作者：vivo 互聯網數據分析團隊 Luo Yandong、Zhang Lingchao
本文介紹了互聯網業務數據效果評估的幾種常見問題及方法，并基于分層抽樣的邏輯優化出一套可應用于解決用戶不均勻的“事后達爾文"分析法，可適用于無法AB測試或人群不均勻的AB測試等場景下的效果評估中，本文會基于實際應用案例，來給大家仔細闡述相關方法模型的思考過程，實現原理，應用結果，希望能夠幫助大家，如果能對大家在各自領域中的業務效果評估有所助益的話，那就更棒了！
一、引言游戲業務作為公司重點的創收團隊，為了更好的達成營收結果，需要不定期地開展各類運營活動來促進玩家付費轉化、提升玩家付費水平，這就要求我們游戲數據分析師采取科學有效的分析模型，準確洞察分析各類運營策略的價值與收益，及時控制風險與優化后續運營方案。
(資料圖片僅供參考)
而在實際的分析工作中，我們通常會碰到各種各樣的業務及數據上的問題，逼迫我們不斷迭代優化分析模型，產出更有價值更科學有效的結論建議。
如下案例，就是我們曾經碰到的一個典型問題——算是“辛普森悖論”[1]在游戲業務的一個實際體現：受不同月份游戲業務用戶付費分布不均勻變化的影響，業務效果評估重要指標利潤率(利潤/流水)，在整體和分游戲類型的場景下的數據表現完全互斥。
近三年來，我們持續地開展業務效果評估，在發現并解決問題的過程中不斷總結經驗及數據結論，最終優化迭代出“事后達爾文”分析方法論，從而有效解決游戲業務中效果評估的各項困難。
本文將從游戲業務效果評估的諸多問題出發，闡述分析方法的發展歷程及數據邏輯原理，以及在游戲業務中具體的解決方案實踐，來完整介紹“事后達爾文”的思考過程與應用落地，并展望更多應用場景。
二、游戲業務效果評估常見問題一覽游戲業務效果評估中常見的問題有如下這些難點：
游戲業務受節假日自然因素影響大，如何剔除？比如十一、春節期間玩家自發的付費增長同活動影響的關系？
部分活動存在參與門檻，如何保障研究人群的一致性？比如返利活動中需消費達標才能獲取禮券的參與門檻，未參與玩家天然付費能力弱一檔的問題。
整體與局部的效果差異的問題，如何解讀？比如引言中網游單機利潤率下降但整體利潤率提升的問題。
vivo的游戲營銷類活動，一直致力于公平公正，絕對禁止殺熟，因此都需保持統一折扣力度，無法實現AB測試，如何持續優化迭代？
游戲業務中營銷活動往往能沖刺短時間的付費增長，但是后期受玩家實際收入能力影響存在回落的風險，如何有效論證活動的長期正向價值？比如雙11期間開展的電商活動，明顯影響了前一個月及后一個月的用戶正常消費水平。
以上諸多難點問題，都衍生于業務的實際運行過程中，需要我們分析師基于一套切實可行的方法論進行解決。
三、效果評估分析方法的發展3.1 什么是效果評估業務團隊為了提升相關指標，如流水、利潤等，而開展的如滿減，返利，打折，促銷等活動，在一段時間內讓玩家、用戶更多的參與、消費，來提升對應的指標。
而我們分析師就需要及時的研究清楚，這些業務動作帶來了怎樣的實質性的業務提升，以及如何形成更多優化空間，這就是效果評估的核心內容與價值。
3.2 效果評估方法的發展階段判斷業務效果，我們通常會細分很多指標，比如參與率、投入產出比、流水、利潤等。但我們最關心的往往是指標增量，這是一個相對概念，核心就在于如何對比。為此，行業內通用的分析方法有如下幾種：
時序比對法：
通過觀察活動前后的增長變化，如本周末開展的活動，那我們看本周末的流水去比對上周末的流水，來判斷活動的增量；
自然過濾法：
受節假日等季節因素影響，本周和上周會有自然變化因素，為了過濾自然因素影響，我們將活動參與人群與未參與人群拆解開，將自然時間變化計算為未參與人群的本周流水比對上周流水的數值，最終按活動增量減去自然變化情況來作為最終增量；
AB測試：
基于均勻分層情況下的嚴格AB測試實驗，部分游戲/門店開展活動，部分不開展，以不開展活動的部分增長作為自然增長，這樣也可以計算出最終的增量。
但是存在如下風險：
①無法保證用戶均勻分布；
②活動開展較復雜，且存在客訴風險，玩家不易接受，且損失部分活動增量，不利于目標達成。
事后達爾文：
集合方法2、3的各自優勢，我們將參與活動人群/未參與人群，基于均勻分層的邏輯，按上周末arpu等指標拆解分層，保障對比對象的相對公平，計算各分層內參與人群的增長-自然增長（同分層未參與人群的增長），最終匯總整體結果。
如下示例：
3.3 各方法的優劣對比及適用場景說明注：“事后達爾文”由數據分析團隊成員于2019年研究出相關分析方法，并于2020年整理并取名為“事后達爾文”。
四、“事后達爾文”的分析方法論在介紹數據方案設計前，先介紹一下“事后達爾文”的分析思路和方法論，幫助大家更好地理解本文。
4.1 確認研究對象研究對象分兩部分——人群和指標。
（1）人群
包含參與活動的人群、未參與活動的人群。參與活動的人群受到活動、季節因素的綜合影響；未參與活動的人群主要受季節因素的自然變化影響，如十一前和十一期間的自然付費增長。
（2）研究指標
我們一般選擇核心關注的如人均流水ARPU、人均禮券（游戲業務活動核心目標）。其他場景亦可按核心關注指標開展研究，如產品測試場景的點擊率等。
4.2 分人群時間對比基于我們的研究人群（參與活動與未參與活動的人群），在活動前、活動期的研究指標（流水、利潤）表現情況，如下圖：
其中：
C1=A*(A4-A3*(B4/B3));
C2=A*(A2-A1*(B2/B1));
因通常情況下，主動參與我們活動的玩家會有更積極主動的活躍、付費等行為特征，導致玩家A、B人群并不符合均勻分布的特征，故B玩家人群的自然季節因素變化無法完全代表A玩家人群的自然變化，最終導致無法完全科學合理的體現出活動玩法對A人群的增量。
4.3 人群均勻分層對比我們為保障玩家人群B的自然變化能反映A玩家人群的水平，在核心研究的指標邏輯下，將A、B玩家人群做均勻的拆分，參考游戲業務活動中，按照活動前人均付費水平拆分（其他場景也可基于其核心指標拆分，如點擊率分發效率等）。
其中：
C1=A*(A4-A3*(B4/B3));
C2=A*(A2-A1*(B2/B1));
C=sum(C1:Cn);D=sum(D1:Dn);
為保障以上分析結果真的均勻，我們會對每一分組做相應的驗證，如上初始人群差異，若人群差異絕對值>=5%，則判斷置信度不足，對應分組人群活動影響不單獨做評估。
4.4 結果評估基于以上分層邏輯后，我們即可得到對應置信分組下，參與人群的指標變化率，未參與人群的指標變化率，二者相減即得到活動策略影響的增量變化（可正可負），匯總之后，即可得到整體增量變化，即為整體的活動影響。
特別說明：
通常情況下，置信度不足的分組人群，如果相關人群/流水比重過大，無法忽略影響的話（如超過10%），則會按照置信分組的總增量變化率來作為該分組的增量測算，此處僅供參考；
參與活動人群規模較未參與差距過于懸殊，如<1:10的情況下，可考慮對B人群以抽樣的方式來實現以上的效果。
五、實際分析案例5.1 某年端午活動數據效果分析5.1.1 背景信息：端午期間開展了充值不同檔位可領取不同禮品的活動，如100元檔、1000元檔、4000元檔等。（非實際案例）
5.1.2 前置分析：主動參與的玩家，有較強的充值能力和欲望，對應效果研究需排除過濾這種充值能力上的差異；
活動面向全體玩家，無法開展ABtest，也不一定適宜差異化策略；
游戲充值玩家存在活動期大幅拉收，活動后消費降級的風險，所以整體研究中需考慮活動中+活動后的總體增量情況；
有活動曝光的用戶內部仍有較大差異，未參與活動(即未領獎)用戶表明這些用戶對本次禮包活動沒有興趣，本身付費傾向較低，而參與活動用戶則有較強付費意愿。
5.1.3 分析結果：整體有無曝光對比：從整體看，有活動曝光用戶的付費提升顯著高于無曝光用戶，且在低付費檔位的提升效應更為顯著；
有曝光用戶內部對比：有活動曝光但無領獎用戶本身為游戲的低付費意愿用戶，因此后向付費甚至不及無曝光用戶，而活動對參與的用戶有明顯的付費刺激作用。
5.2 某年游戲預約版本效果分析5.2.1 背景信息：（1）受國家版號政策的緊縮，游戲業務的穩定增長體現在老游戲的持續迭代上，而其拉新、回流、留存的節點，都圍繞在重大版本更新節點上。所以我們有產品通過版本更新功能，提前將游戲新的玩法/內容/活動傳遞給用戶，以提升游戲節點表現。
（2）我們vivo的版本預約已做了有段時間，但始終沒有一個較為嚴謹的實驗對比和數據分析，驗證做這件事為平臺帶來的增量價值。故我們使用“事后達爾文”的分析方法對其展開了相應研究。
版本頁面樣式參考如下：
5.2.2 前置分析思考：預約與非預約用戶，除了在預約行為上存在差異，還存在版本信息感知上的差異，主要體現在活躍頻次上，需要逐步進行對比分析；
中心灰度放量提供了是否感知版本信息的兩類人群對比，但灰度本身對用戶的中心版本、手機性能和中心使用行為有要求，導致灰度用戶在游戲內的活躍付費天然優于非灰度用戶。
5.2.3 分析結果：版本信息感知價值：提前感知版本信息的用戶在版本更新后向付費有提升，總體付費約高于無版本預約感知用戶6%，且在高活躍天頻下付費與無感知用戶拉開差距；
主動預約行為的價值：版本更新后預約用戶付費相比僅感知無預約用戶，其提升更為明顯。
六、總結和展望對于游戲業務效果評估中面臨的各類問題，我們借鑒過往經驗，經過不斷嘗試和探索，基于用戶分層的邏輯，拆解用戶，將保持同一核心特征的用戶放在一個水平線上進行對比，開發出“事后達爾文”的解決方案，并在解決游戲業務效果評估中取得長期較好效果。我們近期也有在推動大數據將相關的分析方法模型，結合游戲業務用戶運營的實際特點，進行模型線上化，屆時將更加快速便捷的完成活動策略的效果評估，給到業務方更及時有效的支持。
本文希望能讓大家更了解游戲業務分析工作的實踐情況，能對大家不同業務的分析評估工作有一些直觀的參考價值。當然，方案中的具體模型細節、風險排查等無法完完全全的寫出，也由衷歡迎感興趣的朋友們和筆者一起探討交流，謝謝大家！
參考文獻：
趙煥光、章勤瓊、王迪著《真理相遇統計》
標簽：
