次留73% 3留40% 休闲游戏爆款是如何调优与发行的(7)

导语：GPG会把用户分成3种不同类别，第一种类别称之为明星用户，这一类用户当然也是最优秀的用户，特点就是会进行应用内购买，对于这种用户，策略就是不推送广告，想尽量提高这些用户的留存率。同时提高用户体验。可以在

　　GPG会把用户分成3种不同类别，第一种类别称之为明星用户，这一类用户当然也是最优秀的用户，特点就是会进行应用内购买，对于这种用户，策略就是不推送广告，想尽量提高这些用户的留存率。同时提高用户体验。可以在接下来促进这个用户去购买更多的的内购。

　　第二个类别是所谓的中产阶级。这类用户没有进行应用内购买，但同时他有看过广告，所以他对广告并不排斥，在这种情况下，对这类用户的策略是向他推激励广告，因为激励广告用户是可以选择看或不看的，同时 Ecpm也比较高。在这种情况下，可以在变现以及用户体验上到达比较好的平衡点。

　　第三类就是所谓的吃白食用户。这类用户不看广告，只玩游戏，对我们而言这类用户并没有给我们带来什么价值。在这种情况下，我们的手法会比较直接一点。会向他推送全屏的弹窗广告，因为这些广告是没有办法选择的，必须要看。这样可以尽量从这些用户身上获取剩余价值。

　　前边的两个例子都是和数据科学相关，下面给大家介绍怎么样去设计一些内部的工具，帮助其他部门提高数据方面的效率，同时减少他们在数据方面的工作量。GPG设计的一个自动化A/B test系统，每天都会做很多A/Btest，之前所有A/Btest的结果是需要产品经理手动计算，如果同时在几个国家测试，他的运算量会非常大，这就有两个弊端。第一个就是工作量大，第二个就是人为犯错几率也高。所以最后可能他做出来决策的正确性和质量相对比较低一点。

　　在这种情况，GPG设计了一套A/Btest自动化系统。

　　图中展示的例子是GPG今年最火的游戏之一，给《Sushi Bar》设计的A/Btest。

　　在这套系统底下，产品经理只要决定A/Btest每个组之间的人数，或者人数百分比。

　　之后所有数据的收集整理以及最后的计算，全部都是靠后台自动完成，所以说产品经理只需要在数据报表上看这些数据就可以了。他就可以看到每个kpi，不同组别之间的数据是多少。

　　同时也会进行计算，帮他算出每个组的结果，是否显著。同时告诉他改选b还是选a。还是数据不够充分，没有办法做出决策。这样子的adtest，首先第一个他们的工作量可以减少很多，第二他的正确率几乎是100%。这样子我们做出来的决策是比较数据驱动型的决策。

　　提问环节的部分问题整理：

　　Q：美国和其他市场比，美国市场的单用户价值或者市场规模是绝对主力？

　　A：是绝对主力，美国是用户价值最高的地区，虽然买量成本高一些，但是他的用户价值最高。

　　Q：游戏相关的数据测试，都是以美国为指标？

　　A：是，包括收到原型之后做的Uatest，我们也是在美国做，如果在美国能成，说明全世界80、90%都能成。假如在巴西印度做ua测试，即使能成，不代表其他国家能成。

　　Q：在GPG看来，放置类游戏的用户是否偏向小众的用户群？

　　A：这是大多数人对于放置类游戏的一个错误的认识。对我们来说，所有放置游戏都保持在超休闲领域当中，玩法上不会特别深度，以点点点的玩法为主。所以不应当将放置类与超休闲游戏割裂开来看。而且放置类的吸量程度是非常强的。所有的游戏都会有它的生命周期，如果大家善于观察美国榜单，放置类的生命周期反而会更长。

　　Q：GPG怎么选择游戏，合作标准是什么？