一款益智游戏的玩家平均年龄为 37.5 岁，每天游玩 84 分钟，女性占比接近八成。
看到这组数据，产品团队很容易勾勒出一位典型用户：三四十岁的女性，每天愿意花一个多小时解谜。接下来，关卡难度、商业化和活动内容，似乎都可以围绕这类玩家设计。
但这个“平均玩家”可能根本不存在。
相关内容推荐：
这场超 2000 人报名的大会，让我们看清了越南游戏的"野心"
2026 年 7 月 16 日，在河内举行的 Vietnam Game Connect 2026 上，Bravestars Games 数据分析负责人 Nhat Nguyen 分享了《Yarn Fever》的玩家分层实践。据他介绍，游戏于 2025 年 6 月上线，全球累计下载量达到约 2000 万，上线一年后仍拥有超过 200 万日活跃用户。
团队进一步拆解数据后发现，每天游玩 80 至 90 分钟的玩家占比不到 8%；35 至 44 岁的玩家也只占约三分之一。游戏中既有每天只玩几分钟的轻度用户，也有日均游玩超过 150 分钟的重度玩家。
如果围绕平均数设计产品，团队服务的可能只是一个由不同数据拼接出来的虚拟用户。
· 平均数会掩盖真正的玩家差异
年龄和游玩时长只是最表层的差异。不同玩家的过关能力、广告接受度、付费意愿和流失风险同样不同。有人希望轻松解谜，有人喜欢高难度挑战；有人愿意付费，有人则主要通过观看广告贡献收入。
如果所有玩家面对同样的关卡、广告频率和付费提示，产品就很难同时满足这些需求。
平均数还会掩盖产品调整的真实效果。一次改动可能明显改善某类玩家的留存，却伤害另一类玩家。两组结果互相抵消后，整体数据看起来变化不大，团队可能因此放弃一个原本有效的方案。
玩家分层的价值，正是把“整体数据有没有变化”，进一步拆解为“哪一类玩家发生了什么变化”。
益智游戏尤其适合采用这种方法。它的核心规则通常不复杂，但关卡难度、步数、道具、奖励、广告和付费节点都有很大的调整空间。同时，益智游戏的用户生命周期可能持续数月甚至一年，为团队留下了足够的观察和优化时间。
· 前 13 天看身份，第 14 天开始看行为
玩家分层通常有两种依据。
第一种是国家、年龄、性别和买量来源等基本信息。这些数据从用户安装游戏时就可以获得，适合在玩家尚未表现出明确行为时进行初步判断。但它们很少变化，无法持续反映玩家状态。
第二种是游戏内行为，例如过关能力、游玩频率、广告观看次数、付费倾向和流失迹象。行为数据更接近玩家的真实需求，但团队需要一定时间才能积累足够信息，一些用户可能在被识别前就已经离开。
Bravestars 的做法，是在不同阶段结合两种方式。
玩家进入《Yarn Fever》的第 1 至第 13 天，系统主要根据地区、年龄和买量来源等基本信息进行分层。这一阶段不急于提高收入，首要目标是尽可能把用户留下来。
从第 14 天开始，随着玩家行为逐渐清晰，系统会转向行为分层，重新判断其能力、活跃程度和商业化倾向。此时，优化重点也从早期留存转向收入和长期用户价值。
据现场披露，第一阶段的分层使游戏第 14 日留存提升了 4.1 个百分点；进入行为分层阶段后，产品整体收入提升约 13%，内购收入提升约 16%。
为了验证分层是否真正有效，Bravestars 还会在每个玩家群体中保留至少 20% 的用户继续体验默认版本。这些用户构成长期对照组，帮助团队排除版本、流量和市场变化的干扰。
· 最能消费的 20% 用户，反而更容易离开
完成初步分层后，团队发现了一个矛盾群体：收入贡献最高的 20% 玩家，前 14 天留存却比普通用户低约 25%。
这些玩家具有较高的商业价值，但并不十分留恋游戏。产品团队因此提出了两种相反方案：一种是降低难度、减少广告和付费打扰，先延长他们的生命周期；另一种则认为，既然这批用户可能很快流失，不如提高商业化强度，在有限时间内尽可能获得收入。
对照测试的短期结果并不起眼。选择优先留人后，这批用户第 14 日的用户价值只提升了 1.1%。如果团队只观察两周内的收入，这项测试很可能会被判定为失败。
但益智游戏的生命周期很长，Bravestars 又通过预测模型估算了半年后的表现。结果显示，优先留人的方案可能使第 180 日用户价值提升 11.8%。
团队最终选择降低打扰，先让高价值玩家留下来。这个案例说明，玩家分层不仅改变了游戏提供的体验，也改变了团队评估测试的方法。针对长期用户的调整，不能只用短期收入作判断。
· 分层越细，对数据系统的要求越高
玩家分层带来的代价，是测试和决策量迅速增加。
同一个改动，对高频玩家和低频玩家可能产生相反结果；减少广告可能适合付费用户，却不适合主要贡献广告收入的用户。玩家分成多个群体后，每项调整都需要分别验证。
《Yarn Fever》引入分层后，同时进行的对照测试从 9 项增加到 29 项。人工整理这些数据，很快就会超出团队的处理能力。
Bravestars 因此建立了集中式数据系统，将游戏内行为、买量和广告渠道数据统一处理，并为产品、买量和运营团队提供不同的自助分析工具。在此基础上，团队再加入长期价值预测、自动化分析和 AI 能力，尝试从展示指标进一步走向发现异常、总结规律和提出行动建议。
Nhat Nguyen 强调，数据系统的终点不是生成更多报表，而是缩短决策时间。留存、时长和收入只能告诉团队发生了什么；真正有用的数据，还要说明哪类玩家发生了变化，变化从哪里开始，以及产品接下来应该调整难度、广告还是付费设计。
分层条件较少时，团队可以通过人工规则划分用户；但当地区、年龄、买量来源和游戏行为等多个因素被同时纳入，就需要利用聚类等机器学习方法寻找特征相近的人群。算法负责整理用户，具体提供什么体验，仍要由产品团队通过测试决定。
· 结语：不要为“平均玩家”设计游戏
随着分层与测试机制不断完善，《Yarn Fever》同时运行的测试数量增加了两倍以上，最终帮助产品广告收入提升 18%，内购收入提升 51%。
在 Nhat Nguyen 看来，这些增长并不只是因为游戏采用了玩家分层。更重要的是，团队已经具备统一的数据口径、长期价值预测和持续测试能力。没有这些基础，分层越细，带来的可能不是精细化运营，而是成倍增加的混乱。
他建议游戏公司优先在最大的产品上尝试玩家分层。核心产品的用户更多，测试可以更快获得有效结果；一旦方案成立，几个百分点的提升也能被庞大的用户规模放大。
一款不做玩家分层的益智游戏，今天依然可能成功。
但当市场中的产品普遍已经达到较高质量，只提供一套标准体验，意味着团队主动忽略了玩家之间真实存在的差异。产品团队真正需要回答的，是游戏里存在哪些不同的玩家，他们为什么留下、为什么付费，又为什么离开。
因为那个 37.5 岁、每天游玩 84 分钟的“平均玩家”，可能从来没有真正存在过。