手游数据分析的必备思路

数据分析是指对运营的各项指标进行统计分析，涵盖方差分析、因子分析、回归分析、主成分分析、聚类分析、逻辑回归、用户细分等等，手游运营的数据分析的运算更为精简，业内专注对留存、付费及活跃的几个常用数据的分析。而数据分析师必须在短时间内把统计周期内的宏观、微观数据都统计出来，把大部分时间放在分析上。分析师需要分析宏观数据与微观数据，并把数据与玩家行为、市场投放、运营活动、节假日等因素结合起来分析，了解用户行为波动的峰值、时段、原因。因此对于分析师来说，“时效性”、"分析广度”、“分析方法”的优劣共同决定了分析的效率。

一、数据的“时效性”

手游运营中需要分析的数据非常庞大，很多宏观数据能借助运营看板直观反映出来。同时，有些游戏合作平台本身就有数据统计平台，能直观地反应游戏的注册、留存和付费等宏观指标，宏观数据能看到数据变化的趋势波动，但对调整数据的指导作用却有限。当要涉及到更详细的微观数据查询、下钻，归因分析等，就需要借助于专业的数据分析工具了，如数数科技的ThinkingGameAnalytics玩家行为分析系统就是一套专业灵活的数据分析系统。

1. 快比全更重要

手游的平均生命周期不到一年，更新换代非常快，因此数据分析师的工作节奏也会更快，日常宏观数据基本都会关注，但对产品各个阶段的微观数据往往不够重视。但是产品迭代节奏非常快，数据具有一定的时效性，不能及时利用和分析，就难于发挥数据的价值。

2. 快速分析宏观和微观数据

宏、微观数据作用不同，宏观数据反应产品的健康状况；但对运营人员而言，只看宏观数据是不够的。一次宏观数据的波动，往往是由众多微观数据导致的，如果不做详尽的数据分析，就难于找到问题的根源。

3. 数据埋点设计必须及时

不要等游戏临近版本发布才考虑数据埋点，每一次活动、新版本设计之初，就应该把需要采集的数据设计好，和版本任务一起提给研发，便于版本发布之后就能看到相关数据。

二、分析的广度

1. 数据的采集、清洗与存储

俗话说“巧妇难为无米之炊”，数据的采集、清洗与存储是数据分析的大前提。由此就有几个重要部分需要注意。

尽可能全面的进行数据埋点，以描述更多的使用场景。

尽可能使用合理的结构对用户、行为、事件、状态等所有元素进行关联，避免造成分析性能上的损耗。

尽可能完善地存储自己的游戏数据，以作为之后一系列行为决策的依据。

2. 宏观数据与微观数据

在设计后台数据库时，运营人员需要提交哪些数据的统计需求呢？用一张图片来说明。

2.1 宏观数据 掌握宏观问题

宏观数据，即剔除渠道、区服和专区玩家的行为差异，对游戏在统计周期内的数据进行宏观统计所得的数据。宏观数据能反映在统计周期内，游戏的整体活跃、付费指数和市场推广的效果，对运营人员了解游戏市场、游戏种类的差异有比较好的指导意义。

（1）活跃相关

能反映游戏玩家日常行为的数据。

活跃用户数（日活跃DAU/周活跃WAU/月活跃MAU），即AU，能反映游戏登陆人数占总玩家人数的占比，区分玩家质量；

活跃度，指新增用户在随后不同时期的登录情况，主要排查新增账号，以判断渠道是否刷量；

留存率（RR）（次日留DRR/三日留/七日留WRR）指统计周期内再次登陆游戏的用户占初始用户的比例，渠道通常用留存率来评判游戏的品质；

流失率（UL），流失的玩家占同期注册人数的比例，导致初级玩家流失的原因多种多样，画风、玩法、游戏类型等因素。但如果高级玩家流失率高，则表明游戏缺乏新内容或出现了运营事故；

在线人数（PCU），指在监控周期内游戏的同时在线人数，可判断玩家的活跃时段、活跃峰值和活跃人数。

（2）付费相关

这是渠道和运营团队都非常关心的数据了，统计周期内游戏有多少总收入和净收入，能判断游戏的吸金能力、划分用户的品质。

付费率，指统计周期内付费人数占活跃人数的比例，在游戏上线的一周内，一般业内ARPG类游戏的付费率偏高，而单机偏低；

活跃用户付费强度（ARPU），指的是统计周期内付费总额/活跃用户数，计算出付费的金额，反映活跃用户的付费行为，按照付费强度区分出小鱼用户、鲸鱼用户。

（3）市场推广行为相关

游戏上线后，评测市场推广效果的数据，无付费推广的情况下推广费用为0，这类数据就依赖于游戏本身的IP、玩法和以往的宣传了。

下载数，评判统计周期内下载的次数，做CPD后下载率将提升，但出现了大量的虚假量；

激活率，指注册用户占下载人数的比例，投放了CPL这种数据值偏高；页面访问率，即PV，指的是游戏推广页面的浏览量，反映了游戏的热度；

独立访客，即UV，访问页面的人数中剔除重复访问率，得出IP数。

2.2 微观数据 精细化解决问题

运营的微观数据，即对单个渠道、单个区服、单个玩法系统、单个活动甚至特定等级、单个付费用户进行的数据分析，分析师在对宏观数据进行分析后，需要得出数据波动、峰值的原因，通常要进行同期的微观分析。

游戏用户等级划分，即统计玩家在不同等级的分布，一般用户集中在30级以下是正常的，通过分布线的波动能看出玩家是在哪个等级流失的，对游戏的改进有重要的指导作用。

在这个过程中，分析师对原因提出假设，并针对性地进行分析。例如，想分析不同渠道用户之间的付费差异，则选用最具代表的两个渠道，如UC和360，对同一个付费活动进行金额、付费人数筛选，可得出结论UC的玩家是重度玩家，高V和付费金额较大，而360则以付费人数取胜，金额一般偏小。

活动数据的分析也非常重要，对每期活动的漏洞、不足进行总结，对下次的活动做出指导，数据分析师必须与活动策划相互了解。

三、分析的方法

如上节所述，手游运营中需要分析的场景非常多。因此也需要有适应多场景的分析模型来做分析的支撑，有如下几种常用的分析模型。如“事件分析”、“留存分析”、“漏斗模型”、“用户群分析”、“热力图分析”、“AB测试”等等，熟练掌握这一系列分析方法的使用场景和特点才能更好的掌握。

1. 事件分析

用来记录和描述行为前后用户所受到的影响。可以分析一段时间内，指定群体产生特定行为的趋势情况，从而对事件的影响能够宏观把控，优化决策。

以消费事件举例来说，可以解决如下问题：

最近一月来各渠道的每日收入流水与分布情况？

来自上海的用户，最近一月人均付费金额的趋势？

来自上海和北京的用户，最近一月在购买会员卡上的总付费次数对比情况？

2. 留存分析

主要分析用户的整体参与程度、活跃程度的情况。考查进行某项初始行为的用户中，会进行回访行为的人数和比例。可以分析一段时间内，完成某项初始事件用户的回访情况，从而对事件的影响能进行宏观把控，优化决策。

以从用户活跃到消费举例来说，可以解决如下问题：

用户使用产品后的1个月内，进行消费转化的人数和占比情况？

用户使用产品后的1个月内，完成消费，且消费金额达到200元的人数和占比情况？

上海用户使用产品后的1个月内，进行消费转化的人数和占比情况？

3. 漏斗模型

主要目的就是把某种目的的实现进行重绘，典型的就是实现付费转化。主要解决两方面的问题，第一，在一个转化过程中是否发生泄漏，如果有泄漏，我们能在漏斗中看到，并且能够通过进一步的分析堵住这个泄漏点。第二、在一个过程中是否出现了其他不应该出现的过程，造成转化主进程受到损害。

4. 用户群分析

用户群分析通过对性质完全一样的可对比群体的留存情况的比较，来发现哪些因素影响短、中、长期的留存。以及不同用户群体的显著特征，从而制定定制的营销策略。

5. 热力图分析

主要作用是最直观的记录用户与产品界面交互的情况。

6. A/B测试

主要目的通过数据优化运营和产品的逻辑，看到问题，想个主意，做出原型，测试定型。比如，你发现付费转化中有一个环节转化率非常低，于是你想，会不会是商品价格和价值不对等，让大家不想买了。你看到了问题，并利用A/B测试去评估自己的假设与优化方案是否合理。运营想的是不要做一个大而全的东西，而是不断做出能够快速验证的小而精的东西。快速验证，如何验证？主要方法就是AB测试。

四、高效的数据分析工具

工欲善其事，必先利其器。如此海量的数据加上众多分析模型，如果没有一个专业的数据分析工具，对于做数据分析的人来说是一大考验。游戏行业中通常的数据分析流程：首先，数据分析师明确分析任务，确定需要分析的数据；然后分析师给后台开发人员或DBA提交数据需求，由后台开发人员通过代码或脚本的方式从玩家日志中提前数据。而这个过程中开发的响应速度往往是比较慢的，因为版本开发的内容优先级比较高，而数据相关的需求优先级比较低。这样就极大提降低了数据在项目中的使用效率。时间久了，大家也就尽可能地少看，或者不看数据，全凭经验，感觉做分析和决策了。所以，要提高数据的使用效率，需要一款专业，高效的数据分析工具，数数科技的TGA产品就完美滴解决了这个问题。所以，具有数据意识还不够，要真正把数据用好，还需要一把利器。

文章出自网络 如有侵权请联系删除！