小白学数据分析----->从购买记录分析道具支付环节

简介: 昨天发现充值异常增高,于是准备做一次详尽的分析,但是当我开始提取数据时,发现了一件比较异常的事情,这是在查询玩家的购买记录时发现的(这是因为往往我们要分析充值时,也要辅助的去看一下当日的购买情况),截图如下: 可以看得到玩家对于该道具的购买需求很高,在一段时间内不断的购买,但是商城不支持批量购买,玩家每次交易只能买一件,然后再次点击再次购买。

昨天发现充值异常增高,于是准备做一次详尽的分析,但是当我开始提取数据时,发现了一件比较异常的事情,这是在查询玩家的购买记录时发现的(这是因为往往我们要分析充值时,也要辅助的去看一下当日的购买情况),截图如下:

可以看得到玩家对于该道具的购买需求很高,在一段时间内不断的购买,但是商城不支持批量购买,玩家每次交易只能买一件,然后再次点击再次购买。看到这里,我点蛋疼了。

针对这个问题,昨晚和BOSS聊了一些,就是在讨论商城购买支付环节的问题。总的理解起来是目前的商城购买UI已经是确定符合玩家的习惯的UI,之所以之前没有做批量购买的原因在于手机网游在商城的购买如果玩家输入数量是需要切换输入法并且需要时间的。此外部分道具已经做了打包处理购买。

这个批量购买的功能是不是可以在手机网游产品中出现,昨天我一直在思考这个问题,纠结起来的原因有以下几点:

手机网游道具的批量自主购买存在输入法的局限;

批量购买优势相比目前购买究竟体现在哪里;

好的UI设计是否可以弥补这个“缺陷”;

玩家的需求真的需要这样来做吗?

第一个疑问

手机网游道具的批量自主购买存在输入法的局限

首先,关于输入法的问题,我觉得这不是个问题了,大概我们都清楚,目前的手机应用很多已经解决了这个问题,这里举个例子,我用手机登录人人网时,当输入账户时,其输入法界面自动调整成以下的形式,这里有“@”,“.”,这是为了方便用户输入的方便,因为大部分人还是用邮箱注册的账户。

然而当我跳到了密码区时,输入法形式在此发生了变化,这个切换已经完成了。

相比这个而言,我们发现我们只是希望玩家去完成批量购买,那么我们只需要锁定此区域的输入只能是数字,诸如以上的自动识别调整就OK了。那么也就不存在输入障碍的问题。

这里描述的是一种办法,然而还有另一种办法可以解决,首先如下的截图:

这是另一款手机网游的商城购买界面,当我们选择一样道具进行购买时,会弹出下面的界面:

看到这里大家应该都明白了,当玩家的输入不顺畅时,UI上我们是可以进行弥补的,通过四个方向箭头和不同的数量级,完全可以满足玩家的购买需求。同时玩家的购买某些时候倾向于整数购买,即便出现零头购买,这里的整体购买成本会很小,比如购买时间消耗,在数据中我发现一个玩家在线2小时,总计有半个小时在购买道具,而某一单一道具购买消耗了10分钟。

此外,这里其实还可以增加一个辅助设计,比如我们通过大量的玩家充值购买发现,单日玩家对于A道具购买在10个左右(比如喇叭),那么我们就把购买的默认值设置成10个,在这个基础上玩家自由选择,可以说也是减小了购买的成本。示意图如下:

第二个疑问

批量购买优势相比目前购买究竟体现在哪里

其实,回答这个问题很简答,缩短了玩家的购买决策时间,购买成功率提升。

在《营销管理》一书中提到了关于消费者的购买决策过程理论(在付费渗透率_II中会继续讲这个购买决策过程),这里通过拆解购买决策详细的说说(受益于培训)。下面的就是玩家要购买道具的一个基本过程(简化了消费者购买决策理论)。

 

产生道具认知

既然我们是讨论玩家批量购买道具,那么这里我们可以认定玩家已经建立了对道具的认知,换句话玩家知道这个道具是对我有用的,是我最需要的。

寻找购买渠道

这里也不存在障碍,因为玩家既然存在了认知,必然是购买过和使用过道具,不存在寻找购买渠道的障碍,这一步的障碍多的时候是发生在新道具上架,以及初次购买道具的玩家。

期待价值评估

如之前所述,玩家存在了认知,对于期待和价值反馈是不存在障碍的,除非我们自己调整了道具的数值和属性,一般不会存在障碍。

做出购买决策

然而在做出购买决策的环节上,我们就出现了问题,当玩家决定要买了,如果是买20个,却要一次一次的重复购买过程,可能买到第10个,玩家就决定了不再买了,在购买这个环节因为购买的不通畅而最后放弃购买余下的部分,这是我们的损失。购买决策过程的风险是最高的,因为我们可能因为支付的不通畅,购买的便利度,购买疲劳,购买怀疑等问题放弃购买,所以宗旨希望让玩家尽可能的缩短做出购买决策的时间,这样的成功几率就会增大。批量购买就是缩短了原来一次又一次重复购买的麻烦(因为每次重复购买都是在做出一次购买决策)。

购买后的行为

如果前面的过程很顺利,那么到这一步其实玩家的体验是很好的,批量购买体验好于重复购买,而且在某些情况下,批量购买带来一些冲动型付费收入。

针对上述决策过程一些其他的信息在后续的付费渗透率_II中具体再说。

第三个疑问

好的UI设计是否可以弥补这个“缺陷”

我对UI或者UX不太懂,不过我觉得这些东西的目的是增加便利度,也就是玩家在购买这方面,我们追求的是方便玩家找到想要的,满足购买的需求。如果UI设计满足不了玩家的购买需求,那就还是得修正一下。这里只是我理解的好的UI的概念,这个好的核心就是人性化。此处不多谈,慢慢理解。

第四个疑问

玩家的需求真的需要这样来做吗?

为什么做批量的购买设置,这就好比你登录淘宝本来要买两件衣服,但是告诉你,你非得两次分开付费,两次结算是一样的。

当玩家存在一种需求是,我们就要想办法去满足,从数据库营销来看,我们在玩家的信息中已经找到了这种需求,那么我们就有理由去满足这种需求。虽然玩家可能感觉不强烈,但是实在的行为却发生和被记录在数据库中。

玩家存在需求证明我们这一个点是存在价值的,是可以做好从玩家身上攫取利益的,那么我们通过数据分析或者挖掘也好,找到这种潜在的需求,进而做出最好的能满足这种需求的设计和改进。当然这个过程中是绝对离不开数据分析的,数据库营销值得好好思考和做下去。

相关文章
|
15天前
|
数据可视化 数据挖掘
R语言生存分析数据分析可视化案例(下)
R语言生存分析数据分析可视化案例
|
15天前
|
数据可视化 数据挖掘
R语言生存分析数据分析可视化案例(上)
R语言生存分析数据分析可视化案例
|
22天前
|
数据可视化 数据挖掘 Linux
如何在Linux部署DataEase数据分析服务并实现无公网IP远程分析内网数据信息
如何在Linux部署DataEase数据分析服务并实现无公网IP远程分析内网数据信息
|
24天前
|
数据采集 数据可视化 数据挖掘
Seaborn在数据分析中的应用:案例分析与实践
【4月更文挑战第17天】本文介绍了Seaborn在数据分析中的应用,它是一个基于Python的可视化库,简化了复杂数据的图表创建。通过一个销售数据分析的案例,展示了数据加载、描述性统计、相关性分析、多变量分析及高级可视化步骤。实践技巧包括数据清洗、图表选择、颜色使用、注释标签和交互性。Seaborn助力高效数据探索和理解,提升分析效率。注意,实际使用需根据数据集和目标调整,并参考最新文档。
|
1月前
|
存储 机器学习/深度学习 数据采集
数据分析师如何处理数据以进行分析?
【4月更文挑战第4天】数据分析师如何处理数据以进行分析?
21 9
|
2月前
|
机器学习/深度学习 数据可视化 算法
python数据分析——在面对各种问题时,因如何做分析的分类汇总
Python数据分析是指使用Python编程语言对数据进行收集、处理、分析和可视化的过程。Python是一种非常流行的编程语言,具有简单易学、代码可读性高、生态系统强大的特点,因此在数据科学领域得到广泛应用。
87 0
|
2月前
|
监控 搜索推荐 数据挖掘
python数据分析——业务指标分析
业务指标分析是企业运营中不可或缺的一环,通过对各项关键指标的深入剖析,我们能够更好地了解企业的运营状况,发现潜在问题,进而制定相应的策略来优化业务流程、提升经营效率。 在业务指标分析中,我们首先要明确分析的目的和范围。是为了评估整体业务健康状况,还是针对某一具体环节进行优化?明确了目的后,我们需要收集相关的数据,这些数据可能来源于不同的业务系统和数据库,因此数据的整合和清洗也是分析过程中的重要步骤。 接下来,我们要选择合适的分析方法。比如,对于销售数据,我们可以采用时间序列分析来观察销售趋势;对于用户行为数据,我们可以使用用户画像和路径分析来洞察用户需求和行为习惯。
106 1
|
19天前
|
机器学习/深度学习 数据可视化 数据挖掘
Python跳水:探索数据分析的深渊
Python跳水:探索数据分析的深渊
22 0
|
13天前
|
机器学习/深度学习 数据采集 算法
Python用逻辑回归、决策树、SVM、XGBoost 算法机器学习预测用户信贷行为数据分析报告
Python用逻辑回归、决策树、SVM、XGBoost 算法机器学习预测用户信贷行为数据分析报告
|
1天前
|
数据采集 数据可视化 数据挖掘
如何利用Python中的Pandas库进行数据分析和可视化
Python的Pandas库是一种功能强大的工具,可以用于数据分析和处理。本文将介绍如何使用Pandas库进行数据分析和可视化,包括数据导入、清洗、转换以及基本的统计分析和图表绘制。通过学习本文,读者将能够掌握利用Python中的Pandas库进行高效数据处理和可视化的技能。