什么样的arpu计算方式才是合理的？

Arpu（Average

Revenue

Per

User）从字面意思来理解，为客户平均每月收益。但在网络游戏领域，其实现在的arpu是区别很大的，而原因正在于计算方式的不同。

ARPU这个概念在许多行业都有着广泛的应用，而在网络游戏产业里面，随行业的发展arpu的算法也是越来越多样了。如看巨人与盛大的财报你会发现难道盛大的赢利能力只有巨人的一半么？

传统的arpu值的计算方式：月总收入/月总平均在线=arpu

单位（元/月）这样的计算方式基本上是过时的，这种算法只适合月卡时代的游戏计算方式，这样的数据不能为游戏提供帮助。

上市公司的计算方式似乎：月总收入/活跃用户数=arpu

单位（元/月）像盛大就采用这种算法。但是“活跃用户”的定义比较模糊，按照有些公司的惯例，活跃用户的定义是三个月内有登陆的用户或是一个月内有登陆的用户（现在网页游戏大都采用后者），又有公司定义是三个月内有付费记录的用户，所以这样的数据不利于对比。

业内“专家”（只因为他说的有理所以我给了“专家”二字）给了这样的算法是：月总收入/月付费用户数=arpu

单位（元/月）

这种算法来自arpu和accu（平均在线）之间影响arpu的因素以及相应的运营策略。

一般来讲，在用户平均在线时长近似的情况下，日平均在线和月登陆用户是具有一定的经验关系的，即：月登陆用户数=日平均在线*变量a（a大概在30-100

不等，一般我们可以取50

这个值。）而月付费用户数=月登陆用户数*付费比例；结合arpu=月总收入/月付费用户，则accu和arpu这两个数据之间的关系则可推算而出：arpu=总收入/（accu*变量a*付费比例）

为了提高arpu数据分析不可少只是什么样的计算方式最有效？什么样的数据才能真正反应游戏的营收情况呢？相信每家公司的算法都是有理有据可依的。只是整个行业的平均利润率的降低，这也是竞争过度的产业的必然趋势。

数据包含近229万条记录，109个字段，以下取较重要的字段进行说明。

字段说明：user_id：用户编码，用户唯一标识

bd_stronghold_level：要塞等级，相当于游戏账号等级

wood_reduce_value：木头消耗数量

stone_reduce_value：石头消耗数量

ivory_reduce_value：象牙消耗数量

meat_reduce_value：肉消耗数量

magic_reduce_value：魔法消耗数量

general_acceleration_reduce_value：通用加速消耗数量

building_acceleration_reduce_value：建筑加速消耗数量

reaserch_acceleration_reduce_value：科研加速消耗数量

training_acceleration_reduce_value：训练加速消耗数量

treatment_acceleration_reduce_value：治疗加速消耗数量

pvp_battle_count：玩家对玩家次数

pve_battle_count：玩家对机器次数

avg_online_minutes：日均在线时间

pay_price: 消费金额

pay_count：消费次数

分析思路：用户注册时间分布情况？

用户的付费情况（付费率，ARPU，ARPPU）？

各等级用户的付费情况？

用户的消费习惯？

可视化数据

分析过程：

①导入数据

import numpy as np

import pandas as pd

from pandas import read_csv

from sklearn.cluster import KMeans

import matplotlib.pyplotas plt

import pylab as pl

from matplotlib.font_managerimport FontManager, FontProperties

pd.set_option('display.max_columns',None)

#为了数据安全，copy一份数据

df=df0

#检查是否有空值

print(df.isnull().any().any())

#观察数据构成

print(df.head())

②清洗数据

#以user_id为维度，删除重复数据，并查看用户总数

df=df.drop_duplicates(subset='user_id')

print('用户总数：',len(df['user_id']))

→用户总数：2288007

③计算用户注册时间分布

#首先将注册时间精确到天

register_date=[]

for i in df['register_time']:

date=i[5:10]

register_date.append(date)

df['register_time']=register_date

#计算每天的注册人数

df_register=df.groupby('register_time').size()

df_register.columns=['日期','注册人数']

print(df_register)

（可视化）

plt.plot(df_register)

plt.grid(True)

pl.xticks(rotation=90)

font=FontProperties(fname='/System/Library/Fonts/PingFang.ttc')

plt.title('用户注册分布图',fontproperties=font)

plt.show()

△可以看出，用户注册数在2月19日有一次的大的高峰，其他时间也分别有几次小高峰，且高峰的持续时间很短，可以推测是因为游戏推出一些奖励活动或公司对游戏的推广取得了效果进而使注册用户激增。

④用户的付费情况（付费率，ARPU，ARPPU）

#付费率（付费人数/活跃人数）

df_pay_user=df[(df['pay_price']>0)]

pay_rate=df_pay_user['user_id'].count()/df_active_user['user_id'].count()

print('付费率：%.2f'%(pay_rate))

#ARPU（总付费金额/活跃人数）

arpu=df_pay_user['pay_price'].sum()/df_active_user['user_id'].count()

print('ARPU:%.2f'%(arpu))

#ARPPU（总付费金额/付费人数）

arppu=df_pay_user['pay_price'].sum()/df_pay_user['user_id'].count()

print('ARPPU:%.2f'%(arppu))

△目前盈利较好的手游的ARPU超过5元，一般手游在3~5元之间，盈利较差的低于3元，该游戏的ARPU为8.55元，说明盈利水平较高。

⑤不同等级用户的付费情况

df_user=df[['user_id','bd_stronghold_level','pay_price','pay_count']]

df_table=pd.pivot_table(df_user,index=['bd_stronghold_level'],

values=['user_id','pay_price','pay_count'],

aggfunc={'user_id':'count','pay_price':'sum','pay_count':'sum'})

df_stronghold_pay=pd.Dataframe(df_table.to_records())

#各等级付费人数

df_stronghold_pay['pay_num']=df_user[(df_user['pay_price']>0)].groupby('bd_stronghold_level').user_id.count()

#各等级付费转化率

df_stronghold_pay['pay_rate']=df_stronghold_pay['pay_num']/df_stronghold_pay['user_id']

#各等级平均付费金额

df_stronghold_pay['avg_pay_price']=df_stronghold_pay['pay_price']/df_stronghold_pay['user_id']

#各等级平均付费次数

df_stronghold_pay['avg_pay_count']=df_stronghold_pay['pay_count']/df_stronghold_pay['user_id']

#重命名列名

df_stronghold_pay.columns=['要塞等级','总付费次数','总付费金额','总人数',

'付费人数','付费转化率','人均付费金额','人均付费次数']

df_stronghold_pay=df_stronghold_pay[['要塞等级','总人数','付费人数','付费转化率',

'总付费金额','人均付费金额','总付费次数','人均付费次数']]

df_stronghold_pay=df_stronghold_pay.round(2)

print(df_stronghold_pay)

（可视化）

#要塞等级—付费转化率

x=df_stronghold_pay['要塞等级']

y=df_stronghold_pay['付费转化率']

plt.xticks(x,range(0,len(x),1))

plt.plot(x,y)

plt.grid(True)

plt.title('不同等级用户付费转化率',fontproperties=font)

plt.show()

#要塞等级-人均付费金额

x=df_stronghold_pay['要塞等级']

y=df_stronghold_pay['人均付费金额']

plt.xticks(x,range(0,len(x),1))

plt.plot(x,y)

plt.grid(True)

plt.title('不同等级用户人均付费jine',fontproperties=font)

plt.show()

x=df_stronghold_pay['要塞等级']

y=df_stronghold_pay['人均付费金额']

plt.xticks(x,range(0,len(x),1))

plt.plot(x,y)

plt.grid(True)

plt.title('不同等级用户人均付费jine',fontproperties=font)

plt.show()

#要塞等级-人均付费次数

x=df_stronghold_pay['要塞等级']

y=df_stronghold_pay['人均付费次数']

plt.xticks(x,range(0,len(x),1))

plt.plot(x,y)

plt.grid(True)

plt.title('不同等级用户人均付费次数',fontproperties=font)

plt.show()

△用户等级到达10级时，付费率接近60%，等级到达13级时，付费率接近100%，且人均付费金额和次数两项指标也在用户达到10级后增长迅速，因此可以认定10级以上用户为游戏的核心用户。

△但是观察用户等级分布，发现绝大部分用户还是处在10级以下的水平，因此如何使用户达到10级是游戏运营接下来需要考虑的事。

⑥不同玩家的消费习惯

该游戏充值主要可以获得道具类（木头、石头、象牙、肉、魔法）和加速券类（通用、建筑、科研、训练、医疗）。根据用户的充值金额大小，分别分析两类消费品的消耗情况。

#将等级>=10级的玩家划分为：消费>=500为高消费玩家，<500为普通玩家

df_eli_user=df[(df['pay_price']>=500)&(df['bd_stronghold_level']>=10)]

df_nor_user=df[(df['pay_price']<500)&(df['bd_stronghold_level']>10)]

#不同玩家的道具消耗情况

wood_avg=[df_eli_user['wood_reduce_value'].mean(),df_nor_user['wood_reduce_value'].mean()]

stone_avg=[df_eli_user['stone_reduce_value'].mean(),df_nor_user['stone_reduce_value'].mean()]

ivory_avg=[df_eli_user['ivory_reduce_value'].mean(),df_nor_user['ivory_reduce_value'].mean()]

meat_avg=[df_eli_user['meat_reduce_value'].mean(),df_nor_user['meat_reduce_value'].mean()]

magic_avg=[df_eli_user['magic_reduce_value'].mean(),df_nor_user['magic_reduce_value'].mean()]

props_data={'high_value_player':[wood_avg[0],stone_avg[0],ivory_avg[0],meat_avg[0],magic_avg[0]],

'normal_player':[wood_avg[1],stone_avg[1],ivory_avg[1],meat_avg[1],magic_avg[1]]}

df_props=pd.Dataframe(props_data,index=['wood','stone','ivory','meat','magic'])

df_props=df_props.round(2)

print(df_props)

#可视化

ax=df_props.plot(kind='bar',title='Props Reduce',

grid=True,legend=True)

plt.show()

△普通玩家和高消费玩家对木头、石头、肉的消耗都较大，魔法的消耗都较小，而在象牙的消耗上，高消费玩家和普通玩家的消耗差距较大。

#不同玩家的加速券消耗情况

general_avg=[df_eli_user['general_acceleration_reduce_value'].mean(),

df_nor_user['general_acceleration_reduce_value'].mean()]

building_avg=[df_eli_user['building_acceleration_reduce_value'].mean(),

? df_nor_user['building_acceleration_reduce_value'].mean()]

research_avg=[df_eli_user['reaserch_acceleration_reduce_value'].mean(),

? df_nor_user['reaserch_acceleration_reduce_value'].mean()]

training_avg=[df_eli_user['training_acceleration_reduce_value'].mean(),

? df_nor_user['training_acceleration_reduce_value'].mean()]

treatment_avg=[df_eli_user['treatment_acceleration_reduce_value'].mean(),

? df_nor_user['treatment_acceleration_reduce_value'].mean()]

acceleration_data={'high_value_player':[general_avg[0],building_avg[0],research_avg[0],

? training_avg[0],treatment_avg[0]],

? 'normal_player':[general_avg[1],building_avg[1],research_avg[1],

? training_avg[1],treatment_avg[1]]}

df_acceleration=pd.Dataframe(acceleration_data,index=['general','building','researching','training','treatment'])

print(df_acceleration.round(2))

#可视化

ax=df_acceleration.plot(kind='bar',title='Acceleration Reduce',

grid=True,legend=True)

plt.show()

△两类玩家对对治疗加速券消耗都很小，对通用加速券的消耗差异较大，其他三种加速券消耗差别不大。

结论：1.该游戏具有较大的用户基数，且新用户注册受游戏活动、新版本等因素影响较大。

?2.该游戏的ARPU为8.55，说明该游戏的盈利能力较高。

?3.用户等级达到10级后，付费意愿明显上升，且达到13级时付费率将近100%。但是绝大多数用户仍然停留在10级以下，如何使用户平滑升至10级尤为重要。

?4.消费习惯上，高消费玩家对象牙和通用加速券的需求远多于一般玩家。