小白学数据分析--付费渗透率再研究
今天所谈到的东西其实是关于新增付费用户的研究模型的内容,谈到模型,有时候我们过于神话了,模型其实最后就是一套方法论,我自己觉得这倒是自己思维思考最后落地的一个载体,因为思维要实现、训练、评估,最后出现一个载体来落实我们思维的所思所考这个载体就是模型。在没有经过实现、训练、评估之前,算不上一个模型,只有经历以上的过程才是一个模型。
之前有说过付费用户金字塔模型,付费渗透率_I的内容分析,今天就的内容算是对于付费渗透率的再研究。可以肯定一点的是我们之前对于付费用户金子塔的研究包含了所有付费用户的成分,我们之前的方法是从用户贡献度或者说是价值量来衡量,把用户分成了鲸鱼用户、海豚用户、小鱼用户。但是我们今天将从用户的生命周期角度来剖析这个问题,进而引出付费渗透率的再研究。
付费用户的构成
付费用户是一个很复杂的群体,第一层认识使我们普遍认识的,也是我们最多采用的数据分析是层次,但是从第二层开始的细分,对于我们的后续很多分析其实是很有益处的。我有一个猜想:
如果用户金子塔是稳定的,那么付费渗透率的提升是否一定有意义?
提出这个假设的原因在于我们对不同付费群的研究中发现,群体用户的特征在最初的阶段就已经形成了,换句话说我们推测一个用户在一款游戏的付费能力基本上就是圈定了,当然针对这一点很多人会产生质疑,因为通过游戏付费“陷阱”、粘性、延伸消费,进一步扩大需求,刺激消费。这一点确实是存在的,然而如果你仔细去分析数据,很多玩家在整个的生命进程中,消费基本上是在自己的承受范围之内和压力之内。
我们不排除极限用户,比如深度迷恋游戏以至于全面投入游戏中,但是这类的用户所占比例很小。进而从这个角度我们来分析,每个人的付费能力是基本固定的(想要延伸和刺激消费,就得更新、运营),那么我们不断拉高的渗透率其实没什么太大的作用,因为付费的人终究付费,花费多的人(有钱人)自然就愿意花费,如果你的游戏足够值得他们去消费,那些本来付费就很少的人,玩到最后也会花费很少,甚至就是流失,因为游戏太多,选择太多,诱惑太多。这么看,渗透率意义是局限的。
那么在这种情况下,我们可以来做一件事,那就是在付费用户的初期,我们就能够预测和判断付费用户的付费能力,而不是通过后期的实实在在的数据来验证究竟哪些是真正的鲸鱼,哪些是海豚,哪些又是小鱼。这点也恰恰反映了数据分析的价值所在,用过去发现利用未来,而不是用未来验证说明过去,因为如果那样,你没有进步的可能。因为前进与创新的动力来自于对未知的探索和训练,这未知是指导的、灵感的、偶然的。
付费渗透率的结构化
在上次的分析论述中,我其实就是想将付费渗透率结构化,所谓结构化,就是分层建立付费渗透率,因为我们在付费用户的研究上已经建立了金子塔模型,那么过去我们使用一个付费渗透率指标去衡量的方式需要进一步细化,当然这不是说原来的方式不对,因为在一些高级别的分析报告和演讲中,我们就需要这种一个指标就OK了。
然而作为一个分析师,在具体面对业务时,我们不能够就这样的粗放使用一个付费渗透率去分析问题,因为这样会掩盖掉很多的问题。因此我建议的结构就是分层付费渗透率:
W-PUR:鲸鱼用户的付费渗透率
D-PUR:海豚用户的付费渗透率
F-PUR:小鱼用户的付费渗透率
这里面可能就存在一个问题,估计大家都有这个疑问,我们该如何计算这个PUR呢?计算方法如下
鲸鱼用户/活跃用户数量
这里需要解释一下,这里的鲸鱼用户是基于历史鲸鱼用户特征计算出来的本月的鲸鱼用户,本身是一种预测数据,但肯定是付费用户,活跃用户即MAU。
付费渗透率的序列化
留存率我想大概大家都比较熟悉,比如次日、3日、7日、30日、这是从对一批或者一个渠道新登用户的一种观察分析手段,是一种时间序列化的方式,由此我想对于付费渗透率我们也可以进行时间序列化。
即推出首日、次日、7日、30日付费渗透率的,但是明确一点的是这里的用户是新登用户。其定义形式如下:
N日付费渗透率
限定时间内的新登用户,N日付费的用户/限定时间内的新登用户
假设10月8日有500人新登用户,首日50人付费,那么首日的付费率为50/500=10%;
假设10月8日有500人新登用户,10月9日(即次日)有25人付费,则次日付费率为25/500=5%;
这种方式的付费比率从另外一个角度将我们之前统计的付费渗透率进行了细分和立体化,这种付费渗透率细分把新用户和活跃用户的付费问题明确了,因为有的新用户是首日之日便开始付费,而有的新登用户是在一定时期内选择付费,但是达不到活跃用户的标准。这样也能帮助我们更加细致的研究活跃用户的自然付费周期。
以上的是针对具体每日的付费渗透率分析,当然了就像留存率研究一样,我们可以限定时间为周,即一周的新登用户在下周内的付费渗透率研究,这都是可行的。具体还要看自己需要。
此处是借助于留存率的模式进行的付费渗透率研究,方法和之前的其实本质上是一样的,稍加改动,至于该方法是否符合您的产品需要和分析需要,这要根据自己实际情况,这里所述的内容仅供参考,作为探索和讨论之用。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在当今数字化时代,数据分析师的重要性与日俱增。但许多人在踏上这条职业道路时,往往充满疑惑: 如何成为一名数据分析师?成为 ...
2025-04-02最近我发现一个绝招,用DeepSeek AI处理Excel数据简直太爽了!处理速度嘎嘎快! 平常一整天的表格处理工作,现在只要三步就能搞 ...
2025-04-01你是否被统计学复杂的理论和晦涩的公式劝退过?别担心,“山有木兮:统计学极简入门(Python)” 将为你一一化解这些难题。课程 ...
2025-03-31在电商、零售、甚至内容付费业务中,你真的了解你的客户吗? 有些客户下了一两次单就消失了,有些人每个月都回购,有些人曾经是 ...
2025-03-31在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的需求持续飙升。世界经济论坛发布的《未来就业报告》, ...
2025-03-28你有没有遇到过这样的情况?流量进来了,转化率却不高,辛辛苦苦拉来的用户,最后大部分都悄无声息地离开了,这时候漏斗分析就非 ...
2025-03-27TensorFlow Datasets(TFDS)是一个用于下载、管理和预处理机器学习数据集的库。它提供了易于使用的API,允许用户从现有集合中 ...
2025-03-26"不谋全局者,不足谋一域。"在数据驱动的商业时代,战略级数据分析能力已成为职场核心竞争力。《CDA二级教材:商业策略数据分析 ...
2025-03-26当你在某宝刷到【猜你喜欢】时,当抖音精准推来你的梦中情猫时,当美团外卖弹窗刚好是你想吃的火锅店…… 恭喜你,你正在被用户 ...
2025-03-26当面试官问起随机森林时,他到底在考察什么? ""请解释随机森林的原理""——这是数据分析岗位面试中的经典问题。但你可能不知道 ...
2025-03-25在数字化浪潮席卷的当下,数据俨然成为企业的命脉,贯穿于业务运作的各个环节。从线上到线下,从平台的交易数据,到门店的运营 ...
2025-03-25在互联网和移动应用领域,DAU(日活跃用户数)是一个耳熟能详的指标。无论是产品经理、运营,还是数据分析师,DAU都是衡量产品 ...
2025-03-24ABtest做的好,产品优化效果差不了!可见ABtest在评估优化策略的效果方面地位还是很高的,那么如何在业务中应用ABtest? 结合企业 ...
2025-03-21在企业数据分析中,指标体系是至关重要的工具。不仅帮助企业统一数据标准、提升数据质量,还能为业务决策提供有力支持。本文将围 ...
2025-03-20解锁数据分析师高薪密码,CDA 脱产就业班助你逆袭! 在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的 ...
2025-03-19在 MySQL 数据库中,查询一张表但是不包含某个字段可以通过以下两种方法实现:使用 SELECT 子句以明确指定想要的字段,或者使 ...
2025-03-17在当今数字化时代,数据成为企业发展的关键驱动力,而用户画像作为数据分析的重要成果,改变了企业理解用户、开展业务的方式。无 ...
2025-03-172025年是智能体(AI Agent)的元年,大模型和智能体的发展比较迅猛。感觉年初的deepseek刚火没多久,这几天Manus又成为媒体头条 ...
2025-03-14以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-13以下的文章内容来源于刘静老师的专栏,如果您想阅读专栏《10大业务分析模型突破业务瓶颈》,点击下方链接 https://edu.cda.cn/go ...
2025-03-12