Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

20130727 ソシャゲkpi分析 tokyowebmining28_izawa_up

31,398 views

Published on

  • Be the first to comment

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

×