Global Mobile Game Market Analysis

项目背景

这是 Northeastern University IE 7275 Data Mining in Engineering 的课程项目。作为一个在手游行业工作了 10 年的从业者，我选择用数据挖掘方法系统性地回答三个实际业务问题：

1. 全球市场往哪走？ — 下载量和收入的趋势，2025 预测
2. 哪些国家值得进入？ — 国家层面的市场聚类，识别不同市场原型
3. 做什么品类最赚钱？ — 游戏层面的 DAU × RPD 聚类，品类与变现关联

数据集

数据来自 Sensor Tower，移动应用分析行业的标杆平台：

覆盖 21 个高 GDP 国家：US, CN, JP, KR, GB, DE, FR, IN, BR, ID, TW, TH, CA, MX, RU, TR, SA, ES, IT, NL, CH

分析方法

• EDA: 全球下载/收入趋势、平台拆分（iOS vs Android）、国家时间序列
• 聚类分析: K-Means、Hierarchical Clustering、DBSCAN — 分别在国家和游戏两个维度做聚类
• PCA 降维: 将高维品类数据投影到 2D 空间进行可视化
• 预测建模: 线性回归预测 2025 年下载和收入走势
• 统计检验: 卡方检验验证品类与聚类的关联性（p < 0.0001）

核心发现

1. 下载下降，收入增长 — 市场在成熟

2020-2024 年全球下载量持续下滑（市场饱和），但收入稳步增长。这意味着行业重心从用户获取转向变现优化。2025 预测：下载继续降，收入趋于稳定。

2. iOS 占 20% 下载，贡献 60% 收入

iOS 用户的付费意愿和消费能力远超 Android。对于追求高 ARPU 的产品，iOS 优先策略仍然有效。

3. 四种市场原型

通过 K-Means 聚类（Elbow 法确定 k=4），21 个国家清晰地分为四类：

• Cluster 1 — 美国: 下载和收入双双领先的独占型市场
• Cluster 2 — 印度、巴西: 高下载低收入，用户基数大但变现弱
• Cluster 3 — 中国、日本: 高收入中下载，高 ARPU 的重度品类市场（RPG、策略）
• Cluster 0 — 欧洲国家: 均衡型，下载和收入都处于中位

Hierarchical Clustering 和 DBSCAN 的结果高度一致，验证了聚类的稳健性。

4. 品类决定变现策略

美国市场：Casino、Puzzle、Strategy 三个品类各占 18-25% 收入（高 ARPU 导向）

印度市场：Shooter 类游戏贡献超 50% 收入（高 DAU 导向），但单用户付费极低

结论：同一款游戏在不同市场需要不同的变现模型 — 美区走内购，印度走广告。

5. GDP 与游戏收入中度相关（ρ = 0.45）

大经济体通常有高游戏收入，但印度是显著异常值 — GDP 全球第 5，游戏收入却排在尾部。原因：支付渗透率低、ARPU 低、用户付费意愿弱。

游戏层面聚类

基于 2024 年全球 Top 10K 收入 App，以 DAU（用户活跃度）和 RPD（下载变现效率）为特征做 K-Means 聚类，得到 5 个清晰的产品类型：

1. Low DAU & Low RPD: 广告驱动的休闲/免费游戏
2. Low DAU & High RPD: 小众高付费产品（订阅制）
3. High DAU & Low RPD: 大众市场但变现弱（如 Roblox、Free Fire）
4. Mid-range DAU & RPD: 稳定型产品（如 Candy Crush、MONOPOLY GO!）
5. High DAU & High RPD: 顶级 AAA 手游（如王者荣耀、Fate/Grand Order）

卡方检验确认品类与聚类存在显著关联（χ² = 443.40, p < 0.0001）。

PM 视角

这个项目是我从行业经验到数据验证的一次系统化练习。在手游行业做了 10 年，很多结论是"直觉上知道"的 — 但用数据挖掘方法验证后，有些直觉被数据推翻了（比如印度市场的潜力被严重高估），有些直觉被数据量化了（iOS 的变现优势远比体感更大）。

更重要的是，这个项目直接催生了我后续的 Game Market Intelligence Agent — 在课程里手动做的竞品分析和市场拆解流程，后来用 AI Agent 实现了自动化。从传统数据挖掘到 AI Agent，是同一个问题的两代解法。