【充錢居然不能變強(qiáng)】的體驗(yàn)
• 當(dāng)然不是非要基于vip維度來(lái)看，等級(jí)、競(jìng)技場(chǎng)段位都可以的，不同維度分析出來(lái)的東西也不同，方法是類似的

數(shù)據(jù)清洗

1.首先肯定要篩選掉噪點(diǎn)，這里的噪點(diǎn)通常是英雄品質(zhì)和英雄等級(jí)之類，因?yàn)槟憧隙ú幌氚淹婕叶诜e的狗糧也算進(jìn)來(lái)，盡肯能剔除狗糧的影響，才更接近真相

2.等級(jí)過(guò)低的玩家也可能需要提出，比如0-2級(jí)的這種，還在新手期的玩家數(shù)據(jù)，你分析了沒(méi)意義，也是噪點(diǎn)

數(shù)據(jù)分析

1.首先做數(shù)據(jù)透視，索引字段就是【vip】，統(tǒng)計(jì)字段是【戰(zhàn)力】，算法就是常規(guī)的描述統(tǒng)計(jì)，中位數(shù)、均值、眾數(shù)，一鍵三連，我這里用的是pandas的group by，excel玩家就用透視表做，不難的

2.【重點(diǎn)】除了三連，還需要統(tǒng)計(jì)偏度，找出哪個(gè)vip下，玩家戰(zhàn)力分布處于失常狀態(tài)。偏度的定義網(wǎng)上可以搜到，偏度的計(jì)算方法，我這里

偏度>0.5，越大，說(shuō)明這個(gè)vip下的用戶，實(shí)力偏弱的人多
偏度<-0.5，越小，說(shuō)明這個(gè)vip下的用戶，實(shí)力偏強(qiáng)的人多

3.除偏度以外，有時(shí)候也需要看極值，假如出現(xiàn)vip2的戰(zhàn)力極值大于vip5,一定是有問(wèn)題的，中位數(shù)、均值、眾數(shù)也是做輔助判斷的依據(jù)

4.找出失常的vip后，需要通過(guò)極值去找到那個(gè)具體失常的人，看看他的所有數(shù)據(jù)，對(duì)比他所在vip下的標(biāo)準(zhǔn)數(shù)據(jù)，找出具體失常的點(diǎn)，單純戰(zhàn)力分析一定是片面的，因此必須結(jié)合其他數(shù)據(jù)分析結(jié)果一起看，才能接近真相

根據(jù)我的經(jīng)驗(yàn)，vip低的人群，戰(zhàn)力偏度通常是小于-0.5，或者服從正態(tài)分布的

我們通常更關(guān)注vip高的這一部分
如果vip高，且偏度遠(yuǎn)大于0.5,說(shuō)明里面小部分氪佬實(shí)力超前，需要關(guān)注這部分人充值金額是否能夠打出這個(gè)實(shí)力【風(fēng)控運(yùn)營(yíng)】
如果vip高，且偏度遠(yuǎn)小于-0.5,說(shuō)明氪佬里面有明顯掉隊(duì)的，需要gs介入帶一帶，或者vip客服安撫【防止大R流失】

源碼示例

直接復(fù)制過(guò)去大概沒(méi)法用的，并且這個(gè)腳本只是項(xiàng)目的一部分，看個(gè)思路吧

import sanguo.data.gamedata import pandas as pd import numpy as np import datetimedata = pd.read_excel('C:\\Users\\mayn\\Desktop\\三國(guó)\\data\\詼諧三國(guó)-hero.xlsx') hero = sanguo.data.gamedata.herohero_name = hero.loc[:,['英雄ID','英雄名稱']] df = pd.merge(data,hero_name,left_on='hid',right_on='英雄ID',how='left')def vip_zhanli():list1 = []max_zhanli_list = df.groupby('vip')['戰(zhàn)力'].max('戰(zhàn)力').valuesfor i in max_zhanli_list:a = df[df['戰(zhàn)力'] == i]list1.append(a)zhanli_analyse = pd.concat(list1)zhanli_analyse['戰(zhàn)力中位數(shù)'] = df.groupby('vip')['戰(zhàn)力'].median('戰(zhàn)力').valueszhanli_analyse['戰(zhàn)力均值'] = df.groupby('vip')['戰(zhàn)力'].mean('戰(zhàn)力').valueszhanli_analyse['戰(zhàn)力眾數(shù)'] = df.groupby('vip')['戰(zhàn)力'].agg(lambda x: np.mean(pd.Series.mode(x))).values##這個(gè)眾數(shù)算法比較特殊，由于pandas的group by不能算眾數(shù)，所以用agg方法,引用 pd.Series.mode() 然后區(qū)眾數(shù)的平均#眾數(shù)暫時(shí)不用了zhanli_analyse['偏度'] = df.groupby('vip')['戰(zhàn)力'].skew().values# （1）Skewness = 0 ，分布形態(tài)與正態(tài)分布偏度相同。# （2）Skewness > 0 ，正偏差數(shù)值較大，為正偏或右偏。長(zhǎng)尾巴拖在右邊，數(shù)據(jù)右端有較多的極端值。# （3）Skewness < 0 ，負(fù)偏差數(shù)值較大，為負(fù)偏或左偏。長(zhǎng)尾巴拖在左邊，數(shù)據(jù)左端有較多的極端值。# （4）數(shù)值的絕對(duì)值越大，表明數(shù)據(jù)分布越不對(duì)稱，偏斜程度大zhanli_analyse = zhanli_analyse.iloc[:,[2,4,12,13,15]]zhanli_analyse.columns = ['vip','最高戰(zhàn)力','戰(zhàn)力中位數(shù)','戰(zhàn)力均值','偏度']return zhanli_analysedef vip_hero(quantile_=0.8):list_ = []for i in np.sort(df['vip'].unique()):## unique()相當(dāng)于sql 里面的distinct ,sort是排序vip_hero_count = pd.pivot_table(df[(df['vip']==i) & (df['星級(jí)']>=2)],index='英雄名稱',values='uid',aggfunc='count')['uid'].reset_index()## 篩選 vip 等于 i, 星級(jí)大于2的英雄，透視表按vip，計(jì)數(shù)，重新索引pop_hero = vip_hero_count[vip_hero_count['uid'] >= vip_hero_count['uid'].quantile(quantile_)]pop_hero = pop_hero.copy()## 雖然不知道為什么，但是不copy就報(bào)錯(cuò)pop_hero['vip'] = np.copy(i)order = ['vip','英雄名稱','uid']pop_hero = pop_hero[order]pop_hero.columns = ['vip','英雄名稱','數(shù)量']list_.append(pop_hero)pop_hero_df = pd.concat(list_)return pop_hero_dfdef vip_zhuangbei():df_avg_zhuangbei = df.copy()df_avg_zhuangbei['裝備分'] = df_avg_zhuangbei[['裝備1','裝備2','裝備3','裝備4']].apply(lambda x:x.sum(),axis =1)## 裝備分等于四個(gè)裝備值的平均，只能用apply方法做zhuangbei = df_avg_zhuangbei.groupby('vip')['裝備分'].max('裝備分').reset_index()zhuangbei.columns = ['vip','極限裝備分']zhuangbei['中位數(shù)'] = df_avg_zhuangbei.groupby('vip')['裝備分'].median('裝備分').reset_index()['裝備分'].valueszhuangbei['平均數(shù)'] = df_avg_zhuangbei.groupby('vip')['裝備分'].mean('裝備分').reset_index()['裝備分'].valueszhuangbei['偏度'] = df_avg_zhuangbei.groupby('vip')['裝備分'].skew().reset_index()['裝備分'].valuesreturn zhuangbeidef to_excel():xlsx = pd.ExcelWriter("C:\\Users\\mayn\\Desktop\\三國(guó)\\數(shù)據(jù)分析\\戰(zhàn)力-英雄-裝備-分析%s.xlsx"%str(datetime.date.today()))vip_zhanli().to_excel(xlsx, sheet_name="戰(zhàn)力分析", index=False)vip_hero(quantile_=0.8).to_excel(xlsx, sheet_name="英雄分析", index=False)vip_zhuangbei().to_excel(xlsx, sheet_name="裝備分析", index=False)print("保存完成")xlsx.close()# to_excel("歌手活躍用戶%s.xlsx"%str(datetime.date.today())

總結(jié)

以上是生活随笔為你收集整理的游戏数据分析-玩家战力分析的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。