游戏行业数据分析实例篇（上篇）

前言

关于数据分析，打开电脑搜索资料可以得到这样的定义“数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。”，简单说就是从大量数据中提取信息。然而作为一次合格的数据分析，定义中提及的过程只能说一次分析中的准备工作。

周易有云“仁者见仁，智者见智”，对于同样的数据不同的人会提取出不同的信息，虽然见仁见智，但是有的时候或许分析的目的是为了见仁，或许有的时候只有见智才是有价值的。

之前经常有同事会问我，为什么我们部门这么多分析师，天天都在研究游戏，分析游戏数据，但是项目组却从来不乐意搭理我们，而我们也没什么好的报告呢？我都会给他举一个例子：曾经我们有人给《龙之谷》游戏做过一次分析报告，其中有一个很重要的结论就是“选择法师的玩家基本都选择女性角色，选择战士的玩家基本都选择男性角色，所以推测一般女性玩家喜欢法师，男性玩家喜欢战士”。从这个结论上看，没有太大问题，如果有问题就是这样的分析没有直接给出建议，即没有指导游戏策划涉及什么样的游戏内容去迎合玩家的这种偏好。但实际的游戏情况是怎样的呢？了解过《龙之谷》的人都会知道这款游戏的一条最基本的特点——龙之谷每个职业都只有一个性别（女魔法师、男战士、男牧师、女舞娘、女科学家等），也就是说玩家当选择了一个职业之后是没有选择性别的权利的（至少在2014年之前是这样的）。这时候任何人再回头去看那篇报告的结论，第一反应都会是“这么基本游戏特点都不知道，还在那里写分析报告，这绝对是现实版的盲人摸象！我哪有时间在你身上浪费”。所以说从数据中提取信息只能是数据分析的准备工作。

那数据分析还应包含哪些内容呢？个人认为一次合格的数据分析应包含以下几个环节：明确分析目的、业务了解、信息筛选、数据的结论化、针对结论的业务指导建议、分析报告结构设计。下面就以我曾经做过的一篇分析报告为例来看看数据分析到底需要做哪些最基本的工作。

数据分析实例

大部分的网络游戏为了挽留玩家都会做一个活动——玩家召回，名字或许不同，方式或许不同，或客服执行，或玩家执行，或线上，或线下，但核心思想基本一致。我曾经也参与了几款游戏的几次大规模的玩家召回活动。和大家分享一下其中一款游戏的相关分析。

分析背景：这款游戏在1年内做过前后两次大规模的“好友召回”活动，这篇报告写于第二次活动结束之时，用于对第二次活动效果进行评估，同时发现活动的优化点。

游戏内行为数据千千万，登陆、移动、聊天、交友、购物、任务、副本等等，任何一项内容都可以反应玩家的活跃状况，但是并不是每一项都是必须，甚至有些内容的分析是无法实现或者难于快捷实现的，比如聊天，玩家可以在1分钟给不同的玩家发出3到4条消息，如果不进行文本挖掘，根本不可能获取玩家的思想，即使进行相关挖掘，也需要2个月左右的时间进行相关研究，而这对于一款游戏、一个游戏内容的运营来说是完全不可取的。

所以我们需要从出发点来思考，从众多的游戏数据中圈定最重要的数据进行分析。此活动属于流失用户的召回活动，所以流失用户的登陆数据显然是活动效果最简单直接的分析切入点。

1. 玩家登陆

1.1回归用户的登陆数据

注：低端用户1、2、3：游戏内累计消耗低于1万元，根据等级分为三个等级段，其中1代表高等级，3代表低等级。

从上表可以简单的看到，第二期活动的召回率明显高于第一期，由15%提升到了20%，而这主要是低端用户（1,2,3）带来的。然而此时是否就可以判定第二期的效果好于第一期呢？当然不能，因为活动的目的并不仅仅是让流失玩家回来登陆游戏，最终目的自然是让玩家重新在游戏里留下来，所以我们接下来看一看用户留存相关的数据。

1.2回归用户月登陆天数分布

从上图可以大致看出，第二期回归玩家的登陆天数分布更加集中于大于15天，而第一期则更多的集中于少于15天，尤其是图中圈出的两个分段。

此时上图仍然有个明显的缺点，数据点（柱子）太多了，只能大体的看出一个结论，到底是不是真的还不一定。所以此时就需要结合游戏和活动特点对数据点进行合并，尤其是当数据点更多的时候。因为两期活动都采取了持续领奖的方式（用户回归后的一段时间内每天都可以领取奖励），并且每五天为一个大奖节点，同时第一期分为10天领取，第二期分为18天领取，所以又将上图合并成了如下图。

从上图就可以清晰的看出：第一期回归玩家在“11-15”天达到一个峰值之后就大幅下降，第二期回归玩家虽然也在“11-15”天达到了一个峰值，之后的跌幅明显小于第一期，并且此后每个时间段的占比都高于第一期，总占比更是达到了39%：49%。

这样的诠释或者说结论是不是就可以了呢？

其实上面只能算是“简单的数据”，这也是很多分析师常犯的一个错误，认为把图表或者表格翻译成文字就可以了，这就可以作为结论或观点了。其实不然，这就像画人物时你只画了骨骼，打眼看去也画得很好，也凸显了深厚的功底，然而对于普通观众来说，这显然非其所愿，他们更喜欢看有血有肉的人物，你所画的他不但不会喜欢，反而会觉得恐怖、厌恶、避而远之，同样你数据分析的受众则会觉得：你写的都是些什么啊，我一点也看不懂，你只会玩数据，根本不知道数据为什么会这样，代表了什么，就像个书呆子，还自认为很高明。所以比教合理的图表结论应该是下面这样：

①两期活动中回归用户在领取完所有奖励（10、18天）之后，都因为各种原因再次流失了。

②第二期活动最终留下来的用户要比第一期活动多25%左右，说明虽然每期活动中玩家在领取完奖励之后都会出现流失，但是通过适当延长领奖天数，可以给玩家更多的时间来了解新的游戏的内容，结识更多的朋友建立更多的关系网，从而增加玩家留下来的念头，最终提升留存。

③第二期活动中回归玩家在第8天左右出现了一个流失高峰。

当然上面的结论描述并不是完美的，但至少具有了以下几个功能：

①“拉客”：将数字的对比、涨跌转换成了玩家在游戏内的行为内容，并结合了活动特点解释了各种行为现象的原因；

②发现问题：召回的玩家会再次回归；

③凸显成果：第二期活动通过延长领奖时间，提升了玩家的留存，说明活动正在一个良性进化的方向上；

④重点分析：本次分析的核心是第二次活动，所以单独针对第二期活动提取了一条重要信息。

现在有了上面的结论之后，我们也可以给出一些相应的建议了：

①玩家回归之后仍然会流失，游戏策划应该设计更多适合这批玩家的游戏内容；（此条建议严格来说可以去掉，因为这实在是不能算是一条建议，因为所有游戏策划都明白这一点）

②针对第二期活动玩家在第8天左右出现流失高峰的现象，在下次的活动中在第7或8次适当提升一下奖励，强化玩家对回归奖励的期望，从而诱导玩家继续留在游戏内，给游戏更多的时间去向玩家推送内容，争取将玩家留下来。

（此条建议很简单，但却很有价值，他可以真正的被应用到活动优化中，真正提升玩家的留存，这也是分析的一条准则，高深的统计分析技能有时候可能不如最简单的数据统计有价值，永远记住“没有低级的法术，只有低级的法师”。）