什么是画像分析？如何做游戏玩家画像分析？

用户画像又称用户角色（Persona），作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。我们在实际操作的过程中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待联结起来。作为实际用户的虚拟代表，用户画像所形成的用户角色并不是脱离产品和市场之外所构建出来的，形成的用户角色需要有代表性能代表产品的主要受众和目标群体。

玩家画像分析是作者将用户画像分析引用到游戏行业提出的一个概念。将定量数据与定性分析的方法结合，对玩家群做出准确的判断，了解玩家的构成结构，玩家喜好及行为，从而找到自身产品的目标用户，对产品的市场细分及定位提供方法。进一步，对玩家数据分群，通过与玩家的定性访谈调研，细化玩家画像的颗粒度（画像应该细化到哪种程度），进而了解各群玩家的核心需求及潜在机会。

玩家画像分析的思路如下：

1． 玩家群体定量分类，从玩家数据中了解玩家结构，玩家结构包括玩家性别结构，玩家年龄结构，玩家收入结构，玩家使用的设备结构（IOS/android，设备品牌，设备硬件情况等）。

2． 玩家喜好&行为分析，从玩家数据中获得玩家结构与玩家喜好&行为间的关系，从产品的定位出发为产品寻找目标用户，找出与相关竞品间的差异，从而为市场细分及市场定位提供建议。

3． 核心玩家画像分析，第一步对后台数据进行提取，通过数据了解到玩家情况一些关键指标。在对玩家情况有一些初步把握后，获取玩家关键指标，进行数据清洗后，通过聚类分析对玩家进行分群。第二步，对各个群或者各个类型的玩家进行定性访谈，挖掘玩家生活情境与体验场景。围绕各类玩家的行为特征，了解玩家的核心需求情况，发现各类玩家的潜在机会，细化颗粒度（细化到每类玩家每一具体的体验情景），形成核心玩家画像。

那么如何进行玩家画像分析，玩家群体定量分类，玩家喜好&行为分析和核心玩家画像分析，成为了我们需要探讨的问题。

如何对玩家进行定量分类

收入是评价一款游戏成功与否的基本标准，众所周知，收入=活跃玩家*ARPU，自然而然，可以看出活跃玩家与收入之间是呈正比关系的。因此，在提高ARPU的同时，保持持续稳定玩家数量或是控制成本情况下，持续增长的玩家基数也成为游戏运营过程中的重中之重。在实际工作中，了解玩家基本情况，把握玩家的基本情况及玩家常规的行为表现，对研发对游戏产品的定位，运营对游戏的管理经营，市场对玩家导量的把握有积极的推动效果。

我们一般从以下几个方面就可以认识到游戏用户的基本情况。

l 用户基本信息：

1. 机型分布，机型经常能够说明玩家的经济实力，大多数情况下，手机越高端的玩家付费能力越强。从中可以相应的挖掘出潜在的鲸鱼玩家群体，合理引导鲸鱼玩家付费。

下图为模拟某款游戏的用户所持机型分布。

性别分布，性别分布可以看出游戏男女玩家的参与度，性别分布可以为游戏的推广方案提供指导性建议。

1. 城市分布，可以看出游戏主要群体的地域来源，可以根据不同城市有针对性的开展线下活动。玩家群体大的城市可以采取线下玩家交流聚会。

1. 职业分布，作为消费能力参考的一个维度：

4.年龄分布

l 用户行为分类

n 游戏行为

1. 游戏时间：针对玩家的游戏时间分布，可以利用合理的安排游戏运营活动，从而提高活动参与度，提高收益。

根据不同需求可再进一步将时间细分。

1. 游戏时长：可有针对性的设计游戏活动，一般以天为周期进行统计

1. 付费用户：优化游戏付费点设计

n 用户来源

1. 来源渠道：不同市场的用户，在游戏的表现还是有一定差距。

1. 进入时间

1. 注册方式

以上对于用户基础信息的统计，对用户各个群体的划分有了一个初步的分类，玩家群体定量分类，从玩家数据中了解玩家结构，玩家结构包括玩家性别结构，玩家年龄结构，玩家收入结构，玩家使用的设备结构（IOS/android，设备品牌，设备硬件情况等），让研发&运营&市场了解游戏玩家的基本情况，从而对玩家习惯有所把握。对优化游戏各方面有积极的作用。

在了解玩家基本情况及把握玩家行为之后，从这些数据中寻找数据间的关系，从玩家数据中获得玩家结构与玩家喜好&行为间的关系，从产品的定位出发为产品寻找目标用户，找出与相关竞品间的差异，从而为市场细分及市场定位提供建议。

玩家喜好&行为分析，一般是结合多元统计分析的对应分析方法来实现的，本文将结合多重对应分析的方法。

其实多重对应分析在超过两个以上定类变量时有时候非常有效，当然首先我们要理解并思考，如果只有三个或有限的几个变量完全可以通过数据变换和交互表变量重组可以转换成两个定类变量，这时候就可以用简单对应分析了。

对应分析对数据的格式要求：

• 对应分析数据的典型格式是列联表或交叉频数表。
• 常表示不同背景的玩家对若干游戏产品的选择频率。
• 背景变量或属性变量可以并列使用或单独使用。
• 两个变量间——简单对应分析。
• 多个变量间——多元对应分析。

现在，我们还是来看看如何操作多重对应分析并如何解读对应图；

作者模拟了一个数据集，包括玩家的性别（1-females，2-males），喜好游戏类型（1-动作，2-角色扮演，3-卡牌，4-模拟经营，5-跑酷，6-其他，7-棋牌，8-射击，9-休闲益智，10-养成，11-战争策略），学历（1-小学及初中，2-高中，3-大专及本科，4-硕士，5-博士），收入情况（1-1000以下，2-1000~2000，3-3000~5000，4-5000~8000，5-8000以上）

从数据集看，我们有4个定类变量，如果组合成简单的交叉表是困难的事情，此时采用多重对应分析是恰当的分析方法。

下面我还是采用SPSS21.0进行多重对应分析。

在SPSS分析菜单下选择降维（Data Redaction-数据消减）后选择最优尺度算法，该选项下，根据数据集和数据测量尺度不同有三种不同的高级定类分析算法，主要包括：多重对应分析、分类（非线性）主成分分析、非线性典型相关分析。

接下来，我们就可以选择变量和条件。

下面我们看结果：

从图中我们可以看出：男性玩家和女性玩家在选择游戏类型上是存在差异的，不同学历背景的玩家在游戏喜好上也存在一定的差异，不同的玩家背景在游戏喜好和游戏选择上是存在差异的，可以根据自身的游戏类型，找准相应的目标玩家群体，而且在本图上你还可以发现在博士及硕士且收入8000以上这一块是存在市场空缺的。

而在另一张辨别度量结果图上， 夹角是锐角意味着相关，即性别与游戏类型的相关程度较高，可以看出玩家性别在游戏类型选择上起到更重要的比重。

接下来本文将结合多元统计分析方法中的聚类分析，阐述从微观角度做玩家画像分析，对游戏核心玩家做聚类分群。

聚类分析属于探索性的数据分析方法。通常，我们利用聚类分析将看似无序的对象进行分组、归类，以达到更好地理解研究对象的目的。聚类结果要求组内对象相似性较高，组间对象相似性较低。在用户研究中，很多问题可以借助聚类分析来解决，比如，网站的信息分类问题、网页的点击行为关联性问题以及用户分类问题等等。其中，用户分类是最常见的情况。

下图为作者总结的一个聚类分析的流程图：

本文结合一个游戏后期留存玩家的微观数据，讲解核心玩家聚类分群的内容，首先选择聚类变量，选取数据变量时，尽可能选取对记录玩家行为和消费的数据记录，还有包含与游戏产品相关的玩家态度、观点。

聚类分析过程对用于聚类的变量还有一定的要求：

• 这些变量在不同研究对象上的值具有明显差异；
• 这些变量之间不能存在高度相关。

其次，数据变量并不是越多越好，而影响选择代表性强及差异性强的数据变量。

第三，由于数据来源不一致，存在数据数量级差距太大，数据单位不一样的问题，所以在进行聚类分析之前，对变量数据的处理显得尤为重要，一般采用数据标准化及非量纲处理。

第二部分，进行聚类分析，SPSS提供了多种聚类方法供我们使用，不同聚类方法的区别详见http://baike.baidu.com/view/903740.htm

本文结合玩家微观数据，对数据处理后，选择系统聚类方法。

结果如下：

又上图可发现，玩家可分为四个群体（由于数据来源于实际工作，作者无法提供）。

第三部分，找出各类用户的重要特征，确定玩家分类，接下来，我们需要返回观察各类别玩家在各个变量上的表现。

第四部分：聚类解释&命名，根据聚类结果和各类的数据表现，我们对这四类做出命名并解释其数据结果。

根据前面的玩家画像分析的内容，我们可以通过玩家群体定量分类，从玩家数据中了解玩家结构，通过 玩家喜好&行为分析，从玩家数据中获得玩家结构与玩家喜好&行为间的关系，通过聚类分析对玩家进行分群。

接下来将阐述玩家画像分析的最后一部分内容：玩家核心画像。对各个群或者各个类型的玩家进行定性访谈，挖掘玩家生活情境与体验场景。围绕各类玩家的行为特征，了解玩家的核心需求情况，发现各类玩家的潜在机会，细化颗粒度（细化到每类玩家每一具体的体验情景），形成核心玩家画像。

以下使我们通过用户研究及玩家定性访谈所刻画的玩家核心画像：

A类资深宅男屌丝一枚

小鱼

21岁

性别：男吧

职业：在校大学生

爱好：游戏，动漫，宅，你懂得

手机：MI3

日均游戏时常：5小时以上

喜爱游戏类型：ARPG，横版格斗

付费情况：很少付费，最多首冲

游戏场景及心理：

和大多数人一样，过着丰(mi)富(lan)多(bu)彩(kan)上的大学生活，课时会偷偷躲在课桌下边用手机玩游戏，当然除了用手机玩游戏也会做一些其他事情，喜欢操作感强的手游，时间多，几乎不充值资深玩家，公会中的活跃者，经常也能够从游戏中寻找一些Bug，利用Bug获取一些小利益，经常游戏到深夜，，每天必将游戏中体力副本各种系统的参与次数全都刷光，才能安心入睡。

用户特点分析：

付费能力较弱，游戏忠诚度高，对提升游戏人气和生命周期均有很强的促进作用。重度游戏玩家，对游戏的系统了如指掌。

B类萌萌哒女白领

小L

24岁

性别：女

职业：初入职场女白领

爱好：游戏，逛街，动漫，购物，电影

手机：Sony X2

日均游戏时常：1-2小时

喜爱游戏类型：Q萌画风的休闲游戏

付费情况：从不付费

游戏场景及心理：

午饭过后，小丽拿出手机玩了两局最近这两天一直在玩的一款消除游戏，还经常将自己的最高得分截图分享到朋友圈或者发给男票进行挑战。下班回家的路上，在公交和地铁上也是小丽玩手游的主战场，睡前如果不破了今天的记录真的睡不着。第二天，男票又推荐了一款更加呆萌好玩的游戏，小丽果断放弃了消除游戏。

用户特点分析：

付费能力较弱，喜欢可以利用碎片时间来玩的游戏，喜欢分享，有助于游戏自传播，忠诚度低，喜新厌旧情节严重。

C类国企员工

大W

33岁

性别：男

职业：国企员工

爱好：游戏，棋牌，登山，运动

手机：Huawei 3X

日均游戏时常：2-3小时

喜爱游戏类型：三国题材游戏

付费情况：必要时付费

游戏场景及心理：

工作之余，大伟拿出了手机浏览新闻，突然看到《XX三国》的游戏广告，成功下载后，大伟一进入游戏就被游戏的画面和剧情所吸引，第一次抽卡时，发现钻石10连抽必得橙色卡片，大伟毫不犹豫的充值100元，随着游戏的深入付费越来越多，当有一天大伟看到自己的信用卡账单已经为游戏花了好几百元时，会默默的心疼，而自己能接受的充值无法满足需求时，大伟选择了放弃游戏。

用户特点分析：

付费能力较强，必要时会付费，跟随游戏主线，用户粘度较高，付费接受度有限。

D类私营企业老板

X总

40岁

性别：男

职业：私营企业老板

爱好：游戏，自驾游，钓鱼，高尔夫

手机：iPhone 5S

日均游戏时常：3小时左右

喜爱游戏类型：经典玩法或题材的游戏

付费情况：不差钱，关键要爽

游戏场景及心理：

从《传奇》、《石器时代》等游戏一路玩过来，资深游戏玩家，一直在找寻当时玩经典游戏的，感觉，发现类似的手游当然不会错过，任何能用钱来解决的问题直接充值绝不眨眼，在服务器中一直遥遥领先，所有的装备和宠物都已达到顶级，版本一直不更新，X总暂时离开，用一款新的游戏取代。

用户特点分析：

不差钱，会不断在游戏中找寻可以满足资深荣耀感的需求，通过RMB进行实现，对游戏的新内容比较期待，用户粘度较高。

玩家画像分析就这样阐述完毕。