消除类休闲小游戏数据分析，看完这篇就上手！

文档版本：v1.0**适用范围：Jam Sort消除类游戏（Marble Sort、Pixel Flow、Screw Sort 等同类产品）

面向读者：Puzzle 休闲游戏开发者

作者：KevinShi-创想工作室

面向Puzzle 休闲游戏开发者的数据分析指南
适用游戏类型：Puzzle Jam Sort消除类游戏（Marble Sort、Pixel Flow、Screw Sort 等）

前言：为什么开发者也要懂数据？

很多开发者的第一反应是：「数据分析是数据团队的事，我只要把关卡做好玩就行了。」

这个想法有一半是对的——关卡好玩当然最重要。但「好玩」是一个感受，数据才是让这个感受可以被衡量、被改进的工具。

举个具体的例子：你设计了一个你觉得很有趣的关卡，但上线后次日留存从 35% 掉到了 22%。问题出在哪里？是关卡太难？还是太简单？是第 5 关还是第 12 关？没有数据，你只能靠猜。有了数据，你可以在 30 分钟内定位到具体的问题关卡，知道玩家在哪一步放弃的，以及他们放弃前的行为轨迹。

数据分析的本质，是把玩家的沉默行为翻译成设计语言。

第一部分：认识你的指标

在开始分析之前，你需要先建立一套完整的指标认知。这些指标覆盖三个核心维度：难度、留存、变现。

1.1 流量漏斗：最基础的健康度视图

1关卡开始人数  
2     ↓  
3  过关人数          ← 过关率 = 过关人数 / 开始人数  
4     ↓  
5 （损耗部分）        ← 局内流失率 = 1 - 过关率

这是最直观的关卡健康度视图。100 个人进入关卡，最终有多少人通关，中间损耗了多少——这就是流量漏斗。

开发者常见误区：

1. 1. 把「过关率低」等同于「关卡太难」。实际上过关率低有多种原因：关卡太难、教程不清晰、游戏 bug、用户画像有偏差，需要结合其他指标综合判断。
2. 2. 测试留存以及变现数据不好，不知道如何通过其他早期的信号指标来决定项目迭代 or 放弃。

1.2 难度相关指标

APS（Average Play Per Success）— 核心难度量化指标

APS = 关卡开始次数 ÷ 关卡过关次数

APS 是衡量关卡难度最直接的数值。简单理解：平均每过一次关，玩家需要玩几局。

为什么 APS 比「过关率」更准确？
过关率是人维度（每个人只算一次），APS 是局维度（算上了所有重试次数）。一个玩家失败 5 次后终于通关，过关率算他「通关了」，但 APS 会如实反映他玩了 6 次。

成功率与失败率

成功率 = 关卡过关次数 ÷ 关卡开始次数

失败率 = 关卡失败次数 ÷ 关卡开始次数

这两个指标和 APS 本质上说的是同一件事，只是维度略有不同。注意：成功率 + 失败率 ≠ 100%，因为还有「放弃」这一类——玩家中途退出，既没有成功也没有失败。

放弃率

玩家在关卡进行中直接退出（没有完成，也没有触发失败判定）的比例。

放弃率高的典型原因：

• • 关卡逻辑太复杂，玩家看不懂怎么操作
• • 关卡时间太长，玩家等不及
• • 在 Jam Sort消除类游戏里，常见于「卡死局面」——玩家发现棋盘已经无解，直接放弃

1.3 玩家行为分层：失败后发生了什么？

这是最容易被开发者忽视的一组指标，但却非常重要。

失败后，玩家只有三条路：

1失败  
2 ├── 重玩  → 失败重玩率 = 关卡重玩人数 / 关卡失败人数  
3 ├── 复活  → 失败复活率 = 失败复活人数 / 关卡失败人数  
4 └── 离开  → 失败离开率 = 1 - 失败重玩率 - 失败复活率

三者之和永远等于 1。这个三角关系是诊断关卡体验质量的核心工具。

重玩率的特殊意义：

重玩率 = 关卡开始次数 ÷ 关卡开始人数 − 1

重玩率区分了两种「难」：「难但有吸引力」和「难且让人沮丧」。前者重玩率高，后者放弃率高。这是判断一个难关是「好难关」还是「坏难关」的关键区别。

Jam Sort消除类游戏的特殊提示： 这类游戏的玩家群体偏轻度，对重复挑战的容忍度比三消游戏低。如果一个前期关卡的失败离开率超过 20%，需要优先检查是否存在无解局面或操作路径过于复杂的情况。

1.4 留存相关指标

注册渗透率

注册渗透率 = 关卡 N 开始人数 ÷ 第 1 关开始人数

这个指标衡量有多少玩家坚持玩到了第 N 关。它和次留率（次日留存）高度正相关——如果玩家在前 10 关就大量流失，次留率必然很低。

行业基准（关卡 10）：

为什么是关卡 10？ 通常玩家在新手阶段（1-10 关）的流失决定了他是否会留下来成为长期用户。关卡 10 的渗透率是最早能预警留存问题的指标。

留存目标参考

1.5 变现相关指标

Jam Sort消除类游戏的主要变现方式是激励广告（看视频复活或获得道具）。以下是你需要掌握的变现指标：

渗透率

渗透率 = 关卡看广告用户数 ÷ 关卡开始人数

衡量「有多少比例的玩家在这个关卡看了广告」。这是变现的广度指标。

IPU（人均视频，即人均广告次数）

IPU = 激励广告次数 ÷ 关卡开始人数

衡量「平均每个开始这个关卡的玩家，贡献了多少次广告播放」。这是最常用的变现效率指标。

渗透人均视频数（变现深度）

渗透人均视频数 = 激励广告次数 ÷ 关卡看广告的用户人数

衡量「看过广告的用户，平均每人看了几次」。这是变现的深度指标——区分「看广告的人很多但每人只看一次」和「少数人反复看」这两种情况。

场均视频

场均视频 = 激励广告次数 ÷ 关卡开始次数

衡量「每一局游戏平均带来多少次广告」，是关卡设计角度最直接的变现效率指标。

各难度等级的变现基准

关键认知：越难的关卡，变现潜力越大。 这也是为什么关卡设计需要在「不让玩家流失」和「制造足够难度来驱动变现」之间找到平衡点。

1.6 失败体验设计原则

失败进度 = 失败时关卡完成的进度百分比

这是一个经常被忽视但在 Jam Sort消除类游戏中极为重要的指标。关卡体验的好坏，核心在于「失败感」和「胜利感」的设计质量。

好的失败体验

好的失败体验需要同时满足两个条件：

① Near Win——让玩家在接近胜利时失败

玩家的失败进度应集中在 80–90% 区间，而不是刚开始几步就堵死。当玩家看到自己已经快成功了，「再来一次」的意愿会显著降低，触发广告复活的概率也大幅提升。

在 Jam Sort 这类游戏中，设计关卡时应控制「不可解局面」出现的时机——最好让死局出现在接近完成的阶段。

② 失误可感知——玩家知道自己为什么输

好的失败体验里，玩家在失败瞬间能清楚地回忆到那个关键的错误操作：「啊，是那一步走错了。」这种感觉会让玩家形成「我只要改正那一步就能赢」的信心，驱动重试。

反过来，差的失败体验是：玩家感到茫然和绝望，不知道问题出在哪里，尝试多次仍然理不清头绪。这种体验会快速消耗玩家的耐心，最终走向「失败离开」而不是重试。

数据信号对照：

• • 好的失败体验 → 失败重玩率高、失败进度集中在 70-80%+
• • 差的失败体验 → 失败离开率高、放弃率高、失败进度很靠前

好的胜利体验

最上瘾的胜利，是「濒死翻盘」。

玩家经历了一段濒临绝境的险情——棋盘几乎无路可走，局面看似无解——然后找到了那一步关键操作，局势瞬间打开，最终完成通关。这种体验会产生强烈的成就感，是让玩家「停不下来」的核心驱动力之一。

设计这种体验的关键在于：关卡要有「假死局」——局面看上去快不行了，但实际上还存在一条出路。玩家在绝望边缘发现转机的那一刻，才是关卡设计最精彩的时刻。

注意区分： 「假死局（好）」是有解但看起来无解；「真死局（坏）」是无论怎么操作都无法完成。真死局只会带来挫败感和放弃，不会带来成就感。

第二部分：各难度级别完整定义

在开始分析之前，你需要能够准确地给每个关卡定级。

难度判定标准

如何给关卡定级？

以 APS 为主指标，其他指标交叉验证。 具体步骤：

1. 1. 先看 APS：APS < 1.4 → Easy，1.4–1.8 → Normal，1.8–2.5 → Hard，> 2.5 → SuperHard
2. 2. 再看 IPU，最后看关卡和时长

第三部分：8 步分析流程

概览

 1数据读取与清洗  
 2     ↓  
 3注册渗透率分析（留存预警）  
 4     ↓  
 5难度定级  
 6     ↓  
 7健康度诊断  
 8     ↓  
 9难度曲线分析  
10     ↓  
11变现效率分析  
12     ↓  
13失败行为深挖  
14     ↓  
15输出分析报告与优化建议

第 1 步：数据读取与清洗

目标： 确认数据可用，找出可能影响分析结论的数据问题。

操作要点：

• • 检查以下问题：

• • 字段是否完整，（关键字段：开始人数、过关人数、失败次数、广告次数），数据是否正确。

• • 关卡编号是否连续（有无跳号，可能代表关卡未上线或数据缺失）

• • 数据时间范围（避免用节假日或活动期间的数据作为基准）

• • 前几关开始人数是否异常小（可能是灰度测试，样本量不足会导致数据波动很大）

开发者常见误区： 直接用样本量很小的关卡数据下结论。如果一个关卡只有 50 个开始人数，它的各种比率数据会极度不稳定，不要急于优化。通常建议关卡开始人数 ≥ 500 才能做可靠分析。

第 2 步：注册渗透率分析

目标： 找出早期关卡（1–20 关）中的流失瓶颈，预警留存风险。

操作要点：

• • 以第 1 关开始人数为基准，计算每关的渗透率
• • 重点关注关卡 10 的渗透率，与行业基准对比
• • 绘制渗透率漏斗曲线，识别跌幅最大的区段

如何读懂渗透率曲线：

正常的渗透率曲线是平滑下降的，每关大约下降 1-3%。如果某个区段突然出现陡降（比如关卡 6–7 之间从 70% 跌到 45%），说明这个区段存在严重的留存问题。

1渗透率  
2100% |●  
3 90% | ●  
4 80% |  ●  
5 70% |   ●  
6 45% |     ●  ← 这里出现陡降，第 6-7 关有问题  
7 40% |      ●  
8 ...

虚构示例：

第 3 步：难度定级

目标： 为每一关贴上难度标签（Easy / Normal / Hard / SuperHard）。

操作要点：

• • 以 APS 为主指标定级（参考第一部分的定级标准）
• • 用IPU 和关卡时长交叉验证
• • 对于 Jam Sort消除类游戏，额外检查放弃率（放弃率 > 30% 单独标注）
• • 输出一张带难度标签的关卡清单

批量定级的简化公式：

1IF APS < 1.4  → Easy  
2IF APS 1.4~1.8 → Normal  
3IF APS 1.8~2.5 → Hard  
4IF APS > 2.5   → SuperHard

第 4 步：健康度诊断

目标： 识别异常关卡，建立问题优先级清单。

需要重点标记的异常模式：

① 连续 SuperHard（难度堆积）
3 关以上连续出现 SuperHard，玩家很可能在这个区段批量流失。Jam Sort消除类游戏玩家偏轻度，对连续高难关卡的容忍度低于三消游戏。

② 连续 Easy（难度真空）
5 关以上全是 Easy，玩家会感到无聊，同时这个区段的变现收入会很低。需要适当插入 Normal 或 Hard 关卡来维持参与感和变现。

③ 早期高失败率（关卡 1–10）
关卡 10 之前出现任何 Hard 或 SuperHard 级别的关卡，都需要重点审查。早期关卡的使命是留住玩家、建立信心，筛选目标用户。

④ 高失败离开率（> 50%）
说明玩家失败后直接走人，不愿意重试或复活。这通常是关卡设计问题的强信号。

⑤ 高放弃率（> 30%）
放弃和失败不同——失败是玩到终局触发了判定，放弃是玩家在中途主动退出，没有等到失败结算。如果放弃率异常高（> 30%），即使 APS 不高，也要怀疑关卡存在设计问题。高放弃率通常意味着以下两种情况之一：

• • 玩家遇到了真死局： 局面已经无解，玩家意识到继续操作没有意义，直接离开。这是 Jam Sort消除类游戏最常见的高放弃率原因。
• • 关卡操作路径太复杂： 玩家看不懂该怎么走下一步，陷入茫然，选择放弃而不是失败。

放弃率 vs. 失败离开率的区别：

• • 失败离开率高 → 玩家玩到了终局，但失败后不想再试
• • 放弃率高 → 玩家连终局都没走到就主动退出

两个信号都指向体验问题，但原因不同：前者多半是关卡太挫；后者多半是关卡太乱或存在死局。

第 5 步：难度曲线分析

目标： 从全局视角评估关卡序列的难度节奏是否合理。

理想的难度曲线：先易后难，波浪式上升。

1难度  
2SuperHard |              ●         ●  
3Hard      |         ●       ●         ●  
4Normal    |    ● ●     ●       ●  
5Easy      |●●  
6          +──────────────────────────── 关卡序号  
7          1  5  10  20  30  40  50

波浪式节奏的含义： 不是每关都递增，而是「难 → 稍微容易一点 → 更难」的循环。在 Jam Sort消除类游戏中，通常建议每 3–5 关安排一个相对轻松的关卡作为「喘息点」，避免玩家在连续高压下放弃。

需要特别检查的问题：

• • 难度断层： 前一关 Easy，下一关直接 SuperHard，缺少过渡。玩家会感到突然被打击。
• • 长期平坦： 关卡 20–50 全是 Normal，没有变化，玩家会感到单调。
• • 倒退： 关卡 100 比关卡 50 还要简单，长期玩家会失去动力。

第 6 步：变现分析

目标： 找出变现冷区和变现高峰，评估关卡序列的商业健康度。

分析方法：以每 10 关为一段，统计该段内所有关卡 IPU 的合计值。

以上为虚构示例数据

识别变现冷区： IPU 合计明显低于相邻段的区间。可能原因：

• • 这个区间的关卡难度不足，玩家轻松通关，没有复活需求
• • 这个区间玩家流失严重，剩余用户基数小
• • 关卡设计没有给玩家创造「差一点就赢了」的感觉

识别变现高峰段： 结合难度定级，判断高 IPU 是否来自 Hard/SuperHard 关卡的驱动——这是健康的变现逻辑。

重要的诊断问题：渗透率低 vs. 人均广告次数低？

同样是 IPU 低，原因可能完全不同：

• • 渗透率低 = 看广告的人太少 → 可能是关卡不够难，玩家不需要复活
• • 渗透人均视频数低 = 看广告的人每人只看了很少几次 → 可能是复活点设计不合理，or 难度压力曲线不是三段式

第 7 步：失败行为深挖

目标： 对问题关卡做深度诊断，找到失败体验的具体症结。

分析框架：

1高失败率关卡  
2     ├── 失败重玩率高 → 关卡有吸引力，玩家愿意挑战（正向）  
3     ├── 失败复活率高 → 变现效果好（正向）  
4     └── 失败离开率高 → 需要深入诊断  
5               ├── 放弃率也高？→ 关卡可能太复杂/有无解局面  
6               ├── 失败进度很低（< 50%）？→ 玩家在早期就陷入困境，没有 Near Win 体验  
7               └── 关卡时长很短 + 失败快？→ 关卡可能存在必输陷阱

Jam Sort消除类游戏特有问题：死局（Deadlock）

Jam Sort 这类游戏的关卡如果设计不当，会出现玩家无论怎么操作都无法完成的「死局」。死局的数据特征：

• • 放弃率突然飙高（玩家发现没救了，直接放弃）
• • 失败进度固定集中在相同的位置，比如60%（玩家发现无论怎么努力，每次都会在相同的位置失败，体验上认为系统在作弊，而不是自己的问题）
• • 重玩率低（因为已经知道继续玩也没用）

如果发现这个特征，需要优先检查关卡本身的解法路径，确认关卡是否存在必然的死局情况。

第四部分：看到问题后怎么办？

数据分析的价值不在于找到问题，而在于提出可执行的优化建议。

4.1 注册渗透率不达标：重新规划前 20 关

诊断清单：

1. 1. 找到陡降的关卡，查看该关卡的失败离开率和放弃率
2. 2. 如果失败离开率高 → 关卡太难，需要降低难度
3. 3. 如果放弃率高 → 关卡太复杂，需要简化操作路径或增加提示
4. 4. 如果失败率不高但渗透率仍然低 → 可能是关卡之间的衔接问题，玩家通关后没有动力继续

前 20 关的首要目标是留住玩家，变现是次要目标。

4.2 变现效率不达标：重新规划难度节奏

诊断清单：

1. 1. 找出 IPU 合计偏低的 10 关段
2. 2. 检查该段内的平均 APS——如果 APS 很低（全是 Easy），说明是难度不足导致的变现冷区
3. 3. 检查该段内的渗透率——如果渗透率很低，可能难度不够或者失败体验糟糕
4. 4. 对比「优质关卡」（高过关率 + 高 IPU）的特征，作为调整目标

优化方向：

• • 在变现冷区适当插入 1–2 个 Hard 关卡，提升该段的广告需求
• • 确保 Hard/SuperHard 关卡的 Near Win 设计到位（失败进度集中在 75–90%）
• • 避免大块连续 Easy 的变现真空带

4.3 难度与留存的平衡

这是关卡设计中最核心的矛盾：难度高 → 变现好 → 但可能流失玩家。

判断一个难关是「好难关」还是「坏难关」：

一个「好的 Hard 关卡」应该让玩家感觉「我差一点就赢了，再来一次！」——而不是「我根本看不懂，算了。」

第五部分：开发者常见误区汇总

误区 1：「过关率低 = 关卡太难，把它改简单」

过关率低可能有很多原因。在修改关卡难度之前，先检查：失败离开率是否高？还是失败重玩率高？如果重玩占比高，说明玩家是「好不容易才过的」，但他们愿意重试——这可能是一个健康的 Hard 关卡，不需要改。

误区 2：「前期关卡越简单越好，这样留存才高」

过于简单的关卡会导致变现冷区，而且玩家可能因为太无聊而离开。关卡 1–3 应该很简单，但关卡 8–20 需要逐渐引入难度，以维持玩家的参与感。

误区 3：「IPU 越高越好，所以所有关卡都应该很难」

IPU 过高的关卡会提升流失率。在 Jam Sort消除类游戏中，玩家群体偏休闲，他们对困难的容忍程度有限。连续高 IPU 关卡会造成玩家流失，最终导致后续关卡没有足够的玩家基数来实现变现。

误区 4：「数据好的关卡就是好设计，不需要改」

数据好可能只是因为「留下来的都是核心玩家」，大量轻度玩家已经在前面流失了，你看不到他们的数据。所以好的关卡数据需要结合压力曲线来看。

误区 5：「放弃率高是因为玩家不喜欢这个关卡」

放弃率高在 Jam Sort消除类游戏里，更多的时候是「玩家遇到了死局」。优先检查关卡是否存在无解路径，而不是直接断定玩家不喜欢。

#Puzzle #胡扯游戏 #小游戏 

「胡扯漫剧」社群关注最新的 AI 漫剧知识，技巧和搞钱方法论。