Ce diaporama a bien été signalé.
Nous utilisons votre profil LinkedIn et vos données d’activité pour vous proposer des publicités personnalisées et pertinentes. Vous pouvez changer vos préférences de publicités à tout moment.

20130727 ソシャゲkpi分析 tokyowebmining28_izawa_up

41 252 vues

Publié le

  • Soyez le premier à commenter

20130727 ソシャゲkpi分析 tokyowebmining28_izawa_up

  1. 1. ソーシャルゲームの KPI分析とサービス洗練 徹底入門 井澤 正志 (@masya13d) Twitterほとんど使ってませんが。。。 7/27 データマイニング+Web@東京#28 1
  2. 2. 本日の流れ 1.問題解決を目的とした データマイニングの観点 2.高校数学+αで実践する ソーシャルゲームのKPI分析 3.おわりに 2
  3. 3. 自己紹介 井澤 正志(S54.1.3) ・富山県出身 ・東北大学理学部化学系卒業 ・文部科学省、エムティーアイを経て、 2011年2月に株式会社gloopsに入社 <趣味> ・パチンコ、パチスロ:確率分布のばらつきを体感 ・競馬、FX:データから考えることが好き 分析の仕事って、趣味の延長線にあるのかも・・・ 入社当時はマーケティング・データマイニング未経験でした 3 ・2013年6月、gloops退職 現在、無職!
  4. 4. 1.問題解決を目的とした データマイニングの観点 2.高校数学+αで実践する ソーシャルゲームのKPI分析 3.おわりに 4
  5. 5. 問題解決のためステップ ① What 解決すべき問題は何なのか? ② Where 問題はどこで起こっているのか? ③ Why 問題は何故、起こっているのか? ④ How 問題の解決に向けて、何をすべきか? 参考文献:「MBAクリティカル・シンキング」 (グロービスマネジメントインスティテュート(株)) いきなりHowに向かって、あてずっぽうな対策はしない 場所・原因を特定した上で解決策を考える 5
  6. 6. 問題解決のためデータ解釈 ① What ② Where ③ Why ④ How データから特定できるのはほぼここまで ユーザの心理の動きに関して仮説立案 仮説に基づく解決策の実施 ターゲットユーザのユーザ体験を共有することが より精度の高いユーザ心理の仮説立案につながる 無料プレイのライトユーザの動向を調べたい 高額課金プレイのコアユーザの動向を調べたい ターゲットユーザと同じようにプレイし、体感する! 6
  7. 7. ユーザ目線の重要性 因果関係を逆に解釈するとミスコミュニケーション発生 因果関係を正しく解釈するためには ユーザ目線でデータを確認することが必要となる データを取り扱う者として信頼関係を構築するためには 因果関係を正しく解釈したコミュニケーションが必須 雤が降っている 傘を持っていく 原因 結果 相関関係の発見と因果関係の解釈は別問題 7
  8. 8. 問題解決志向のデータ分析 目的は、ユーザに「おもしろい」「楽しい」を届けること そのために、データを分析する データを分析すること自体が目的ではない 手段が目的化してはいけない データ分析は問題解決のツール 結果、ユーザに楽しんでもらうためのもの 最新の技術や統計学を導入することが目的ではない 問題解決に必要だから導入していきたい 8
  9. 9. わかりやすいデータ分析 目的は、ユーザに「おもしろい」「楽しい」を届けること そのために、データを分析する 分析のアウトプットに対して施策につなげるには 企画・開発・デザインのメンバーの理解が必要 高校数学+αくらいの知識をベースとして アウトプットを出していくことが効果的 説明の難しい高度な統計学を使うのは逆効果 理解しやすい内容に落とし込む必要がある ※)そのレベルしか扱えない自分への言い訳だったりもする 9
  10. 10. 1.問題解決を目的とした データマイニングの観点 2.高校数学+αで実践する ソーシャルゲームのKPI分析 3.おわりに 10
  11. 11. 基本KPI ○ 基本KPIとは売上を要素分解したもの 【売上】=【Install】× 【Install】 【DAU】 【DAU】 【DPU】 【DPU】 【売上】 × × 継続率 課金率 課金単価 Install:ゲームを始めて頂いたユーザの人数 DAU:1日の間にゲームをプレイして頂いたユーザの人数 (Daily Active User) DPU:1日の間にゲームに課金して頂いたユーザの人数 (Daily Pay User) 11
  12. 12. 基本KPIの問題点 ○ どんな特性を持ったユーザも1とカウントしている ユーザの状態を正確につかむためには、 全てのユーザを「1」と解釈してよいだろうか? ※)特に経営やIRはMonthly KPIを知りたがるが・・・ でも、MAUなんてPRやアウェイクで 1回さわっただけのユーザも含まれるからな。。。 それを分母にした課金率なんて、 なんの意味もなさないしな。。。 例)Monthly KPI 12
  13. 13. 基本KPIの問題点を改善 ○ ユーザをセグメント化して基本KPIを分解 KPIをセグメント分解することで Whereを特定していく KPIを各セグメントに分解することで、 セグメント毎のユーザ動向をより理解できるはず ユーザの特性に合わせて、 「1」の解釈を変更してあげればよい データ分析の目的は、 ユーザに「おもしろい」「楽しい」を届けること 「おもしろくない」「楽しくない」と感じている ユーザ(Where)が特定されると改善につながる 13
  14. 14. BU/FU理論 – セグメント化の基本概念 BU:Base User – ゲーム内でコアにプレイしてくれるユーザ FU:Follow User - ゲーム内でコアにプレイできていないユーザ FUの中には、将来的にBUになると期待されるユーザが存在 DAU or MAU = BU + FU ある一定の定義を置いて、 KPIをBUとFUに分解してみよう 14
  15. 15. BU/FU理論の仮定義:DailyKPIを分解 過去7日間において、 ・0:過去7日間のログイン日数が0回の新規orアウェイクユーザ ・1 : 過去7日間のログイン日数が1回のユーザ ・2 : 過去7日間のログイン日数が2回のユーザ ・3 : 過去7日間のログイン日数が3回のユーザ ・4 : 過去7日間のログイン日数が4回のユーザ ・5 : 過去7日間のログイン日数が5回のユーザ ・6 : 過去7日間のログイン日数が6回のユーザ ・7 : 過去7日間のログイン日数が7回のユーザ と仮に定義してみる 15
  16. 16. DAUを考える ○ DAUを分解する 【DAU】=【前日DAU】-【Sleep】+【New or Awake】 =【前日DAU】×【翌日継続率】+【New or Awake】 これを前述のセグメント毎に数値を見ていけばよい 16 先ほどのセグメント定義に基づき、 DAUを分解したSample Dataを見てみよう!
  17. 17. DAUをセグメント分解 ○ sample data – daily KPI ☆ Active_rate 前日時点 当日時点 7月8日 7月9日 7月10日 7月11日 7月12日 7月13日 7月14日 7月15日 0 1 30.0% 30.0% 30.0% 30.0% 30.0% 30.0% 30.0% 30.0% 1 1 or 2 45.0% 45.0% 45.0% 45.0% 45.0% 45.0% 45.0% 45.0% 2 2 or 3 50.0% 50.0% 50.0% 50.0% 50.0% 50.0% 50.0% 50.0% 3 3 or 4 60.0% 60.0% 60.0% 60.0% 60.0% 60.0% 60.0% 60.0% 4 4 or 5 70.0% 70.0% 70.0% 70.0% 70.0% 70.0% 70.0% 70.0% 5 5 or 6 80.0% 80.0% 80.0% 80.0% 80.0% 80.0% 80.0% 80.0% 6 6 or 7 90.0% 90.0% 90.0% 90.0% 90.0% 90.0% 90.0% 90.0% 7 7 98.0% 98.0% 98.0% 98.0% 98.0% 92.0% 98.0% 98.0% ☆ D AU 動向 7月8日 7月9日 7月10日 7月11日 7月12日 7月13日 7月14日 7月15日 N EW 0 4,000 4,000 4,000 4,000 4,000 10,000 4,000 4,000 1 2,800 2,630 2,592 2,583 2,581 2,581 4,381 2,986 2 1,500 1,405 1,343 1,319 1,311 1,309 1,308 1,713 3 1,500 1,175 1,054 1,002 980 972 969 968 4 1,500 1,275 1,099 1,001 951 927 916 911 5 2,000 1,740 1,542 1,391 1,280 1,202 1,149 1,114 6 2,800 2,536 2,304 2,106 1,939 1,801 1,689 1,600 7 20,000 20,104 20,158 20,170 20,146 18,883 18,829 18,757 ALL 36,100 34,865 34,092 33,571 33,188 37,674 33,241 32,048 55.4% 57.7% 59.1% 60.1% 60.7% 50.1% 56.6% 58.5%7日ユーザの占める割合 PR影響でDAU総数が増加していても、 蓄積しているBaseUserの減少・翌日継続率低下を検知可能になる 17 数字は適当に置いただけです
  18. 18. 問題箇所特定後の原因分析 ○ 特定したセグメントの行動履歴を抽出 level:ゲーム内でのユーザレベル attack / defense:ゲーム内でのユーザ攻撃力 / 防御力 mission_id:ミッションの進行度 normal_gacha_num:無料ガチャ回数 rare_gacha_num:課金で行ったレアガチャ回数 gift_gacha_num:運営からのギフトで行ったレアガチャ回数 mix_num:強化の回数 evolution_num:進化の回数 battle_num:バトルの回数 win_num:バトル勝利の回数 などなど 翌日継続の有無を従属変数として決定木分析 各ノードで離脱に関連するパラメータを抽出 分析結果をもとにユーザ状態・心理の仮説立案 仮説から改善施策を検討していく 高校数学「+α」の部分 18
  19. 19. KPIで時系列推移を確認 Monthly KPI 大きな流れの中での現在の状況を把握する Weekly KPI Daily KPI 直近のトレンドを中期的スパンで把握する 日々の推移の中で問題箇所を深堀り 問題要因に関してユーザ目線で仮説構築 その仮説を改善施策に落とし込んでいく 改善効果検証などは中期的な数値でも検証 MonthlyやWeeklyも含めたマネジメント手法に関しては、 8/21のCEDEC2013にてお話をさせて頂きます! 19 大きな流れが変わっているかを確認する
  20. 20. 1.問題解決を目的とした データマイニングの観点 2.高校数学+αで実践する ソーシャルゲームのKPI分析 3.おわりに 20
  21. 21. 現在の活動内容 ○ データ分析を通じたコンサルティングと人材紹介 SAP データマイニングニーズ 分析系人材採用が難しい ビジネスチャンス! <前半> 井澤が企業様のソーシャルゲーム運営に関して データ分析を通じたコンサルティングを実施 企業様はその間に提携人材会社に紹介された候補者面談 仕事ください。。。 一定期間のデータ分析を通じたコンサルティング <後半> 候補者のOJT協力で新人の早い業務の立ち上がりを実現 21

×