ตัวชี้วัดการเคลื่อนไหวการจำแนกผู้ใช้

ตัวชี้วัดการเคลื่อนไหวการจำแนกผู้ใช้¶

• ตามกิจกรรมในเกมและข้อมูลที่เกี่ยวข้องกับการซื้อของผู้ใช้ กิจกรรมและกำลังซื้อจะถูกจัดประเภทโดยอัตโนมัติผ่านเทคนิคการจัดกลุ่ม K-Means ประเภทการจำแนกผู้ใช้จะถูกกำหนดและจัดเตรียมตามนั้น
• คุณสามารถดูการไหลของการใช้งานของผู้ใช้ผ่านสถานะการเคลื่อนไหวประเภทการจำแนก โดยอิงจากวันที่เข้าถึงครั้งแรกและวันที่เข้าถึงครั้งสุดท้ายของผู้ใช้ในช่วงเวลาที่เลือก
• ตัวชี้วัดนี้จะถูกอัปเดตทุกวันเวลา 7:00 น. KST
• คุณสามารถดูตัวชี้วัดการเคลื่อนไหวการจำแนกผู้ใช้ได้โดยการเชื่อมต่อกับ Hive SDK โดยไม่ต้องส่งบันทึกแยกต่างหาก

คำบ่งชี้¶

กิจกรรม¶

• กิจกรรมของผู้ใช้จะถูกวัดจากข้อมูลของวันที่ฐาน (วันที่เข้าถึงของผู้ใช้) และสามวันที่ก่อนหน้ารวมถึงวันที่ฐาน ตัวอย่างเช่น หากผู้ใช้เข้าถึงในวันที่ 10 มกราคม จะถูกวัดจากข้อมูลระหว่างวันที่ 8 มกราคมถึง 10 มกราคม (3 วัน).
• กิจกรรมประกอบด้วย 4 ระดับ (สูง, เฉลี่ย, ต่ำ และใหม่) รวมทั้งหมด และรายการการวัดมีดังนี้ (อย่างไรก็ตาม หากกิจกรรมคือ "ใหม่" พวกเขาจะเป็นผู้ใช้ใหม่ในวันที่ฐานโดยไม่คำนึงถึงรายการการวัดด้านล่าง.)
  • จำนวนการเข้าสู่ระบบใน 3 วันที่ผ่านมา รวมถึงวันที่ฐาน
  • จำนวนวันที่เข้าสู่ระบบใน 3 วันที่ผ่านมา รวมถึงวันที่ฐาน
  • จำนวนการเข้าสู่ระบบเฉลี่ยต่อวันใน 3 วันที่ผ่านมา รวมถึงวันที่ฐาน (จำนวนการเข้าสู่ระบบ / จำนวนวันที่เข้าสู่ระบบ)
  • เวลาการเล่นเกมรวมใน 3 วันที่ผ่านมา รวมถึงวันที่ฐาน (เป็นวินาที)
  • เวลาเล่นเกมเฉลี่ยตั้งแต่ 00:00 น. - 23:00 น. ใน 3 วันที่ผ่านมา รวมถึงวันที่ฐาน (เป็นวินาที)
  • จำนวนโฆษณาที่ได้รับรางวัลที่ดูใน 3 วันที่ผ่านมา รวมถึงวันที่ฐาน
  • การเปิดการแจ้งเตือนใน 3 วันที่ผ่านมา รวมถึงวันที่ฐาน

อำนาจการซื้อ¶

• อำนาจการซื้อของผู้ใช้จะถูกคำนวณจากข้อมูลสะสมของวันที่เข้าถึงครั้งแรกของผู้ใช้จนถึงวันที่ฐาน ตัวอย่างเช่น หากวันที่เข้าถึงครั้งแรกของผู้ใช้ที่เข้าถึงเมื่อวันที่ 10 มกราคมคือวันที่ 1 มกราคม จะถูกวัดโดยใช้ข้อมูลตั้งแต่วันที่ 1 มกราคมถึงวันที่ 10 มกราคม
• อำนาจการซื้อประกอบด้วย 4 ระดับ (สูง, เฉลี่ย, ต่ำ และไม่มีการซื้อ) รวมทั้งหมด และรายการการวัดมีดังนี้ (อย่างไรก็ตาม หากอำนาจการซื้อคือ "ไม่มีการซื้อ" หมายความว่าผู้ใช้ไม่มีประวัติการซื้อจากวันที่เข้าถึงครั้งแรก - วันที่ฐาน โดยไม่คำนึงถึงรายการการวัดด้านล่าง)
  • เวลาที่ใช้ตั้งแต่การเข้าสู่ระบบครั้งแรกของผู้ใช้ - การซื้อครั้งแรก (หน่วย: วัน)
  • จำนวนการซื้อจากการเข้าสู่ระบบครั้งแรกของผู้ใช้ - วันที่ฐาน
  • จำนวนเฉลี่ยของค่าใช้จ่ายต่อการซื้อจากการเข้าสู่ระบบครั้งแรกของผู้ใช้ - วันที่ฐาน (ยอดรวมของค่าใช้จ่ายของผู้ใช้ / จำนวนการซื้อรวมของผู้ใช้)

ประเภทการจำแนกผู้ใช้¶

• ประเภทการจำแนกผู้ใช้ถูกกำหนดตามกิจกรรมและกำลังซื้อของพวกเขา และเมื่อเงื่อนไขทับซ้อนกัน พวกเขาจะถูกจัดประเภทเป็นประเภทที่สูงกว่า
  • ผู้ใช้ปลาวาฬ: หากทั้งกิจกรรมและกำลังซื้ออยู่ในระดับ "สูง"
  • ผู้ใช้ปลาโลมา: หากกิจกรรมหรือกำลังซื้ออย่างใดอย่างหนึ่งอยู่ในระดับ "สูง"
  • ผู้ใช้ทั่วไป: หากกิจกรรมหรือกำลังซื้ออย่างใดอย่างหนึ่งอยู่ในระดับ "เฉลี่ย"
  • ผู้ใช้เบา: หากทั้งกิจกรรมและกำลังซื้ออยู่ในระดับ "ต่ำ"
  • ผู้ใช้ที่ไม่มีการซื้อ: หากกำลังซื้ออยู่ในระดับ "ไม่ซื้อ" โดยไม่คำนึงถึงกิจกรรม
  • ผู้ใช้ใหม่: หากกิจกรรมอยู่ในระดับ "ใหม่" โดยไม่คำนึงถึงกำลังซื้อ

การจัดองค์ประกอบของตัวชี้วัด¶

• เงื่อนไขการค้นหา

  

  • การเลือกช่วงเวลา: คุณสามารถเลือกช่วงเวลาเป็นรายวันได้。

• ประเภทผู้ใช้ หมายเหตุในขณะการจำแนกประเภทครั้งแรก

  

  • หมายเหตุสีตามผลการจำแนกประเภทครั้งแรกของผู้ใช้ที่เคลื่อนที่ภายในช่วงเวลาที่เลือก
  • เมื่อคุณเลือกประเภทการจำแนกประเภทเฉพาะ คุณสามารถเน้นประเภทที่เลือกได้。

• คำอธิบายตัวชี้วัด

  • ผลการจัดประเภทเบื้องต้นของผู้ใช้

    

    • คุณสามารถตรวจสอบความหมายของประเภทการจำแนกผู้ใช้ตามกิจกรรมและกำลังซื้อ

  • การเคลื่อนไหวภายในประเภทการจำแนกผู้ใช้

    

    • เป้าหมายผู้ใช้ที่มีประเภทการจำแนกประเภทที่แตกต่างกันสำหรับวันที่เข้าถึงครั้งแรกและครั้งสุดท้าย ตัวอย่างเช่น หากช่วงเวลาที่เลือกคือจากวันที่ 1 มกราคมถึงวันที่ 10 มกราคม และผู้ใช้ที่เข้าถึงในวันที่ 1, 3, 5 และ 10 มกราคมถูกจำแนกประเภทเป็นผู้ใช้ Whale แต่ประเภทการจำแนกของพวกเขาเปลี่ยนเป็นผู้ใช้ Dolphin ในวันที่ 10 มกราคม พวกเขาจะถูกแสดง หากพวกเขายังถูกจำแนกประเภทเป็นผู้ใช้ Whale ในวันที่ 10 มกราคม พวกเขาจะไม่ถูกแสดง
    • คุณสามารถดูจำนวนผู้ใช้และเปอร์เซ็นต์ผู้ใช้ที่ย้ายจากประเภทการจำแนกประเภทเริ่มต้น (ประเภทการจำแนกประเภทตามวันที่เข้าถึงครั้งแรก) ไปยังประเภทการจำแนกประเภทสุดท้าย (ประเภทการจำแนกประเภทตามวันที่เข้าถึงครั้งสุดท้าย) ในช่วงเวลาที่เลือก
      • จำนวนผู้ใช้คือจำนวนผู้ใช้ที่ถูกจำแนกประเภทเป็นประเภท A ในขณะการจำแนกประเภทเริ่มต้นและย้ายไปยังประเภท B ในขณะการจำแนกประเภทสุดท้าย
      • เปอร์เซ็นต์ผู้ใช้คือเปอร์เซ็นต์ที่คำนวณจากจำนวนผู้ใช้ที่ถูกจำแนกประเภทเป็นประเภท A ในขณะการจำแนกประเภทเริ่มต้นเมื่อเปรียบเทียบกับจำนวนผู้ที่ย้ายไปยังประเภท B ในขณะการจำแนกประเภทสุดท้าย ตัวอย่างเช่น เมื่อช่วงเวลาที่เลือกคือจากวันที่ 1 มกราคมถึงวันที่ 10 มกราคม หากมีผู้ใช้ Whale จำนวน 1,000 คนในวันที่ 1 มกราคมในขณะการจำแนกประเภทเริ่มต้น แต่มีผู้ใช้ 100 คนจากจำนวนดังกล่าวย้ายไปยังผู้ใช้ Dolphin ในวันที่ 10 มกราคมในขณะการจำแนกประเภทสุดท้าย จะถูกแสดงเป็น 100 (10%)
    • ประเภทออฟไลน์ของประเภทการจำแนกประเภทสุดท้ายคือผู้ใช้ที่ไม่เคลื่อนไหวเป็นเวลา 3 วันขึ้นไป และการเข้าถึงครั้งสุดท้ายของพวกเขาคือ 3 วันก่อนวันที่สิ้นสุดของช่วงเวลาที่เลือก ตัวอย่างเช่น หากช่วงเวลาที่เลือกคือจากวันที่ 1 มกราคมถึงวันที่ 10 มกราคม ผู้ใช้ที่เข้าถึงครั้งสุดท้ายก่อนวันที่ 8 มกราคมจะถูกจำแนกประเภทเป็นออฟไลน์

  • สถานะการเคลื่อนไหวการจำแนกประเภทโดยประเภทการจำแนกประเภทผู้ใช้ที่ใหญ่ที่สุด

    

    • คุณสามารถดูประเภทการเคลื่อนไหวการจำแนกประเภทที่มีจำนวนผู้ใช้สูงสุด โดยไม่รวมประเภทที่ถูกจำแนกในที่สุดว่า "ไม่มีการซื้อ" หรือ "ออฟไลน์" ภายในตารางการเคลื่อนไหว

  • การกระจายผู้ใช้ก่อนการเคลื่อนย้ายการจำแนกประเภท & การกระจายผู้ใช้หลังการเคลื่อนย้ายการจำแนกประเภท

    

  • คุณสามารถดูสถานะการเคลื่อนไหวของผลการจำแนกประเภทจากแรกถึงสุดท้ายของผู้ใช้แต่ละคนในช่วงเวลาที่เลือกโดยใช้แผนที่การเคลื่อนไหวที่มีการเข้ารหัสสี

    • หากผลการเคลื่อนไหวที่จำแนกประเภทของผู้ใช้คือ “ไม่มีการซื้อ” หรือ "ออฟไลน์ (ไม่เคลื่อนไหวเป็นเวลา 3 วันหรือมากกว่า)" พวกเขาจะถูกทำเครื่องหมายในกราฟการกระจายผู้ใช้ก่อนการเคลื่อนไหว แต่จะไม่ถูกทำเครื่องหมายหลังจากการเคลื่อนไหวการกระจาย
  • แต่ละจุดในกราฟแทนผู้ใช้หนึ่งคนที่เคลื่อนไหวการจำแนกประเภทในช่วงเวลาที่เลือก และสีของแต่ละจุดคือสีของประเภทการจำแนกประเภทของผู้ใช้จากการจำแนกประเภทครั้งแรก
  • คุณสามารถเลื่อนเมาส์ไปที่แต่ละ ID ผู้ใช้ (playerId) ในกราฟเพื่อดูประเภทการจำแนกประเภทของพวกเขาในช่วงเวลาของการจำแนกประเภทเริ่มต้นและช่วงเวลาของการจำแนกประเภทครั้งสุดท้าย สำรวจข้อมูลลักษณะต่าง ๆ ของผู้ใช้โดยใช้ฟีเจอร์ Hive Analytics BigQuery
    • ข้อมูลเพิ่มเติมเกี่ยวกับฟีเจอร์ Hive Analytics BigQuery สามารถดูได้ ที่นี่.