20130727 ソシャゲkpi分析 tokyowebmining28_izawa_up

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

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

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！

３．おわりに
4

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

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

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

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

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

３．おわりに
10

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

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

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

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

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
と仮に定義してみる
15

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！

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

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

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

３．おわりに
20

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

20130727 ソシャゲkpi分析 tokyowebmining28_izawa_up

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Viewers also liked

Viewers also liked (20)

Similar to 20130727 ソシャゲkpi分析 tokyowebmining28_izawa_up

Similar to 20130727 ソシャゲkpi分析 tokyowebmining28_izawa_up (20)

20130727 ソシャゲkpi分析 tokyowebmining28_izawa_up