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！

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

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

雨が降っている 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

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

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・ 2 : 過去 7日間のログイン日数が 2 回のユーザ・ 3 : 過去 7日間のログイン日数が 3 回のユーザ・ 4 : 過去 7日間のログイン日数が 4 回のユーザ・ 5 : 過去 7日間のログイン日数が 5 回のユーザ・ 6 : 過去 7日間のログイン日数が 6 回のユーザ・ 7 : 過去 7日間のログイン日数が 7 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 8月 日 7 9月 日 7 10月 日 7 11月 日 7 12月 日 7 13月 日 7 14月 日 7 15月 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%

☆ DAU動向7 8月 日 7 9月 日 7 10月 日 7 11月 日 7 12月 日 7 13月 日 7 14月 日 7 15月 日

NEW 0 4,000 4,000 4,000 4,000 4,000 10,000 4,000 4,0001 2,800 2,630 2,592 2,583 2,581 2,581 4,381 2,9862 1,500 1,405 1,343 1,319 1,311 1,309 1,308 1,7133 1,500 1,175 1,054 1,002 980 972 969 9684 1,500 1,275 1,099 1,001 951 927 916 9115 2,000 1,740 1,542 1,391 1,280 1,202 1,149 1,1146 2,800 2,536 2,304 2,106 1,939 1,801 1,689 1,6007 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 32,04855.4% 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

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

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