字段說明
user_id ：用戶編碼，用戶唯一標(biāo)識(shí)
bd_stronghold_level ：要塞等級(jí)，相當(dāng)于游戲賬號(hào)等級(jí)
wood_reduce_value ：木頭消耗數(shù)量
stone_reduce_value ：石頭消耗數(shù)量
ivory_reduce_value ：象牙消耗數(shù)量
meat_reduce_value ：肉消耗數(shù)量
magic_reduce_value ：魔法消耗數(shù)量
general_acceleration_reduce_value ：通用加速消耗數(shù)量
building_acceleration_reduce_valu e：建筑加速消耗數(shù)量
reaserch_acceleration_reduce_value ：科研加速消耗數(shù)量
training_acceleration_reduce_value ：訓(xùn)練加速消耗數(shù)量
treatment_acceleration_reduce_value ：治療加速消耗數(shù)量
pvp_battle_count ：玩家對玩家次數(shù)
pve_battle_count ：玩家對機(jī)器次數(shù)
avg_online_minutes ：日均在線時(shí)間
pay_price : 消費(fèi)金額
pay_count ：消費(fèi)次數(shù)
分析思路
用戶注冊時(shí)間分布情況？
用戶的付費(fèi)情況（付費(fèi)率，ARPU，ARPPU）？
各等級(jí)用戶的付費(fèi)情況？
用戶的消費(fèi)習(xí)慣？
可視化數(shù)據(jù)
分析過程
1. 導(dǎo)入數(shù)據(jù)
import numpy as npimport pandas as pdfrom pandas import read_csvfrom sklearn.cluster import KMeansimport matplotlib.pyplotas pltimport pylab as plfrom matplotlib.font_managerimport FontManager, FontPropertiespd.set_option('display.max_columns',None)#為了數(shù)據(jù)安全，copy一份數(shù)據(jù)df=df0#檢查是否有空值print(df.isnull().any().any())#觀察數(shù)據(jù)構(gòu)成print(df.head())2. 清洗數(shù)據(jù)
#以u(píng)ser_id為維度，刪除重復(fù)數(shù)據(jù)，并查看用戶總數(shù)df=df.drop_duplicates(subset='user_id')print('用戶總數(shù)：',len(df['user_id']))→用戶總數(shù)：22880073. 計(jì)算用戶注冊時(shí)間分布
#首先將注冊時(shí)間精確到天register_date=[]for i in df['register_time']: date=i[5:10] register_date.append(date)df['register_time']=register_date#計(jì)算每天的注冊人數(shù)df_register=df.groupby('register_time').size()df_register.columns=['日期','注冊人數(shù)']print(df_register)（可視化）plt.plot(df_register)plt.grid(True)pl.xticks(rotation=90)font=FontProperties(fname='/System/Library/Fonts/PingFang.ttc')plt.title('用戶注冊分布圖',fontproperties=font)plt.show()
由上圖可以看出，用戶注冊數(shù)在2月19日有一次的大的高峰，其他時(shí)間也分別有幾次小高峰，且高峰的持續(xù)時(shí)間很短，可以推測是 因?yàn)橛螒蛲瞥鲆恍┆?jiǎng)勵(lì)活動(dòng)或公司對游戲的推廣取得了效果進(jìn)而使注冊用戶激增。
4. 用戶的付費(fèi)情況 （付費(fèi)率，ARPU，ARPPU）
#付費(fèi)率（付費(fèi)人數(shù)/活躍人數(shù)）df_pay_user=df[(df['pay_price']>0)]pay_rate=df_pay_user['user_id'].count()/df_active_user['user_id'].count()print('付費(fèi)率：%.2f'%(pay_rate))#ARPU（總付費(fèi)金額/活躍人數(shù)）arpu=df_pay_user['pay_price'].sum()/df_active_user['user_id'].count()print('ARPU:%.2f'%(arpu))#ARPPU（總付費(fèi)金額/付費(fèi)人數(shù)）arppu=df_pay_user['pay_price'].sum()/df_pay_user['user_id'].count()print('ARPPU:%.2f'%(arppu))
由上圖可知目前盈利較好的手游的ARPU超過5元，一般手游在3~5元之間，盈利較差的低于3元，該游戲的ARPU為8.55元， 說明盈利水平較高。
5. 不同等級(jí)用戶的付費(fèi)情況
df_user=df[['user_id','bd_stronghold_level','pay_price','pay_count']]df_table=pd.pivot_table(df_user,index=['bd_stronghold_level'],values=['user_id','pay_price','pay_count'],aggfunc={'user_id':'count','pay_price':'sum','pay_count':'sum'})df_stronghold_pay=pd.DataFrame(df_table.to_records())#各等級(jí)付費(fèi)人數(shù)df_stronghold_pay['pay_num']=df_user[(df_user['pay_price']>0)].groupby('bd_stronghold_level').user_id.count()#各等級(jí)付費(fèi)轉(zhuǎn)化率df_stronghold_pay['pay_rate']=df_stronghold_pay['pay_num']/df_stronghold_pay['user_id']#各等級(jí)平均付費(fèi)金額df_stronghold_pay['avg_pay_price']=df_stronghold_pay['pay_price']/df_stronghold_pay['user_id']#各等級(jí)平均付費(fèi)次數(shù)df_stronghold_pay['avg_pay_count']=df_stronghold_pay['pay_count']/df_stronghold_pay['user_id']#重命名列名df_stronghold_pay.columns=['要塞等級(jí)','總付費(fèi)次數(shù)','總付費(fèi)金額','總?cè)藬?shù)','付費(fèi)人數(shù)','付費(fèi)轉(zhuǎn)化率','人均付費(fèi)金額','人均付費(fèi)次數(shù)']df_stronghold_pay=df_stronghold_pay[['要塞等級(jí)','總?cè)藬?shù)','付費(fèi)人數(shù)','付費(fèi)轉(zhuǎn)化率','總付費(fèi)金額','人均付費(fèi)金額','總付費(fèi)次數(shù)','人均付費(fèi)次數(shù)']]df_stronghold_pay=df_stronghold_pay.round(2)print(df_stronghold_pay)
可視化：
#要塞等級(jí)—付費(fèi)轉(zhuǎn)化率x=df_stronghold_pay['要塞等級(jí)']y=df_stronghold_pay['付費(fèi)轉(zhuǎn)化率']plt.xticks(x,range(0,len(x),1))plt.plot(x,y)plt.grid(True)plt.title('不同等級(jí)用戶付費(fèi)轉(zhuǎn)化率',fontproperties=font)plt.show()
#要塞等級(jí)-人均付費(fèi)金額x=df_stronghold_pay['要塞等級(jí)']y=df_stronghold_pay['人均付費(fèi)金額']plt.xticks(x,range(0,len(x),1))plt.plot(x,y)plt.grid(True)plt.title('不同等級(jí)用戶人均付費(fèi)jine',fontproperties=font)plt.show()
x=df_stronghold_pay['要塞等級(jí)']y=df_stronghold_pay['人均付費(fèi)金額']plt.xticks(x,range(0,len(x),1))plt.plot(x,y)plt.grid(True)plt.title('不同等級(jí)用戶人均付費(fèi)jine',fontproperties=font)plt.show()#要塞等級(jí)-人均付費(fèi)次數(shù)x=df_stronghold_pay['要塞等級(jí)']y=df_stronghold_pay['人均付費(fèi)次數(shù)']plt.xticks(x,range(0,len(x),1))plt.plot(x,y)plt.grid(True)plt.title('不同等級(jí)用戶人均付費(fèi)次數(shù)',fontproperties=font)plt.show()
從上面看到用戶等級(jí)到達(dá)10級(jí)時(shí)，付費(fèi)率接近60%，等級(jí)到達(dá)13級(jí)時(shí)，付費(fèi)率接近100%，且人均付費(fèi)金額和次數(shù)兩項(xiàng)指標(biāo)也在用戶達(dá)到10級(jí)后增長迅速，因此可以認(rèn)定 10級(jí)以上用戶為游戲的核心用戶。
但是觀察用戶等級(jí)分布，發(fā)現(xiàn)絕大部分用戶還是處在10級(jí)以下的水平，因此 如何使用戶達(dá)到10級(jí)是游戲運(yùn)營接下來需要考慮的事。
6. 不同玩家的消費(fèi)習(xí)慣
該游戲充值主要可以獲得道具類（木頭、石頭、象牙、肉、魔法）和加速券類（通用、建筑、科研、訓(xùn)練、醫(yī)療）。根據(jù)用戶的充值金額大小，分別分析兩類消費(fèi)品的消耗情況。
#將等級(jí)>=10級(jí)的玩家劃分為：消費(fèi)>=500為高消費(fèi)玩家，<500為普通玩家df_eli_user=df[(df['pay_price']>=500)&(df['bd_stronghold_level']>=10)]df_nor_user=df[(df['pay_price']<500)&(df['bd_stronghold_level']>10)]#不同玩家的道具消耗情況wood_avg=[df_eli_user['wood_reduce_value'].mean(),df_nor_user['wood_reduce_value'].mean()]stone_avg=[df_eli_user['stone_reduce_value'].mean(),df_nor_user['stone_reduce_value'].mean()]ivory_avg=[df_eli_user['ivory_reduce_value'].mean(),df_nor_user['ivory_reduce_value'].mean()]meat_avg=[df_eli_user['meat_reduce_value'].mean(),df_nor_user['meat_reduce_value'].mean()]magic_avg=[df_eli_user['magic_reduce_value'].mean(),df_nor_user['magic_reduce_value'].mean()]props_data={'high_value_player':[wood_avg[0],stone_avg[0],ivory_avg[0],meat_avg[0],magic_avg[0]],'normal_player':[wood_avg[1],stone_avg[1],ivory_avg[1],meat_avg[1],magic_avg[1]]}df_props=pd.DataFrame(props_data,index=['wood','stone','ivory','meat','magic'])df_props=df_props.round(2)print(df_props)#可視化ax=df_props.plot(kind='bar',title='Props Reduce', grid=True,legend=True)plt.show()普通玩家和高消費(fèi)玩家對木頭、石頭、肉的消耗都較大，魔法的消耗都較小，而在象牙的消耗上，高消費(fèi)玩家和普通玩家的消耗差距較大。
#不同玩家的加速券消耗情況general_avg=[df_eli_user['general_acceleration_reduce_value'].mean(), df_nor_user['general_acceleration_reduce_value'].mean()]building_avg=[df_eli_user['building_acceleration_reduce_value'].mean(), df_nor_user['building_acceleration_reduce_value'].mean()]research_avg=[df_eli_user['reaserch_acceleration_reduce_value'].mean(), df_nor_user['reaserch_acceleration_reduce_value'].mean()]training_avg=[df_eli_user['training_acceleration_reduce_value'].mean(), df_nor_user['training_acceleration_reduce_value'].mean()]treatment_avg=[df_eli_user['treatment_acceleration_reduce_value'].mean(), df_nor_user['treatment_acceleration_reduce_value'].mean()]acceleration_data={'high_value_player':[general_avg[0],building_avg[0],research_avg[0], training_avg[0],treatment_avg[0]],'normal_player':[general_avg[1],building_avg[1],research_avg[1], training_avg[1],treatment_avg[1]]}df_acceleration=pd.DataFrame(acceleration_data,index=['general','building','researching','training','treatment'])print(df_acceleration.round(2))#可視化ax=df_acceleration.plot(kind='bar',title='Acceleration Reduce', grid=True,legend=True)plt.show()從上圖看出兩類玩家對對治療加速券消耗都很小，對通用加速券的消耗差異較大，其他三種加速券消耗差別不大。
結(jié)論
1. 該游戲具有較大的用戶基數(shù)，且新用戶注冊受游戲活動(dòng)、新版本等因素影響較大。
2. 該游戲的ARPU為8.55，說明該游戲的盈利能力較高。
3. 用戶等級(jí)達(dá)到10級(jí)后，付費(fèi)意愿明顯上升，且達(dá)到13級(jí)時(shí)付費(fèi)率將近100%。但是絕大多數(shù)用戶仍然停留在10級(jí)以下，如何使用戶平滑升至10級(jí)尤為重要。
4. 消費(fèi)習(xí)慣上，高消費(fèi)玩家對象牙和通用加速券的需求遠(yuǎn)多于一般玩家。
End.
作者：星屑m
來源：簡書
幫朋友友情招聘：
華為德科OD招聘，可選崗位較多：
1. C/C
2. linux驅(qū)動(dòng)
3. Arm
4. Python
工作主要內(nèi)容是兩大類：
1) 軟件開發(fā)類：包括驅(qū)動(dòng)、中間件、加速庫、工具鏈、管理軟件等，這部分工作偏底層
2) 水平解決方案開發(fā)類：主要包括大數(shù)據(jù)、數(shù)據(jù)庫、分布式存儲(chǔ)、native（云游戲、云手機(jī)）、Web、HPC、圖像處理、視頻編解碼、AL等。開發(fā)語言主要是C、C 、python
德科華為合作研發(fā)人員招聘：
1、定崗定級(jí)和華為保持一致；
2、薪酬框架和同級(jí)別的華為人員一致；
3、培訓(xùn)培養(yǎng)和工作安排和績效考核由華為負(fù)責(zé)，工作挑戰(zhàn)和機(jī)會(huì)和華為一致；
4、績效優(yōu)秀員工轉(zhuǎn)華為。
聯(lián)系客服
