截至2021年6月,中国互联网行业网民已经达到了10.11亿,普及率已经达到了71.6%,相比于2020年12月普及率提升1.2个百分点。同时随着互联网用户数量增长速度的放缓,互联网用户这个市场已经进入到了一个存量市场。游戏行业历来都是一个对流量高度依赖的行业,在目前各种短视频、电商等行业的推动下,流量的价格越来越高。游戏行业的推广和转化成本已经让大部分中小游戏公司无法承担。特别是有一定年限的老游戏,由于自身产品力和运营经费的问题,这些老游戏要想获取一个新的用户,其中的成本会远远高于正常的新游戏的推广成本。所以大部分有一定年限的老游戏最重要的事情就是努力维护自己现有的老用户。但是这部分老游戏的运营人员都会面临存量用户的流失、现有用户ARPU值的提高等十分棘手的问题。目前很多方法都是靠公司管理者和游戏策划来臆想用户的心理活动和用户的各种行为,根据运营者对自己游戏用户的臆想来做出各种运营和研发的决定,缺少数据的支持。从而使各种决定并不一定符合游戏用户的真实需求,往往这些决定的效果不好甚至起到了相反的效果。所以特别需要对游戏现存的用户进行用户画像,了解游戏用户真实的各种数据。以A公司的一个运营了接近十年的客户端游戏的数据作为基础,从“付费用户”、“游戏用户时间分配”、“游戏用户道具使用”三个方面对游戏用户进行聚类分析。利用用户关系管理中的RFM模型对“付费用户”从消费时间间隔、消费频率和消费总金额这三个方面进行分析,并利用Python工具使用K-Means聚类分析方法,结合游戏本身的特点对付费用户进行分类,并根据不同用户分类提出每类用户关系的不同管理方式。并依次从“游戏用户时间分配”和“游戏用户道具使用”情况统计后,根据游戏内不同功能和不同道具的权重,结合用户自身的游戏总时间和道具使用总数量,得出不同用户自身的时间分配和道具使用类型的百分比数据。对得出的百分比数据使用z-score数据标准化方法进行标准化和归一化,最后使用K-Means聚类分析算法对进行过归一化和标准化的数据进行聚类分析。从而得出游戏用户在游戏中对自身时间的分配偏好和道具使用偏好,再结合用户的一些基本数据从而得出A公司游戏的用户画像。最后运用营收管理的相关知识,结合已经生成的游戏用户画像对游戏内不同的用户采取不同产品精准营销,从而提高游戏现有用户的ARPU值;根据不同的游戏用户的不同情况采取与之相对应的服务管理方法,达到减少现有用户的流失;对已流失用户通过有针对性的、有吸引力的奖励,提高老用户召回的成功几率。