理解数据

本次测试集数据共828934条，109个字段
主要对于以下10个字段进行分析

字段	解释
user_id	玩家唯一id
pay_price	付费金额
rigister_time	玩家注册时间
avg_online_minutes	在线时长
pvp_battle_count	玩家之间对战次数
pvp_lanch_count	主动发起pvp次数
pvp_win_count	pvp胜利次数
pve_battle_count	玩家-电脑之间的对战次数
pve_lanch_count	玩家主动发起PVE次数
pve_win_count	pve胜利次数

主要从以下四个方面进行分析

新增玩家分析：玩家数量，付费玩家占比，每日新增
玩家活跃度分析：在线时长，分布特征
付费情况分析：PUR，ARPPU,ARPU等关键指标情况分析
游戏习惯分析：从PVP,PVE两个指标情况进行分析

数据分析

1.新增玩家分析

1.1新增玩家数量

SELECT count(DISTINCT user_id)
FROM tap_fun_test

1.2付费玩家数量

SELECT count(DISTINCT user_id) 新增付费玩家
FROM tap_fun_test
WHERE pay_price>0

1.3付费玩家占比

SELECT b.`新增付费玩家`/a.`新增玩家` AS 付费玩家占比
FROM
(SELECT count(DISTINCT user_id) 新增玩家
FROM tap_fun_test) a,
(SELECT count(DISTINCT user_id) 新增付费玩家
FROM tap_fun_test
WHERE pay_price>0)b

新增玩家共828394人，付费玩家有19549人，付费人数占注册总人数2.36%

1.4每日新增用户数量

SELECT date(register_time) as 日期,
count(DISTINCT user_id) as 当日新增玩家
FROM tap_fun_test
GROUP BY date(register_time)

1.5每日新增付费用户数量

SELECT date(register_time) as 日期,
count(DISTINCT user_id) as 当日新增付费玩家
FROM tap_fun_test
WHERE pay_price>0
GROUP BY date(register_time)

数据可视化：

由图可得：

每日新增玩家数在3.10日有一次大高峰增长，3.13一次小高峰增长，是由于两个时间点举办了游戏活动，但是游戏活动过了以后，后续注册量没有显著提升。

活动需要保持力度与一定时间维度，给玩家充分的时间去了解游戏。

2.玩家活跃度分析

2.1平均在线时长

SELECT AVG(avg_online_minutes)
FROM tap_fun_test

2.2付费玩家平均在线时长


SELECT AVG(avg_online_minutes)
FROM tap_fun_test
WHERE pay_price>0

明显得出：付费玩家平均在线时长远远大于全体玩家平均值

2.3平均在线时长分布特点

#求全部玩家四分位
SELECT ROUND(COUNT(DISTINCT user_id)/4) AS 下四分位数,
ROUND(COUNT(DISTINCT user_id)/2) AS 中位数,
ROUND(COUNT(DISTINCT user_id)/4*3) AS 上四分位数
FROM tap_fun_test

207234 414467 621701

#求全部玩家在线时长的关键值
SELECT MIN(avg_online_minutes+0) as 最小值,
(SELECT avg_online_minutes
FROM tap_fun_test
ORDER BY avg_online_minutes+0
LIMIT 207234,1) AS 下四分位数,
(SELECT avg_online_minutes
FROM tap_fun_test
ORDER BY avg_online_minutes+0
LIMIT 414467,1) AS 中位数,
(SELECT avg_online_minutes
FROM tap_fun_test
ORDER BY avg_online_minutes+0
LIMIT 621701,1) AS 上四分位数,
MAX(avg_online_minutes+0) as 最大值
from tap_fun_test

0 0.5 1.666667 5.0 1605.833333

#付费玩家游戏时长四分位
SELECT ROUND(COUNT(DISTINCT user_id)/4) AS 下四分位数,
ROUND(COUNT(DISTINCT user_id)/2) AS 中位数,
ROUND(COUNT(DISTINCT user_id)/4*3) AS 上四分位数
FROM tap_fun_test
WHERE pay_price>0

4887 9775 14662

#付费玩家游戏时长关键值
SELECT MIN(avg_online_minutes+0) as 最小值,
(SELECT avg_online_minutes
FROM tap_fun_test
WHERE pay_price>0
ORDER BY avg_online_minutes+0
LIMIT 4887,1) AS 下四分位数,
(SELECT avg_online_minutes
FROM tap_fun_test
WHERE pay_price>0
ORDER BY avg_online_minutes+0
LIMIT 9775,1) AS 中位数,
(SELECT avg_online_minutes
FROM tap_fun_test
WHERE pay_price>0
ORDER BY avg_online_minutes+0
LIMIT 14667,1) AS 上四分位数,
MAX(avg_online_minutes+0) as 最大值
from tap_fun_test
WHERE pay_price>0

0.333333 30.666666999999997 84.666667 191.333333 1081.5

将数据可视化：

由图可得：
百分之75的玩家平均在线时长只有5分钟以内，可见玩家流失情况较严重。
付费玩家的在线时长下四分位数为30.6，所以可见百分之75以上的付费用户时长平均在线时长超过30分钟

3.玩家付费情况分析

关键指标：

AU：活跃用户游戏时长>15分钟
PU：付费用户
APA：活跃付费用户数
ARPU：平均活跃用户收入
ARPPU：平均每个活跃付费用户收入
PUR：付费比率 APA/AU

3.1 ARPU 平均活跃玩家收入

SELECT COUNT(DISTINCT user_id) as 活跃玩家数量,
SUM(pay_price) as 活跃玩家总付费,
FORMAT(SUM(pay_price)/COUNT(DISTINCT user_id),2) as ARPU
FROM tap_fun_test
WHERE avg_online_minutes>=15

3.2 ARPPU 平均每个活跃付费玩家收入

SELECT COUNT(DISTINCT user_id) as 活跃付费玩家数量,
SUM(pay_price) as 活跃付费玩家总付费,
FORMAT(SUM(pay_price)/COUNT(DISTINCT user_id),2) as ARPPU
FROM tap_fun_test
WHERE avg_online_minutes>=15 AND pay_price>0

3.3 PUR：付费比率 APA/AU


SELECT COUNT(DISTINCT user_id) as APA,
(SELECT count(DISTINCT user_id)
FROM  tap_fun_test
WHERE avg_online_minutes>=15) AS AU,
COUNT(DISTINCT user_id)/(SELECT count(DISTINCT user_id)
FROM  tap_fun_test
WHERE avg_online_minutes>=15) AS PUR
FROM tap_fun_test
WHERE avg_online_minutes>=15 AND pay_price>0

将数据可视化：

由图可得：
1.该游戏人均付费率很低，游戏收入表现较差
2.但是根据第二张图，ARPPU是ARPU的六倍，说明玩家付费能力强，可以做一些付费的优化，让人民币玩家玩的开心愉快

4.玩家游戏习惯分析

4.1 AU玩家pvp情况


SELECT count(DISTINCT user_id) AS AU,
FORMAT(AVG(pvp_battle_count),1) AS AU人均pvp局数,
FORMAT(AVG(pvp_lanch_count),1) AS AU人均发起pvp局数,
FORMAT(SUM(pvp_lanch_count)/SUM(pvp_battle_count),2) AS AU主动发起概率,
FORMAT(SUM(pvp_win_count)/SUM(pvp_battle_count),2) AS AU胜利概率
FROM tap_fun_test
WHERE avg_online_minutes >=15

4.2 APA 的PVP情况

SELECT count(DISTINCT user_id) AS AU,
FORMAT(AVG(pvp_battle_count),1) AS AU人均pvp局数,
FORMAT(AVG(pvp_lanch_count),1) AS AU人均发起pvp局数,
FORMAT(SUM(pvp_lanch_count)/SUM(pvp_battle_count),2) AS AU主动发起概率,
FORMAT(SUM(pvp_win_count)/SUM(pvp_battle_count),2) AS AU胜利概率
FROM tap_fun_test
WHERE avg_online_minutes >=15

4.3 AU的PVE情况

SELECT count(DISTINCT user_id) AS AU,
FORMAT(AVG(pve_battle_count),1) AS AU人均pvp局数,
FORMAT(AVG(pve_lanch_count),1) AS AU人均发起pvp局数,
FORMAT(SUM(pve_lanch_count)/SUM(pve_battle_count),2) AS AU主动发起概率,
FORMAT(SUM(pve_win_count)/SUM(pve_battle_count),2) AS AU胜利概率
FROM tap_fun_test
WHERE avg_online_minutes >=15

4.4 APA的pve情况

SELECT count(DISTINCT user_id) AS AU,
FORMAT(AVG(pve_battle_count),1) AS AU人均pvp局数,
FORMAT(AVG(pve_lanch_count),1) AS AU人均发起pvp局数,
FORMAT(SUM(pve_lanch_count)/SUM(pve_battle_count),2) AS AU主动发起概率,
FORMAT(SUM(pve_win_count)/SUM(pve_battle_count),2) AS AU胜利概率
FROM tap_fun_test
WHERE avg_online_minutes >=15 AND pay_price>0

不同玩家pvp与pve次数对比

APA是AU的两倍左右，显然APA玩家愿意花费更多时间在游戏上
PVE中，两者发起与胜利概率基本持平，可见玩家均熟悉PVE规则，会主动打怪升级。打怪机制对于非人民币玩家也非常友好。
PVE中，APA更享受对战乐趣，也获胜几率更高。

结论

1.新增玩家分析：

新增玩家共828394人，付费玩家有19549人，付费人数占注册总人数2.36%
每日新增玩家数在3.10日有一次大高峰增长，3.13一次小高峰增长，是由于两个时间点举办了游戏活动，但是游戏活动过了以后，后续注册量没有显著提升。
活动需要保持力度与一定时间维度，给玩家充分的时间去了解游戏。

2.玩家活跃度分析：

全体玩家平均在线时长11.7分钟，付费玩家平均在线时长135.9分钟，付费玩家平均在线时长远远大于全体玩家平均值。
75%的玩家平均在线时长只有5分钟以内，可见玩家流失情况较严重。
付费玩家的在线时长下四分位数为30.6，所以可见75%以上的付费用户平均在线时长超过30分钟，说明付费用户确实更加愿意投入时间到该款游戏。

3.玩家付费情况分析：

PUR为12%，建议开展优惠的首充活动提升付费率。加大渠道的权重，获得推荐位机会。
ARPU为5.4元，该游戏人均付费率很低，游戏收入表现较差
ARPPU是ARPU的六倍，说明玩家付费能力强，可以做一些付费的优化，让人民币玩家玩的开心愉快

4.玩家PVP,PVE情况分析：

APA是AU的两倍左右，显然APA玩家愿意花费更多时间在游戏上
PVE中，两者发起与胜利概率基本持平，可见玩家均熟悉PVE规则，会主动打怪升级。打怪机制对于非人民币玩家也非常友好。
PVE中，APA更享受对战乐趣，也获胜几率更高。

基于游戏付费数据，对战数据分析相关推荐

ML之DataScience：基于机器学习处理数据科学(DataScience)任务(数据分析、特征工程、科学预测等)的简介、流程、案例应用执行详细攻略
ML之DataScience:基于机器学习处理数据科学(DataScience)任务(数据分析.特征工程.科学预测等)的简介.流程.案例应用执行详细攻略目录数据科学的任务(数据分析.特征工程.科学 ...
数据分析与挖掘实战-基于基站定位数据的商圈分析
基于基站定位数据的商圈分析背景随着个人手机终端的普及,出行群体中手机拥有率和使用率已经达到相当高的比例,手机移动网络也基本上实现了城乡空间区域的全覆盖.根据手机信号在真实地理空间上的覆盖情况,将手 ...
mysql数据生产数据分析_基于MySQL玩转SQL数据分析课程互联网数据分析师-SQL数据分析实战视频教程...
基于MySQL玩转SQL数据分析课程互联网数据分析师-SQL数据分析实战视频教程课程目录 (1)SQL与数Ju分析;目录中文件数:23个 (1) 开课-课时3SQL与数Ju库的价值.flv (2) ...
unity基于NetWork的局域网对战游戏制作
现在的游戏大体分为2种,要么就是单机游戏,要么就是联网游戏.像现在比较火的游戏,比如手机游戏王者荣耀,比如端游LOL,这些都是联网游戏.再比如求生之路系列,鬼泣系列,生化危机系列这些都是单机游戏.但是 ...
全国大学生大数据技能竞赛——基于Scala和Echart的大数据分析与挖掘
基于Scala和Echart的大数据分析与挖掘题目三:大数据分析与挖掘案例 Spark基站统计分析 Scala语法基础数据读取 1．读取文件数据 (1)按行读取 (2)按字符读取 2．写入数据数 ...
往期直播：《驴妈妈，基于混合云的OTA行业数据分析、精准运营和大数据用户推荐》...
最新活动报名: 3月16日直播<空格技术架构云上实践与经验>:https://yq.aliyun.com/webinar/join/4 3月18日直播<爆款App小咖秀产品服务端架构 ...
航测大数据量处理_一种基于动态航测的图像大数据分析方法与流程
本发明涉及数据处理技术领域,具体为一种基于动态航测的图像大数据分析方法. 背景技术: 数据分析是指用适当的统计分析方法对收集来的大量数据进行分析,提取有用信息和形成结论而对数据加以详细研究和概括总结的 ...
基于Python的海量豆瓣电影、数据获取、数据预处理、数据分析、可视化、大屏设计项目（含数据库）
目录项目介绍研究背景国内外研究现状分析研究目的研究意义研究总体设计网络爬虫介绍豆瓣电影数据的采集数据预处理大数据分析及可视化豆瓣影评结构化分析大屏可视化文本可视化总结每文 ...
基于python的数据建模与分析案例_基于案例详解Python数据分析与机器学习
课程概述: 使用数据领域最主流语言Python及其分析与建模库作为核心武器.对于机器学习经典算法给出完整的原理推导并基于实例进行讲解,基于案例演示如何应用机器学习算法解决实际问题. 课程特色: 通俗易 ...

基于游戏付费数据，对战数据分析