Une société de jeu sociale a un jeu de vente ce mois-ci pour diminuer le mois dernier et nous devons analyser le déclin et refuser et améliorer les ventes. La vente de ce jeu a été maintenue plus tôt, mais ce mois-ci a diminué. De l'état de l'environnement du marché et du jeu lui-même, il n'ya aucune possibilité car le jeu lui-même conduit au contenu. Nous devons donc trouver un utilisateur à des ventes réduites.

Près de deux mois de données de vente

III Discovery

Tout d'abord, nous devons savoir quels points sont différents les autres par rapport à la fin du mois. Nous avons essayé de faire les hypothèses suivantes. La raison de la réduction des ventes peut contenir deux points:

La façon est de demander des pièces connexes. Grâce aux conseils, le département du marché et le département de développement de jeux, s'il vous plaîtSuivant:

En raison du budget marketing limité, ce mois-ci n'a pas effectué de nombreuses activités publiques le mois dernier
2. Activités de jeu thématique et contenu étroit car il n'y a pas de changement le mois dernier ]
D'une ci-dessus, la réduction des ventes peut être réduite en raison de la baisse des activités publiques, ce qui a permis aux produits de la société dans les utilisateurs de Nano, maintenant, nous devons maintenant confirmer que de nouvelles données ont une relation entre le nombre d'utilisateurs réduisant et réduisant les ventes.

Recueillir et traiter les données

En communiquant avec le service technique, les données justificatives sont payées, collectées par des données:
1. Dau (utilisateur actif quotidien, à au moins 1 données d'utilisateur secondaire)

2. DPU (l'utilisateur paie quotidiennement, consommation d'au moins 1 personne de devise tous les jours)
3. Installez (écrire des données pour chaque utilisateur pour la première fois à la lecture de ce jeu) ]

Type de données

DestnasU

log_date

Chaîne

Heure d'accès

Nom de l'application
] Int
DPU

Champ de données

Type de données

Nom de données

Log_date

Chaîne

Nom de l'application

INT

INT

Installer

Installer

Champ de données
Type de données
install_date
Chaîne
Premier temps d'utilisation
App_name
Nom de la chaîne

INT

] ID utilisateur
1. Lire le fichier de données

Les données de cet exemple sont stockées dans le fichier CSV et le fichier CSV peut être lu dans le cadre de données de la bibliothèque Pandas, pratique pour la manipulation des données suivantes. Le code est le suivant:

01 # Entrez la bibliothèque associée
02 NHPanding droit en PD
03 Entrez NUMPY sous forme NP
04 Entrée matplotlib. Pyplot est PLT
06% MATPLOTLIB INDITION
08 # Lire les données CSV

09 DAU = PD. Read_csv ("DATA / DAU.CSV ')

10 DPU = PD.READ_CSV (" DATA / DPU.CSV')

11 INSTALL = PD.READ_CSV ("DATA / INSTALL.CSV ')

%% MATPLOLIB INLINE est pour éditer avec les ordinateurs portables Jupyter et ajouter cette ligne pour afficher le graphique.
2. Voir les données de lecture

La première méthode peut afficher des têtes de données à cinq lignes.

01 dau.head ()

01 DPU.Head ()

DPU

01 Installer.Head ()

3. Données de fusion

Peut fusionner deux données, semblables à joindre SQL, mais la fonction est plus forte. Premier niveau d'entrée et paramètres de données, les données consolidées peuvent calculer de nouveaux utilisateurset les utilisateurs actuels. Les données de résultats sont intégrées aux données d'information de la consommation d'utilisateurs DPU, qui peuvent calculer le montant de la consommation de l'utilisateur.

01 # Fusionner et installer des données

02 DAU_INSTALL = PD.MERGE (DAU, INSTALLATION, activez = ['user_id', 'app_name'])

03 04 # Fusionner des données sur et DPU Data

05 DAU_INSTALL_PAYMENT = PD.MERGE (DAU_INSTALL, DPU, WAY = 'GAUCHE', ON = [LOG_Date ',' App_Name ',' user_id ']) ] 01 dau_install.head ()
DAU_INSTALL

01 DAU_INSTALL_PAYMENT. Tête ()

Voir les données finales consolidées indique que le montant de paiement consommé indique cette valeur vide en raison de l'utilisateur uniquement du montant. consommé, sinon il n'y a pas de données. Le manque de données montrera Nan après la fusion.

En fait, il y a un mélange de montant consommé et nan,Ne surveillez que cinq flux de données de premier plan en tant que formulaire NAN, nous ne déterminerons donc pas si les données du montant des consommateurs sont fusionnées correctement avec les données précédentes. Pour voir la quantité de données gratuites, vous devez le faire:

01 # Voir le paiement n'est pas des données vides

02 dau_install_payment [DAU_INSTALL_PAYMENT ['' Paiement ']. NotNull ()head () [)

Voir qu'il n'y a pas de valeur réelle des données NAAN, qui est le paiement consolidé précis.
4. Traitement des données

Nous fusionnerons des données de consommation d'utilisateurs, mais la consommation d'utilisateurs immoraux vaut la Nan, en raison de la barre de la barrière de mathémique nécessaire pour participer au calcul suivant, la valeur N'est-ce pas le meilleur logo, vous devez donc mettre ces valeurs en no.
01 # Définissez la consommation d'utilisateurs Impossible d'oublier 0
02 dau_install_payment ['Paiement'] = dau_install_payment ['Paiement']. Filla(0)

.

.

.

Partie trois, analyse d'exploration de données . ] [Statistiques mensuelles Type de type de données d'analyse de courant de courant, si vous souhaitez recréer les colonnes mensuelles. Utilisez la fonction Lambda pour extraire les premiers à 7 caractères depuis la journée, utilisez la date log_date et la première fois install_date. Observer la différence entre le mois prochain et ce mois-ci, les données seront basées sur le mois. 01 # Augmentez les deux colonnes spécifiées du mois 02 dau_install_payment ['log_month'] = dau_install_payment ["log_date ']. Carte (Lambda X: X [0: 7]) 03 dau_install_payment ['install_bonth'] = dau_install_payment ['install_daTe ']. Carte (Lambda X: x [0: 7]) 05 # Par mois, ID utilisateur et le résumé de la consommation du montant du premier mois 06 mau_payment = dau_install_payment.groupby ([' log_month ',' user_id ',' install_month ']) [' Paiement ']. total (). ENCADRER (). RESET_IDEX () 01 MAU_PAYMENT.PARE () 2. Utilisateurs actuels et utilisateurs actuels Si l'utilisation de l'utilisateur correspond au premier mois si l'utilisateur est un nouvel utilisateur, sinon, pour l'utilisateur actuel, nous distinguerons le type d'utilisateur. 01 # Ajouter Pour identifier les nouveaux utilisateurs et les utilisateurs actuels 02 mau_payment ['user_type'] = np.where (mau_peltent ['log_th'] == mau_payment ['install_month'] " Installation ',' actuel ') Pour confirmer que les utilisateurs réduisent, consommant différents types d'utilisateurs sur un mois base, la comparaison a découvert que juin a fortement chuté en juin. 01 Mois # et les types d'utilisateurs sont résumés pour le montant de la consommation 02 mau_paymnet_summary = mau_payment.groupby (["log_month '," user_type ")). Total (). ENCADRER (). RESET_IDEX () . . . . Quatrièmement, des données intuitives Peut trouver des données de synthèse précédentes ce mois-ci et la différence entre le mois précédent, mais ce n'est pas particulièrement intuitif, nous utilisons donc le tableau visuel pour montrer la différence entre les deux. État. Comme indiqué dans l'image ci-dessous, ce mois diminue en raison de la fin de la fin.Le fruit du mois précédent, mais la consommation d'utilisateurs n'a pas changé et que le montant du consommateur de l'utilisateur a été considérablement réduit. Phase de phase de phase de phase de module 02 mau_payment.groupby (["Pay_Month '," user_type "]) [" Paiement "sum ()) 'bar', pile = true, alpha = 0,8, pourriture = vrai) 04 PLE.YLABEL ('TOTAL_PAYMENT') 05 PLT.LEGEND () 06 Plt.show () 1. Comparez la distribution de la consommation en deux mois Des résultats de l'analyse préliminaire, nous pouvons vérifier l'hypothèse antérieure, c'est-à-dire le nombre de nouveaux utilisateurs réduira la vente. Donc, quel niveau de consommation est réduit? Dessinez d'abord la consommation de données de nouveaux utilisateurs, des données de dessin pendant deux mois, une cartographie et un contraste qui se chevauchent. Abscisse indique le montant total de la consommation du mois et Le décret représente le nombre d'utilisateurs respectifs. Tableau visuel, vous avez tVoyant que les utilisateurs ci-dessous la consommation en 2000 sont réduits. Dans les jeux sociaux, les utilisateurs peuvent acheter du travail domestique. Étant donné que la plupart des utilisateurs sont très petits, il vous suffit de dépenser beaucoup d'argent, vous pouvez faire le classement fort. Cependant, si vous souhaitez prendre la tête de la liste, le montant des dépenses augmentera immédiatement. C'est également la performance des structures psychologiques concurrentielles des personnes dans la distribution de données. 01 # Distribuez le contraste de la consommation à différents mois 02 install_payment = mau_payment [(MAU_PAYMENment ['Paiement'] & GT; & amp; & amp; (MAU_PAYMENT ['user_type'] == 'Install')] 03 DATA1 = INSTALL_PAYMENT [INSTALL_PAYMENT ['LOG_MONTH'] == '2013-06'] ['Paiement'] 04 DATA2 = INSTALL_PAYMENT ['INSTALL_PAYMENT [' log_ '] == 2013-07'] ['Paiement'] 06 barriques = np.arange (0, 13000, 1000) 07 08 Data1.hist (baril = baril, alpha = 0,7, étiquettes= '2013-06') 09 data2.hist (baril = baril, alpha = 0,8, étiquette = '2013-07') 11 plt.legend () 12 plt.show () Basé sur les résultats des selles plus tôt, Nous pouvons mettre en œuvre les solutions suivantes pour augmenter les ventes.1. La capacité de promouvoir les ventes de marché de la société, d'améliorer la prise de conscience des utilisateurs potentiels des produits de la société 2. Paquet de promotion du petit jeu, améliorez le nombre de nouveaux utilisateurs à consommer