《游戲數據分析的藝術》之數據分析師的能力三角形本文承接《游戲數據分析的藝術》1.4.2節以下文章選自《游戲數據分析的藝術》部分內容，如需轉載請注明出處1.專業數據解讀大部分的數據分析師，都是面向業務的，這就決定了在其業務范疇內，在理解業務的前提下，具備充分的數據解讀能力。而每一個行業的專業數據解讀都是從基本的指標開始的，這是數據分析師必修的課程，不過這個階段的指標必修，旨在要非常清楚指標的定義和原則。如果不了解原則和存在的意義，只是記住了指標的標準，是沒有實際價值的。指標的存在是自上而下的過程，通過頂層的目標和需求的設計，將指標逐步分解成為具體的可觀測的指標。從游戲數據分析角度來說，我們關注的頂層目標和需求如圖1-12所示。圖1-12需要關注的頂層目標與分析需求在圖1-12中，比較粗略地組織了從游戲數據分析角度來說需要關注的一些目標和需求，此處是較為簡單的向下分解，并最終落實到了具體的分析方向，而此后再次分解，就是具體的指標。對于分析師而言，無論從上而下，即從需求戰略向具體分析指標，還是反過來從下而上的過程，都需要全面的理解指標、解讀指標，了解指標背后究竟能夠代表和分析哪些業務和具體問題。這項能力是在不斷的成長過程中，逐漸練就出來的。與此同時，專業的數據解讀會隨著分析師的數據分析探索和理論知識學習，不斷地深入和強化，在關于數據分析探索和理論知識學習部分，將進一步介紹。2.數據分析探索游戲數據分析與其他行業的數據分析不同的是，游戲綜合了經濟、心理、社會、社交等方面的內容，是一個龐大的數據分析體系。比如關于游戲內貨幣的通貨膨脹問題，就需要我們通過經濟學的角度來解釋，并加以數據分析。再比如，有關游戲中虛擬社會的社交關系，就需要我們通過社會學的方法和策略進行數據分析，所以游戲數據分析從來不是一個保守的和按部就班的領域。數據分析探索的內容較多，一方面我們可以認為探索源自對于數據本身特征和分布的探索，此點更多是就數據本身層面的分析和摸索;另一方面我們基于一定業務場景，進行一些前瞻性的數據分析，比如前面提到的關于游戲社會(公會)和社交部分的探索，就曾經在Playon項目中針對《魔獸世界》進行過關于公會的數據分析，并在論文《“AloneTogether?”ExploringtheSocialDynamicsofMassivelyMultiplayerOnlineGames》中進行過詳細的闡述。該論文指出，公會核心的成員并不會和很多的公會玩家一起游戲，在30天中，一個公會中平均每兩個玩家游戲時間是22.8分鐘，然而這一數據對于核心成員之間則是154分鐘，另外公會核心成員之間彼此聯系很緊密，相當于一個核心小組，65%的公會只有一個核心小組，13%的公會有兩個核心小組，而3%的公會則有3個核心小組。如圖1-13所示，針對中型公會的網絡分析時有一些新的探索發現。圖1-13游戲的公會社交關系網絡在某個公會的41名成員中，有17名成員從未與其他玩家在一個地圖中相遇過，而余下的24名成員主要是靠一個8名核心成員的小組維持較高的游戲活躍，這意味著他們彼此之間的聯系時間是非常長的，關系更為緊密。上述對公會關系的分析，是對于社交關系是否會影響游戲流失及活躍度的探索。而諸如此類的對游戲內容、設計的分析會有很多，再比如在游戲內進行用戶聊天記錄的文本分析，抓取用戶的關鍵詞，及時了解游戲內的動向和用戶關心的內容。游戲數據分析和研究在最近幾年開始逐漸流行，由于游戲產業的特殊性(文化創意領域)，同時整個行業更加關注用戶獲取和用戶營銷，導致了基于產品本身的數據運營和優化并沒有得到應有的發展。這一點在移動互聯網時代愈發明顯，越來越多資金用于營銷和用戶獲取，但是長久以來，在獲取用戶后，如何精細化經營用戶和挖掘價值，卻始終沒有更多的突破。不過令人高興的是，在進入2014年以后，越來越多的游戲開發者，越來越多渠道開始注重留存率、付費率等數據的提升和優化，這已經是巨大的進步。然而整體形態上，我們看到，游戲數據分析的發展還是遲緩的，數據指標體系、方法、思想還停留在早期的端游市場以及頁游市場。進入了移動智能時代，我們的數據分析要需要更多的探索和變革，因為用戶的終端更加多樣和復雜，我們提供的移動游戲對用戶而言不再是公平的，有人可以正常打開游戲，有人卻不得不面對游戲閃退等問題，雖然用戶獲取游戲的機會在變大，但是用戶的選擇性和流動性也在變強，所以誰更好地提供服務，完善了體驗，才有更多的用戶會選擇。移動游戲用戶比以往任何時候都變得更加挑剔和追求體驗，因為移動設備本身就是提供體驗的平臺，這對開發者、數據分析師提出了全新的挑戰，我們需要進行全新的產品探索、數據分析探索。比如我們的產品提供符合移動智能設備系統設計規范的UI、體驗和服務，而對于數據分析來說，我們將更加注重用戶全生命周期的價值、不同設備用戶的行為表現、渠道用戶的質量和收益貢獻、優化投放和調整經營策略。數據分析強調對于業務的理解，將不僅僅是對于產品業務本身的理解，還有產品環境的理解，這點在當今的移動游戲領域是非常明顯的。就分析本身來說，任何方法理論的誕生，都是在不斷解決業務問題的基礎上，進一步探索和實踐才形成的。3.理論知識學習剛才講到了數據分析探索時提到，探索的依據、探索的挖掘都是要基于大量的背景知識方可進行的，如果無法跳出游戲業務本身，站在更加高的角度來審視游戲，則很多分析都無法展開。比如，需要了解游戲中的付費轉化率指標。下面結合設計體驗和統計學來說明付費轉化率的內在含義。如果從設計體驗來看，對付費轉化率的分析就是在解決付費環境的問題，即轉化率的高低代表了支付需求實現和支付環境的質量。比如，只需要四步就能完成游戲支付，但是實際設計時需要五步才能解決，從這點來說，多了一步支付過程，就多了一步用戶的轉化流失。另一個很好說明設計體驗的例子如圖1-14所示，在一個手機游戲中，當用戶從一個手機游戲購買道具時，方向箭頭的加減方式來確定購買數量，比手動調用輸入法確定購買數量，方便了很多。此外當我們發現用戶對于某一種道具的消耗量確實很大時，則可以默認提供對應需求的道具數量，此時，對于多數用戶而言，則是選擇默認購買，很少會有用戶選擇購買9個或者8個，這點設計無形中提升消費數量，并且培養消費習慣。從體驗設計來看，這種設計避免如圖1-15所示的輸入麻煩，減少轉化步驟，效果自然就會好很多。這個例子可以說明的，作為一名游戲數據分析師，你是要需要站在設計的角度來關心用戶，完成你的數據分析。圖1-14游戲道具購買界面圖1-15移動智能設備輸入法界面此外，如果我們從統計學的角度來看待付費轉化率，其實對免費游戲而言，付費只是針對一小部分用戶，而這部分用戶的付費，某種意義上是因為他們達到了某些條件，或者到了一個不得不付費的階段或狀態。從概率角度來理解，付費轉化率就是一個概率，即在免費用戶中，發生付費的概率，這其中就蘊含了一些條件，在這些條件成立的前提下，我們有很高的概率發生付費。所以，我們很關心用戶在什么等級、時間或者任務發生首次付費，這些條件的尋找，就是在不斷尋找用戶發生付費轉化的最大可能性，或許我們發現用戶在30級發生付費轉化有60%可能性，35級發生付費轉化有80%可能性，通過一系列的數據探索，不斷優化我們的分析結果和最終結論。這些不是僅知道游戲業務就能確立的分析角度和思考方式，還需要更加多的概率知識。以上通過案例說明，理論知識學習對于從事游戲數據分析工作的作用。游戲的確是一個包羅太多領域的產品，因此數據分析師的要求就更加全面。剛才我們只提到了設計體驗、概率學，其實還有很多的內容是需要我們涉及和了解的，如圖1-16所示是我們需要了解的內容。圖1-16需要掌握的理論知識方向除了以上的內容，當然還有有其他的知識需要學習。總體來看從這些知識領域我們主要要探究的是以下兩點。(1)問題分析的思路及方法其他領域的問題分析和解決方案會最大程度幫助游戲數據分析師建立和完善的方法論，以便在更多的和不同的角度剖析問題，提出解決辦法。因此，如果僅僅局限在游戲業務內尋找辦法解決，往往得不到答案。在這方面，筆者從自身經驗已經受益很多，比如互聯網經濟時代誕生的眾包、免費，長尾理論、都是基于一些數據和思想方法而發現或者發展的理論，而這些理論或內容都將在游戲領域發揮巨大的作用。(2)跨領域知識的運用實踐游戲數據分析的發展，其實還是在起步階段，從行業來看，我們還沒有借鑒數據真正走向精細化運營的道路上。在這條路上，我們還有許多需要了解和學習的知識，比如貝葉斯理論在游戲領域的應用、產品生命周期的管理、用戶生命周期的管理、游戲用戶CRM系統的建立，包括運營平臺跨游戲的用戶深度營銷、推送、評估分析等，這些都是需要我們不斷探索。伴隨大數據技術的不斷進步，時至今日帶動了各行各業開始進行有效的數據管理和加工，并且深入影響了用戶和產品的運營，游戲也應用了大數據技術、數據挖掘技術、廣告技術，開始了全新的數據運用。此處，我們以playon項目對于“魔獸世界”升級時間的分析為例來闡述一下統計學知識的應用。“一些玩家的升級速度很快，這些極端數據可能影響了總體數據。為了更清楚地認識這些數據，我們計算了玩家升級速度的標準分(normalizedscores)Z分數，計算公式如下：Z分數=(X﹣平均分)/標準差如圖1-17所示示，大部分玩家的升級時間確實是在平均數附近。轉換成標準分后，從1級到60級的平均時間是15.3天，中位數是13.9天。”圖1-17升級時長的Z分數分布在這個例子中，首先強調的是業務理解，而其次更重要的就是方法的運用。另一個例子就是很多人都會提到的ARPPU(游戲總收入/游戲總付費用戶數)，該指標很多時候被拿來衡量用戶付費能力，但是當經過仔細的分析會發現，游戲中有超過70%~80%的收入是由20%甚至更小比例的鯨魚用戶(大額付費用戶)貢獻的收入，只是這部分用戶占據游戲付費用戶的比例非常低。此時更多的付費用戶則是“被平均”了，從根本上說，很多的數據分析師和指標的使用者并不了解其背后的算術平均數使用需要注意的一些問題和使用限制。所以我們需要懂一點統計學，同樣的原則，我們需要了解更多的其他行業的知識，并了解如何運運用和發展。其實如果你學習一點統計學知識，你會發現，例如眾數、中位數、幾何平均數都是一些可以大膽使用的方法。放眼更多的領域，我們已經發現，游戲數據分析也要借鑒電商的轉化率和訂單分析，網站分析的流量分析，購買消費中購買決策分析，等等，這些知識經過加工后，在游戲方向將會有很好的應用場景和價值。1.4.3策劃——游戲設計者這個角色的任務是從游戲設計的視角審視游戲機制和內容，分析產品深層次問題。作為一名游戲數據分析師，要擔當的一個角色就是“游戲設計者”，這里的游戲設計者并非是一個真正的游戲設計者，而是需要具備基本的游戲設計的理論基礎和能力，因為這一點有助于開拓分析思路和維度。比如，在進行等級分析、任務關卡分析、虛擬道具消費分析、UI/UE分析等時需要這些知識。從游戲公司自身的職能劃分，可將其稱為數據策劃，注意不是數值策劃。目前多數分析師被劃分在運營體系中，然而，一款游戲的數據分析對游戲方向的干預，僅從運營層面去實施，顯然效果和質量是有限的。這一點也是為什么多數的游戲數據分析師在多數企業中找不到認同感和實現價值的重要原因。有一個觀點，是大家都認同的，那就是作為一個數據分析師，所有建立的分析和方案都要和業務緊密結合。因此作為游戲數據分析師，首要的就是要深入了解游戲，站在設計者的角度，去看待一款游戲，深入把握和理解游戲設計的優點和弊端。在此，我們對數據策劃需要完成的工作做了以下的規劃和設計：(1)理解游戲核心玩法(2)游戲體驗設計原則(3)游戲類型設計原則(4)游戲消費設計原則(5)游戲等級關卡設計(6)制定業務指標體系(7)設計問題解決方案(8)數據進行版本規劃(9)競品游戲學習調研數據策劃是在深刻理解游戲的基礎之上，根據游戲的設計情況以后每個版本的情況，利用數據進行分析，最終提供策劃和改進方案，因為當運營體系數據不足以支持深度的產品分析需要時，就要運用更多的游戲設計知識來開拓分析思路。當然了提出數據策劃的意義還在于，未來數據分析師將能夠真正的發揮分析作用，提供方案，效果分析，最后進行改進。提出數據策劃的另外一個核心原因在于，每一類游戲的