前言

在交流数据分析之前，我们首先要理解什么情况下需要进行收据分析。当游戏的数据发生波动的时候，尤其是变化比较大的时候需要进行数据分析。一般而言会有以下几个场景：

1. 版本测试

2. 版本更新

3. 活动发布

4. 版本调优

......

所以对于数据分析师而言，掌握好分析方法则至关重要。当然笔者不是全能，职能根据自己所学所想所悟给予一些经验，希望这些经验可以帮助到大家。

为什么进行数据分析

游戏数据是玩家对游戏内容的反馈，因此游戏数据分析从实体层面来说，主要分为游戏用户变动和游戏内容变动。大致会导致数据变动原因如下：

1.游戏内容有较大变动导致数据变动差异较大，如版本更新、活动发布等。

2.用户群体发生变化，如游戏测试期和正式上线之后数据差异性。一般游戏测试期面对的是核心用户，正式上线后面对的是泛用户，上线后的泛用户与版测用户人群画像变动较大，会导致相同游戏内容因为玩家层面问题导致数据差异。

3.统计学意义上与平均值的偏差超过两倍标准差的场景下，游戏部分数据出现一定差异性，比如留存超过5pp等（PP：过程性能指数（Process Performance Index）反映了当前过程的性能满足标准与规范的程度，是对瞬时或实时过程性能的描述，一般是统计学里面的概念）

游戏数据指标

在进行数据分析前，一定要了解游戏数据有哪些指标。此处大概列了一些游戏数据的指标，一般也是根据这些指标做数据评估，但是并不算完整，大家可以去网上再查找一些其他数据指标作为参考。

常用的数据分析方法

目标拆解法

这一方法大多时候用于做KPI的拆解，每个游戏公司都会针对一款游戏上线前进行数据预估，当然我也有一张预估表，来自大厂哦，有兴趣可以交流，或许后续我也可以在新的文章中进行说明。

目标拆解的核心思想：对事物的层级式解析，在拆解时，对因素层层分解，找到可以落地的方向。

这里以游戏收入为导向做目标拆解举例：

5W1H分析法

以游戏游戏DAU下降为例进行说明：

漏斗分析法

漏斗分析是一套流程分析，它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。漏斗分析模型比较常见的应用于渠道来源分析、用户注册转化等日常数据运营中。

例如在一款游戏App中，用户从某个渠道下载>安装>启动>注册>创角>进入游戏漏斗能够展现出各个阶段的转化率，通过漏斗各个环节相关的比较，直观地发现和说明问题的所在，哪个环节流失用户比较严重，一眼可见可优化的流程或产品本身。

理解漏斗时需要注意两点：

其一：我们常见的“漏斗”都是将液体从大口倒入，小口漏出。我们这里所说的漏斗分析，每个前步骤只会有部分用户进入到下一步骤中，所以此“漏斗”是有筛选功能的。

其二：我这里说的漏斗分析，就是我们跟踪的整个漏斗的转化过程，是以用户为最小粒度单元进行计数，进入下一步的用户一定是完成了所有前步骤的。

游戏分析中常用于例如新手引导等转化率场景、流失分析、渠道用户转化等，整体漏斗模型的核心思想其实可以归为分解和量化。

XX游戏二次版本测试新手引导流失数据进行举例：

从启动游戏到进入关卡，这部分流失就已经14.9%，期间玩家基本不用操作，也未涉及具体玩法。根据游戏大小分析比如1G，玩家有一定的下载安装成本，却在打开游戏、加载资源、loading等待中就已经有较大流失，需要针对机型设备的资源加载速度等原因进行分析，以减少设备因素引起的流失率。

• 根据分析，本次出现卡loading的bug，导致大部分玩家在loading界面进不去游戏，所以产生高流失，所以这个部分主要解决bug问题。
• 1-4关均为玩法战斗展示、操作中断处，为题材、美术、玩法等筛选过程。流失较低，说明进入的玩家基本都愿意继续玩下去。
• 第5-7步新手流失高峰，这里面会有一些打断性的引导，比如新功能开放，导致用户体验不好，需要优化这部分引导体验。
• 第12关会出现一个新玩法，该部分流失较高，考虑优化玩法内容，或者是否该玩法出现时间过早。
• 这里就不针对性的全部进行解释，一般漏斗分析法常用于对游戏流失分析，且都能有比较好的效果。

用户分群法

用户分群分为普通分群和预测分群。

普通分群是依据用户的属性特征和行为特征将用户群体进行分类。

预测分群是根据用户以往的行为属性特征，运用机器学习算法来预测他们将来会发生某些事件的概率。

用户分群主要用于运营活动精细化，为达成目标而不同人群采取不同措施，有的放矢。

例子1：流失回流活动怎么做？为什么我做的活动没有效果？投了很多回流礼包为什么玩家也不回来？

普通分群：根据已有的标签属性划分。

第一类：兴趣体验下降。活跃逐渐降低、玩法参与降低，流失不玩游戏——这类玩家离开游戏核心本质是对游戏玩法越来越没兴趣，厌倦。所以这类玩家要想挽回，给礼包之类效果不好，因为他对游戏就没兴趣了。应该额外推送告诉玩家，我们现在更新了新玩法新活动，和之前有大不一样。

第二类：触发流失。比如玩家一下子七连败之类，挫折心理导致不玩游戏了，这类玩家要给予关怀措施。比如给送保星卡，回来匹配队友强，匹配算法监测。

第三类：环境和时机。比如学生党等，这种适合周末活动、节假日礼包等。

当然还可能出现其他类别，这里就不做扩展。

预测分群：通过机器学习算法预测事件概率。运营人员可以根据用户属性和行为将满足某种条件的用户群体提取出来，然后分析这一群体的行为特征从而优化产品促进留存，比如流失预测等，就是通过不同用户的流失行为来进行分群，查看下载但是不注册，注册不创角色

例子2：要做运营活动，怎么做？根据活跃度和充值简单拆分人群。

第一类：活跃高付费低的玩家。活跃高说明对我的游戏兴趣挺大，这类玩家需要转化为充值用户，先小额付费刺激或者免费体验一下。比如王者荣耀，发一些英雄/皮肤体验券，体验一下充值乐趣，还比如6元送付费英雄赵云。

第二类：活跃高付费高玩家。非常核心的用户，重点跟进维护，挖掘他们的需求、困境，满足需求，保证他们游戏体验。

第三类：活跃低付费高。这类玩家很少，或者是土豪、代充，这类用户battlePass比较好用。

第四类：活跃低付费低。做一些人气活动，先促活，再拉付费。

AB测试法

AB测试时为了验证一个新的产品交互设计、产品功能或者策略、算法的效果，在同一时间段，给多组用户分别展示优化前和优化后的产品交互设计，并通过数据分析，判断优化前后的方案在一个或多个评估指标上是否符合预期的一种实验方法。简单的说就是控制变量法，不同分组样本同质化，排除人群不同的影响，看多组人群对产品的数据差异有何不同。严谨的ab测试要做假设检验，假设检验核心思想，小样本在一次事件中不可能发生，如果发生就有足够理由拒绝或者接受。游戏一般AB测试都是大样本，所以基本可以不做假设检验。在游戏中主要用于游戏迭代、调优。

举个例子：

游戏关卡难度及顺序有所调整，同质玩家行为表现有差异，AB版本整体数据哪个比较好？

玩家随着在游戏内的成长，玩家第x天，不同阶段遇到、接触、感受到游戏内容是有差异的，所以长线留存要持续跟进玩家的游戏内容和体验。下图A版本各项数据都比B版本好，为什么会在5留就比B版本差了。根据分析从第四天开始，活跃的玩家很大比例都达到了最高等级60级，而这个游戏是单主线游戏，这部分玩家已经没有游戏内容了，所以会流失。继续拆分数据得到验证。

我们应该做什么：给高等级玩家开始做更对口味游戏内容，让这部分玩家继续玩游戏。

TGI指数分析法

TGI 指数= 【目标群体中具有某一特征的群体所占比例/总体中具有相同特征的群体所占比例]*标准数100】

TGI指数表征不同特征用户关注问题的差异情况，其中TGI指数等于100表示平均水平，高于100，代表该类用户对某类问题的关注程度高于整体水平。这是一个反映偏好度、喜好度等的指标，可以用于游戏成功活动复用，指导其他游戏等。

举个XX游戏春节活动案例：

• XX游戏版本活动中，总体游戏用户中20%参加了版本活动，男性玩家中有70%参加了版本活动，20-30岁用户群体中50%参加了版本活动。
• 男性玩家TGI指数=70%/20%*100=350
• 20-30岁群体TGI指数=50%/20%*100=250

说明版本活动在男性、年轻群体（20-30岁）偏好/喜好度高。后续其他产品中，针对这类群体，复用此类效果好的活动，提高收益。