游戏数据分析的艺术

最近时间看了一本关于数据分析方面的书籍《游戏数据分析的艺术》，想写一些自己的学习感受。

主要包含三部分：

第一部分是这本书的基本概要；

第二部分是常见的方法论以及数据指标；

第三部分是数据在我们实际中操作中的应用。 

先谈谈为什么要做数据分析。

我们在做产品的时候会遇到很多问题，尤其是从0到1做项目的时候更是如此，

产品能否打动用户？

如何有效地获取用户、评估效果？

如何激活用户、评估产品质量？

用户是否能够长期留存，并很好地享受和体验产品？

如何提升收益，并挖掘前者在的高价值用户？？？

游戏的平台从PC到PS4及Xbox,逐步延伸到了智能手机和平板，随着用户与游戏产品之间的沟通的越来越紧密，游戏行业需要不断改进产品，提升用户体验，更加有效的满足用户对游戏的需要。数据分析随着这种变化，在不断发挥更大的作用。

这些问题不仅仅在游戏产品上有，在互联网产品里也有。如何解决发现问题，解决问题，数据分析就起到了很大的作用。

首先第一部分

一、本书的基本概要

书里谈到一个观点：从数据的角度解释运营，可以理解为运筹和经营。

我挺认同这个观点，“运筹”单从字眼上来解释它就 是 运用和筹划 。制定策略，进行谋划。经营偏组织，执行，管理等。运筹是在数据的前提下，如果没有数据，就是盲人摸象。没有维度可以参考。在运营的时候是很麻烦的。通过数据分析运营，将工作做到“运筹于帷幄之中，决胜于千里之外”。

我将这本书的大纲进行拆分，拆了三块，

第一部分：系统讲解数据分析方法论以及指标

了解游戏数据分析、认识游戏数据指标、游戏数据报表制作、基于统计学的基础分析方法

第二部分：具体模块分析

用户分析、留存分析、收入分析、渠道分析、内容分析

第三部分：R语言

其中前两块还好理解，第三块涉及到R语言，比较困难一些。

二、常见的方法论与指标

游戏运营数据分解为三种：

基础统计，解决用户从哪里来、活跃度、收入等情况，是对于宏观质

量和运营情况的描述。这是最基础的统计分析维度，也是最耗费时间和精力的。

行为方式，针对目标用户群，对其行为方式进行分析，提高留存和收益。

用户价值。用户价值这块的重点是高价值用户群，这些用户又称土豪，大R，又称“大RMB用户。

第一个方法论-PRARA模型

P-promotion：用户推广，

R-register：注册用户，用户数量表现，新登录用户转化成本。

A-active：活跃用户，用户质量表现，留存率。

P-pay：付费用户，用户价值挖掘，收益转化能力。

PRAPA模型诞生于端游时代，围绕在投入和回报层面。

随着移动互联网的发展，AARRR模型越来越受欢迎，它的金字塔结构是包含了五个部分

获取用户、提高活跃度、提高留存率、获取收入、到病毒式传播。

AARRR模型指出了移动游戏运营两个核心点：

1.以用户为中心，以完整的用户生命周期为线索。不仅仅适用于游戏，也适用互联网产品。这个生命周期可以将用户行为形成一个闭环。

2.另外一点就是，把控产品整体的成本/收入关系，用户生命周期价值（LTV）远大于用户获取成本（CAC）就意味着产品运营的成功。

具体讲一讲AARRR模型

1、用户获取：

这是运营的第一部。需要关注用户的数量，此外，用户的质量也尤为重要。

AARRR模型指出了一条精细化运营的定律，就是LTV（用户生命周期价值）>>CAC。也就是说，在投入成

本获取用户后需要着重关注和提升用户在整个生命周期中所创造的实际收入价值，从而保证获得最大的ROI。

2、用户活跃：

新增用户经过沉淀转化为活跃用户。

3、用户留存

无论是对推广效果分析，还是对产品质量的把控，留存率都扮演着非常重要的角色

需要利用留存率，又分为日、周、月留存率。

4、收入

获取收入是运营最核心的内容。来源主要有3种：付费应用、应用内付费及广告。

5、自传播

需要产品自身足够好，有很好的口碑。

1.用户获取

日新登用户数（DNU）

2.用户活跃

日活跃用户数（DAU）

周活跃用户数 (WAU)

月活跃用户数 （MAU）

日参与次数

日均使用时长

3.用户留存

留存率分为：次日留存率、三日留存率、七日留存率

流失率分为：日流失率、周流失率、月流失率

4.游戏收入

付费率（PR）

活跃付费用户数（APA）

平均每用户收入（ARPU）

平均每付费用户收入（ARPPU）

生命周期价值（LTV）

5.自传播

衡量标准：K因子=每个用户发出的邀请数量*收到邀请的人转化为新用户的转化率。通过1来衡量自传播的效果。当K＞1时，用户群就会像滚雪球一样增大。

三、数据的实际应用

由于时间关系就列了两个应用，一个是我们的每周的数据周报，可以看到都是一些核心的分析点，有一些是结合了AARRR模型的维度，有一些的结合了用户具体行为的维度；

第二个是运营过程中结合业务需求设置的数据分析维度。

数据是一个很灵活的东西，数据分析的两个常见流程是整理数据业务逻辑,基于目标驱动设置相应指标，然后提出埋点需求。离不开对业务的了解，也离不开技术小哥哥们的支持。所以两者是紧密相关的。在后面的工作中希望能多跟大家合作，挖掘更多数据分析方面的价值。