游戏数据分析必知必会
游戏的分类
- 按端分类：端游（steam），页游（4399），手游（手机，pad）
- 按盈利模式分类：付费游戏（一次买断，后续购买其它剧情或者包），免费游戏（IAP和广告盈利，比如王者荣耀-IAP，比如一些休闲小游戏，2048等-广告盈利）
游戏数据的"数据"类型
- 第一层：业务常规数据，这是最基础的数据，比如用户名，密码，竞技场排名，背包里的信息等，这一层的数据是业务最重要的数据，一旦出现问题会影响业务的正常运作
- 第二层：用户行为数据，指的是通过系统记录的用户在游戏中的行为轨迹，比如充值，通关，升级等，这部分数据量最大，也是最有挖掘价值的一块
- 第三层：产品运营数据，指的是针对部分用户行为数据二次抽象出来的数据，比如新增数，活跃率，留存率，付费率等，游戏行业常用的运营数据约200~300，这个是做好运营数据分析的基础
- 第四层：用户反馈数据，一般产生在游戏产品之外的，指的是用户在论坛，贴吧，taptap，app atore等平台对游戏的评价数据，提供了另一种数据分析视角和价值
游戏数据分析流程
- 明确需求：首先要明确分析的需求，即分析的目的，数据，内容等是什么
- 收集数据：从公司内部数据库可以收集到游戏注册人数等基础数据，从公司外部（微博，视频网站）可以收集到的评论内容数据
- 处理数据：处理数据就是采用适当的统计方法对收集的数据进行处理，提取有用的信息和规律。常用的SQL提取数据或者用python进行数据分析
- 分析数据：根据业务的场景，使用一定的数据分析思维和方法对数据进行分析，有探索分析，假设验证等，最后得出相关的分析结论
- 展现数据：主要通过图表来展现，常用的绘图工具有tableau，powerbi，excel等，可视化是展现分析过程或结论的重要一环
- 报告撰写：大部分的数据分析报告有分析背景，分析目标，分析过程和分析结论等部分。在报告中，一般会在开头就给出核心结论，后续再详细阐述，最后会再呼应结论，一般遵循总-分-总的结构
游戏公司职能分工（以手游为例）
- 设计和研发产品：策划，美术，技术人员
- 运营：用户运营，自媒体运营，平台运营，数据运营等
- 发行：UA，推广，商务关系，合作代言等
- 这3个模块均可以外包或代理给其他公司，当然也有研运一体化的公司（自主研发和发行产品）
- 研运一体化手游公司的部分和职能
- 策划，美术，技术（前端，后端，运维，数据中心（BI，DBA等）），运营（用户运营（社群，大客户，客服等），自媒体运营，商业化运营，数据运营等），发行（UA，商务等）
游戏数据分析师每天做什么
- 玩游戏：玩自己负责的数据分析的游戏，玩竞品游戏，感受同类别不同游戏带来的体验
- 漏斗分析：发现用户留存特别低，通过转化漏斗发现用户体验的不足
- AB测试：发现某个按钮的改动可以对留存有正向影响，通过实验确定这种假设是否成立
- 用户分群：基于模型实现用户价值划分，进而针对不同用户采用不同商业策略
- 用户获取：通过数据挖掘，发现什么样的投放事件能获取游戏的核心用户
- 指标异动溯源与趋势分析：包括周期性或者长期趋势的变化，对稳定性的评估
- 指标异动评估与解释：解释异动背后的原因，寻找关键数据指标与其它业务因素的关联性，举个例子，市场的变化，竞品竞争状况或产品运营与技术问题
- 数据可视化与报告：必备且基础的能力
- 预测和建模：一般使用统计方法和机器学习算法去做，主要目的是根据历史数据和其他相关变量构建模型测数据指标的未来趋势，帮助项目做一个初步的预算
概括起来，可以分为以下4个部分
- 基础支持：包括数据埋点的需求跟进和验收，数据仓库搭建，各类平台及运营工具搭建
- 产品调优：从实际的生产流程来看，游戏产品，特别是移动游戏，一旦正式推广开始，研发精力主要集中在各类SDK的对接，版本维护和后期内容填充上。因此，根据留存及付费分析对产品的基础数值，玩点摆放，核心体验进行优化的工作主要集中在产品测试阶段
- 运营优化：产品上线后，数据分析的主要任务集中在市场投放监控，基础运营支持，以及运营活动的规则和排期优化
- 挖掘应用：产品在稳定运营一段时间且在线和收入规模还能稳定在一定量级时，开始涉及更多专项课题研究和一些挖掘算法，如通过分类算法给用户打标签，常应用在“防盗号”，“工作室识别”，“精准推送”，“伪随机”等
游戏数据分析师在各个阶段的工作重点
①游戏运营测试期
游戏在上线前一般会经历几个测试阶段，每次测试都有明确的测试目的，一般目的有留存测试，商业化测试，验证玩法测试，渠道定级测试等，每次测试可能包括一到两个测试目的，具体根据具体项目而定，这里说的测试期，指的就是这个阶段
在测试阶段，数据分析一般需要做一些数据向的准确工作和数据监控以及测试数据分析等工作，具体内容包括：
数据打点上报
- 目的：保证该阶段数据分析和数据监控所用到的数据，足够完整，准确和易于查询
- 工作内容：包括数据打点需求文档和打点上线后数据的正确性和完整性测试和验收工作等
常规数据报表
- 综合数据（关键指标的数据汇总）
- 留存报表
- LTV报表
- 活跃分析报表（在线时长，实时在线人数，玩法参与率，任务参与情况等）
- 新手引导报表（新手引导流程漏斗分析）
- 商业化分析报表（消费结构，商城购买，货币变动等）
专项数据分析报告
- 目的：输出专题分析结论报告，为产品提供调优的数据依据
- 项目组运营周报（关键运营数据反馈和关键性结论的同步）
- 新手流失分析（前期新手流失节点的分析）
- 玩法验证分析（分析玩家对玩法的接受度和具体玩家在玩法中的行为表现是否符合预期）
- 商业化分析（分析玩家付费相关行为（如付费习惯，付费欲望等）以及游戏重要货币的产销情况）
- 养成系统分析（分析玩家的养成系统进度是否符合预期）
- 流失节点分析（分析玩家主要流失节点，如流失等级等）
②游戏运营上升期（大规模普及）&成熟期
- 项目组运营周报：关键运营数据反馈和关键性结论的同步，一般是以日报，周报或者月报的形式
- 异常指标分析报告：主要用于监控和分析关键指标变动原因
- 根据具体需求，输出专项数据分析：如玩法验证分析，商业化分析，养成系统分析等
- 常用数据模型，用于流水，留存等重要指标的预测（如流水预测模型，留存预测模型），评估一段时间的流水/留存状态，帮助运营指定目标策略
③游戏运营后期
- 这是游戏进入到稳定运营的阶段，新进和活跃用户处于较为稳定的状态，一般整个项目投入的人力成本会大大降低，数据分析在这个阶段投入的时间也会降低，一般包括日常的数据监控和同步，以及专项数据分析的定期输出即可
游戏数据分析赋能场景
大方向上，游戏的数分应用于其他领域大同小异。主要集中于产品，运营和市场。进一步细分可囊括“游戏/IP引进，游戏立项，游戏研发，渠道投放，市场营销，游戏运营”6大场景
- 游戏/IP引进：价值分析，引进/自研游戏成功率预测。当公司要引进一个IP时，我们通常都会先对IP的价值进行分析（包含用户价值，商业价值，内容价值，战略价值），评估该IP是否值得引进，引进的价格区间是多少。例如，预引进一个日本市场的国民级IP，但是经过一系列调查，发现这个IP在中国市场算一个小众IP，受众量小，可能商业变现有限。游戏公司也可以根据历史数据，内部可以构建新游戏成功率模型，凭借新游戏的相关信息进行成功率预测。掌握的信息越多，行业情况越了解，对IP引进判断更为精准
- 立项把关：精准定位目标用户，评估不同研发方案的利弊，预估靠谱流水。为满足“精准开发”，须知道我们的目标用户有哪些，找到用户未满足的需求，做到极致。数据侧一般通过爬虫的数据，问卷调研的数据，竞品游戏以及整个市场的数据来分析各种玩法的利弊。从而，确定研发方向，预估最高人数的预估，市场预警，市场预算，市场计划等，这些都是为游戏立项把关
- 研发把关：点对点找出问题，对各功能模块优化分析。在游戏研发阶段，我们需要和策划/产品对齐整个测试的数据预期，发现不符合的地方，协同一起定位问题。比如，策划/产品对于玩法，养成，商业化，职业等游戏玩法的预期参与度是多少？有什么样的预期和关注点。数据侧需重点监控这几个模块的数据，并及时监控与发现异常与问题定位。另外，封测期间的用户调研及分析，了解用户来源，目标用户，产品卖点的验证，能了解用户对游戏各项功能的体验评价及相关建议，促使研发人员采纳，可以数据反哺研发
- 投放把关：评估产品质量，构造收入，活跃预测框架和模型，优化买量。游戏测试阶段，可以根据游戏数据进行产品质量评级，给出最优市场投放建议，并且分析买量的效果数据，为买量优化提供数据参考
- 市场营销：深入洞察目标用户，制定营销方案与调控资源。游戏/活动预热期，数据侧可以进行用户调研，可找到目标用户的特点，促使发行人员会参考分析报告结果，确定时间，地点及宣传方式。另一方面，也可进行市场投放效果分析，数据侧可监控广告投放效果数据并分析各媒体的特性，促使发行人员通过数据去发现问题，选择投放素材，调配资源，测算最优市场费用，使其效果最大化
- 游戏运营：拉新，促活，留存与商业变现，全链路数据追踪与精细化运营。运营涉及运营的方方面面，用户侧则是主要的运营对象，一般主要的数据研究课题集中于：①流失用户分析：能找到用户流失点，促使研发人员根据数据来优化游戏②付费习惯分析：能找到付费用户的特点，促使运营人员根据数据制定相关的活动，从而吸引更多的人来付费③用户调研分析：通过电话/问卷调研及下钻分析，了解用户核心玩法，用户接受度，游戏BUG，玩家建议，从而制定下一阶段运营计划
游戏数据分析指标体系
游戏的关键数据指标，可以分为产品功能，商业化收入，用户粘性，活动效果，渠道引流效果，广告投放效果，用户类型等7个方面
- CPL：理解成买量成本，但是不同的类型游戏的买量成本差异很大，比如卡牌游戏买量成本可能只有20元，MMO游戏的买量成本可能超过200元
- LTV&CPA：理解为用户导入收益与成本数据，一旦LTV（也就是用户在游戏中的价值）大于买量成本，就意味着产品已经回本。平时在计算的时候，要考虑到渠道分成。比如用户终身LTV是200，买量成本也是200，如果有渠道分成（假设是50%），那我们的收益其实只有100，是小于200的买量成本
- ROI（投资回报率）：一板市场投放会在在投放后关注ROI，计算并预测回本周期。比如，市场投放5天内ROI 51%，30天内ROI 71%，55天内ROI 75%，可见30天后的ROI日趋平稳，预计后续ROI不会高于80%，测算近3个月仍没有收回成本，说明投放或产品有待优化
游戏行业常用的数据分析指标
新增数据
- 新增用户数：新设备，新账号
- 用户点击成本（CPC）：按照不同的渠道和不同的广告计划分别进行计算，CPC=广告投入总额/所投广告带来的点击用户数
- 用户安装成本（CPI）：按照不同的渠道和不同的广告计划分别进行计算，CPI=广告投入总额/所投广告带来的安装用户数
- 用户获取成本（CAC）：按照不同的渠道和不同的广告计划分别进行计算，CAC=广告投入总额/所投广告带来的新增用户数
留存数据
- 次日留存率：第n日新增用户在第n+1日登陆的用户数/第n日新增用户数
- 3日留存率：第n日新增用户在第n+2日登陆的用户数/第n日新增用户数
- 7日留存率：第n日新增用户在第n+6日登陆的用户数/第n日新增用户数
- 30日留存率：第n日新增用户数在第n+29日登陆的用户数/第n日新增用户数
- 60日留存率：第n日新增用户在第n+59日登陆的用户数/第n日新增用户数
活跃数据
- 日活跃用户数（DAU）：当日登陆游戏的用户数，包含新用户和老用户，同一个用户去重计算
- 周活跃用户数（WAU）：当周登陆游戏的用户数，包含新用户和老用户，同一个用户去重计算
- 月活跃用户数（MAU）：同一个用户去重计算，包含新用户和老用户，同一个用户去重计算
- 每日登陆次数：活跃玩家每日登陆次数分布
- 每日在线时长：活跃玩家每日在线时长分布
- 在线人数数量：活跃玩家每日在线人数分布
付费数据
- 付费用户数：统计周期内发生过付费行为的用户数
- 付费率：付费率=统计周期内的付费用户数/统计周期内活跃用户数
- 平均每用户收入（ARPU）：ARPU=统计周期内总收入/统计周期内活跃用户数
- 用户生命周期总价值（LTV）：LTV=每日ARPU*用户总生命周期天数
- 回收率（ROI）：ROI=用户生命周期价值/用户获取成本*100%
如何成为一名游戏数据分析师？
- 选择一类游戏赛道：选择自己熟悉的游戏品类切入，不意味着以后只能做单一的品类，但在职业初期尽量先把单一的业务弄懂，毕竟要琢磨游戏的关卡，数值和商业化设计可不是一件短期的事
- 了解业务指标：游戏业务指标体系庞大，从投放侧的CTR，CPC，LTV，ROI...，到运营侧的DAU，ARPU，ARPPU，APA...，涉及性能方面的FPS，PCU...等等，如果不弄清楚统计口径，平日开会，和同事交流很可能会一脸懵逼
- 掌握基本数分技能：excel和SQL必须熟练，其次最好掌握一点编程技巧，python和R都可以
- 多阅读他人报告，关注同领域的专家：有前人的一套完整的分析体系指导最好，然而出于数据保密性，各公司的数据分析报告不会外传，各个游戏公司遇到的业务问题也是日新月异，没有一套标准的解答方案
- 拒绝肤浅，拥抱复杂性：业务型的数据分析就像一个破案的过程，需要很有耐心
- 给技能学习留点时间和空间：游戏数据分析师是一个需要长期学习的岗位，进度可以慢一点，符合自己的节奏就好
- 拥有全局观：要站在全行业的角度思考业务问题，关注行业最新动态
- 了解项目实际情况：有些设计一旦定好了框架，就积重难返了
进入一家公司后，如何开展工作？
无论主攻国内还是国外，最常见的工作就是对于功能，活动的数据验证
- 先期工作职责（大约1~2周）：熟悉目前公司主推游戏，了解数据库取数逻辑，熟悉当组的工作内容
- 熟悉工作后（大约3个月）：逐渐支撑起组内的数据报告产出
- 充分了解公司运营情况后（大约半年）：开始进行数据探索，探索数学模型及优化工作流程
在工作中，明确需求是所有工作的伊始，拆解需求转化为数据需求是业务分析师的基本操作。不同于平台分析师，业务分析师绝大多数拿到的数据都是经过处理的数据，但一般情况下，最好还是自己先进行简单的验证，确认数据没问题后再开始进行接下来的工作（一定要验证呀！）
获客方式
- 海外：主要以买量为主，全球发行时，可能会遇到的问题包含但不仅限于多国家，多语言，多时区，多货币类型。为了满足以上的需求，对应的底层设计我们要留出对应的字段用于填充信息
- 国内：联运渠道商务合作（比如华为，oppo...），内容渠道商务合作（主播，公众号...），玩家渠道商务合作（工会，论坛），买量（广点通，微信，穿山甲，其它DSP）等等。在字段设计上可以与海外逻辑复用
基础的字段设计可以参考以下做法
- 广告信息字段留四个及以上（广告商，代理商，素材组，广告名）
- 广告识别ID留1~2个（ADID等）
若游戏有出海需求可以额外添加以下内容
- 地区，语种留出对应的字段
- 时区切换，留出充足空间（比如多套0层逻辑实现多时区切换）
- 收入字段留2~3个（支付货币收入，折算美元收入，实际收入）
面试题
玩过什么游戏？等级&充值情况如何？
这款游戏有什么优缺点？
你认为这款/这类游戏的核心玩法是什么？
在玩这款游戏的过程中，你有没有特别想要流失的时候？为什么想要流失？
如何通过数据分析去验证你的体验问题？要涉及哪些埋点收集你要的数据？
该游戏的平衡性设计是否合理？如何控制平衡性？新系统新活动对于平衡性的影响如何判断？
是否玩过同类型的其他游戏？如果玩过，两款游戏各有哪些优劣？
听说过云游戏吗？你认为云游戏的推出，对终端厂商的影响和游戏厂商的影响是什么？
如果付费率下降了，你从哪些角度去归因？
- 先确定数据准确性和口径
- 再看外部看渠道增量，竞品分流
- 其次内部看运营活动情况（下架了还是没上活动），是否出bug了
你觉得什么是精细化运营？
- 通常来讲就是结合渠道，转化流程和用户行为数据，对流失率较高的用户环节展开针对性的运营活动，以提升整体的目标转化率
- 核心技能是数据分析和建模能力
- 精细化运营中的用户运营，指的是通过数据分析，对处在不同生命周期中的用户制定相应策略的方法
- 精细化运营中的活动运营，指的是以某一个运营目的为核心，进行创意策划，资源协调，落地执行及宣传评估的全部流程
你觉得日报周报月报的侧重点是什么？
请介绍哪款手游长期运营做得相对较好，并分析原因
- 玩法和模式
- 故事背景设定
- 英雄角色
- 竞技性与平衡性
- 社交与互动
- 更新与维护
近一年内欧美Z时代在游戏方面的文化以及审美的流失趋势
- 代入感和沉浸式体验（探险，悬疑）
- 开放包容与多元创新（二次元，国风）
- 理性务实与自我表达（与玩家，厂商的交流互动）
两款游戏运行情况分析（AARRR模型）
指标包括：次留，7日留，30日留，付费金额，付费率
- A，B游戏各存在什么问题？
- 产生问题可能的原因包括哪些？
- 设计一个初步的方案去解决这个问题
（回答思路：对指标进行介绍——结合游戏生命周期分析可能存在的问题——列举可能导致问题的原因——设计AB实验，问卷等方案）
对游戏行业的了解，如何划分一款游戏的生命周期
- 在项目的提出和孵化阶段有初步的观点提出，制作选题
- 在产品初步制作的阶段在之前提出的策划方案使用demo进行初步发行，用内测用户来进行测试，使用各项指标判断产品是否具有问题以及是否有可以优化的地方
- 正式发行阶段，在各渠道对游戏进行评价，用高价值用户的评价来判断游戏是否需要进行修改（游戏成熟期）
- 游戏衰退期，部分玩家完成了游戏，对流失用户进行分析，并增加游戏的玩法及活动。增加召回活动，判断召回活动是否达到预期，并在召回后判断此次召回活动是否可以继续进行。对召回后的玩家也要考虑留存
如果想要全面分析一款手游的数据并分析，可以采用什么渠道获取信息
你如何衡量游戏的成功？
（思路：提到不同的游戏成功指标，如活跃用户数（DAU/MAU），留存率，平均收入每付费用户（ARPPU）和生命周期价值（LTV），解释为什么这些指标重要，以及它们如何反映游戏的表现）
如何用AB测试来优化游戏的用户体验？
- 阐述AB测试的概念，以及如何在游戏中实施它来测试新功能，设计元素或游戏机制。解释如何根据测试结果分析数据，然后根据数据做出决策来优化用户体验
如何分析游戏内的用户行为数据来提高玩家参与度和收入？
- 讨论使用用户行为数据来识别游戏中的关键环节，例如：关卡难度，虚拟商品购买率，玩家在游戏中的活跃时间等。解释如何根据这些数据调整游戏设计和功能，以提高玩家参与度和收入
如何有效地可视化游戏数据以便向团队成员和利益相关者传达关键信息？
- 讨论你喜欢使用的可视化工具以及如何根据数据类型和受众选择合适的可视化类型（如折线图，柱状图，热力图等）强调简洁，易于理解的可视化设计，并解释如何使用这些可视化工具向团队成员和利益相关者传达关键信息
如何根据数据分析结果评估游戏市场推广活动的效果？
- 解释如何通过关键性能指标（KPI）来评估推广活动的效果，例如：安装量，激活率，用户获取成本（CAC），留存率等。讨论如何运用这些指标来衡量推广活动的成功程度，并根据数据调整推广策略以提高效果
你是如何确保数据分析结果的准确性和可靠性的？
- 强调数据准备阶段的重要性，如数据清洗，缺失值处理等。讨论如何运用统计方法和验证技术（例如交叉验证）来评估模型的准确性和稳定性。此外，强调与团队成员和利益相关者沟通的重要性，以确保对数据和分析结果的准确理解
游戏行业数据分析案例
游戏行业数据分析通用应用场景
- 对高价值用户进行画像，分析其行为和偏好，制定有针对性的营销策略
- 建立高价值用户的流失预警模型，挽留预流失用户，帮助提升游戏用户活跃度和收入
- 稽核用户质量，提早发现异常用户，避免造成损失
- 分析用户流失的原因，流失用户行为特征，提出版本修正建议，让用户更好地体验游戏，配合运营活动减少用户流失并提升收入
- 通过文本挖掘，分析用户反馈与舆情数据，解决产品问题和分析竞品数据
- 监控各位置的转化效率，价值，进行资源位合理安排和定价
- 监控广告投放效果，有助于市场人员及时发现问题，优化素材内容和形式，使其投放效果最大化
- 为企业管理层提供企业整体运营情况数据，设立预警指示并监控其是否异动，快速定位指标异动原因
- 获取并分析同行企业产品的主要指标数据及其与本企业产品的对比
- 获取行业市场规模，畅销游戏类型，IP和题材等数据
- 通过游戏测试数据，评估产品质量，帮助产品定位