齐神带你读策划书

数据分析的意义：

就如本书所说，如今是一个全民游戏的时代，用户与游戏产品之间的沟通从未像今天这般紧密，我们可以在地铁上、公交上、卫生间，甚至在吃饭时，随手拿出手机或平板进行游戏。为此，游戏行业需要不断地改进产品，提升用户体验，提供更加有效的服务，来满足用户对于游戏的需要。当然游戏创意依旧重要，只是我们更加专注和追求产品的设计、体验、运营和用户的获取。
      游戏数据分析正是在这样大的背景下，逐渐在游戏行业中变得重要。我们需要了解如何有效地获取用户、评估效果；我们需要了解如何激活用户、评估产品质量；我们也需要知道如何提升收益，并挖掘潜在的高价值用户。

以数据分析与实际情况来解决适配问题：

移动游戏，也是移动产品的一种形式。在移动介质上进行开发和运营，决定了我们注定要选择符合移动环境的设计法则和模式。如果用一句话来归纳，任何一款移动产品，都是其移动环境内的一种解决方案。

移动游戏增加了触摸、陀螺仪等体验性更强的接口，因此，产品是否打动用户，用户是否能够长期留存，并很好地享受和体验产品，则成为能否获取更多稳定活跃用户和收益的关键。

于是，我们比以往更重视设备的适配、用户的分辨率、哪些设备是为这款游戏付费最多的、哪些设备的崩溃率最高、哪些设备的注册转化率较低、哪些UI的布局不够合理、哪些反馈设计用户响应率较低，进而影响了转化等，这些完全需要通过数据支持。从这个意义上来说，伴随智能机而诞生的诸多移动产品，实际上让开发者和用户更加在意除了产品核心素质（创意、业务解决方案）之外的体验和感受。

备注：书里也有类似这种机型分部截图，但由于书的截图是16年初的，所以这里我替换为了今年第一季度的机型分布图。

很明显，在开放的Android市场中，很难见到单款移动设备的市场份额是超过2%的，这也就意味着，作为游戏开发者，开发一款在Android平台运营的游戏要花费大量的时间和精力来解决机型适配、崩溃的问题，而这恰恰是难以承受的，因为在进行了大量的用户获取以后，如果用户无法登录游戏、体验游戏，则营销推广费用都将被浪费。

基于此情况，结合大多数公司推广方式（IOS的ASO优化与刷榜等，毕竟不是每个公司都有腾讯或者网易这样的自有用户群），在自研人手极度有限的情况下，前期就应该暂时舍去Android的适配问题，相关的人员把更多的时间放在IOS的适配以及游戏开发上，当游戏后期再IOS上验证足够成功后在开始Android的适配问题解决（IOS上验证成功保证了收益，也有足够的时间以及团队有足够的自信和拼劲去进行安卓的优化）

而这里我们又提到前期重点在IOS的适配上，那么我们再来看以下数据：

IOS分辨率分为16:9、4:3、3:2。

而其中16:9的分辨率占比85%以上，4:3占比接近11%，而3:2的占比已低于4%。

而4:3的比例都为Ipad的比例，其中9成份额为手机，则在手机的比例中，有94.6%的手机比例为16:9，剩下的4.4%为3:2。而且随着时间的增加，3:2的比例会越来越小（这很重要，必须考虑未来的变化，下方会以一个游戏举例）

基于此数据，我们现在进行游戏开发，则游戏的最优画面设计很明显则应该是以16:9的情况下画面是最美的情况，在3:2的设备上进行一定的画面牺牲。

同时举例说明：3年以前的游戏《我在大清当皇帝》是以为3:2的设备上作为最优画面进行设计（备注：厦门点触凭借该款游戏从一个小公司在3年走到了上市，而上市财报中该游戏占整个公司收入98%，可能很多人不知道该游戏，但这里拿他举例是有一定的代表性），在16:9上进行画面拉伸，这款游戏3年以前出的，然后据说研发了1年多，则该游戏立项初步认为是在4年半以前，在当时确实3:2的设备占了绝对主流，然而当这款游戏3年前上线时，16:9的设备市场份额已经超过了3:2，而且随着时间推移3:2市场份额越来越小，所以这款游戏近乎绝大部分玩家都没有体验到这最优画质（甚至会有一些颜控因为角色的脸部拉伸变形而流失本已属于自己的玩家，这是一件很不划算的事情）

数据分析的流程：

如下图所示，对于游戏数据分析系统及数据的利用，分为了5个阶段：方法论、数据加工、统计分析、提炼演绎和建议方案，从工程技术、统计分析、数据挖掘以及用户营销几个方面进行了覆盖和研究。

1、方法论

方法论是数据分析的灵魂，是解决问题的普遍原则，是贯穿分析始终的思想指导。这个阶段决定了我们如何进行数据埋点（如何在业务的关键点上进行数据的采集和监控），如何设计分析指标，如何采集，如何组织数据。

在很多的游戏公司里，运营人员与开发人员在沟通时会频频出现各种数据标准理解的不统一，分析功能开发得南辕北辙。这些问题的出现不仅仅是沟通的问题，更是对于游戏数据分析的体系和思想未形成一致的认识造成的。在方法论的阶段有如下的两点是需要重点关注和解决的。

（1）业务需求

涉及具体业务时，在方法论的指导下，我们需要对业务需求进行拆解，而这个阶段，从数据分析的角度来看，就是该如何进行数据埋点，数据埋点就是通过客户端或者服务端，在某些游戏位置追踪玩家游戏行为而得到的相关数据。这些位置则是未来对特定业务分析的基础数据支撑。

打个比方：我们在前期引导时每一个步骤进行一次埋点，当我们发现当在某一步出现比较大的用户流失时，我们就需要去测试该步骤引导是否会因为界面切换出现一些卡死BUG等引起了玩家的流失。在比方我们做某个限时活动时进行数据埋点，我们发现有5万活跃用户，但是只有1万人打开了活动界面，然后只有5000人参与了该活动，那么我们就会意识到，首先打开活动界面的人太少了，是不是活动的提示不够明显没有让玩家发现，其次就是打开的人里面竟然有一半都没有参与，是活动本身设计有问题不具备吸引力还是有BUG导致的，如果没有这些数据埋点，那么只能盲目去猜测到底是哪一步导致活动没人参与 或者玩家在哪一步进行流失，只会浪费大量的工作时间还不一定会得到正确的结果

（2）指标体系

当我们形成了基本的数据指标后，我们要形成完整的指标体系，并且要建立在方法论的指导基础之上。在多数情况下，指标具有很强的业务导向性和监测作用。例如，我们在进行数据日报的制作过程中，就需要按照一定的逻辑组织，用户类数据、收益类数据、渠道数据等。同时，在这些指标基础之上，数据分析人员可根据需要，进一步加工和变换指标，从而完成深度分析。例如，我们对于新增付费用户的研究，用户生命周期价值的探讨等，就需要在基础数据的指引下，进一步建立新的数据规划和指标拆解。

这部分指标工作看似是最基础的部分，但是它是最重要的。理清了业务需求，我们需要基于目标驱动构建指标体系，在类似AARRR模型的指导下，整体构建并不会有太多的特殊性，但重要的一点是，所构建的指标体系需要能够和业务匹配，比如根据业务需要，重点予以关注的指标数据，或者关键业务的评估需要微型的指标体系来实施。这一类是在方法论指导原则下完成的。

在指标体系中，指标重在理解和标准化。

本书这一块提到的也就首先解决了上面所述的“不同人之间沟通出现南辕北辙情况”。

这里统一也说明一下：

付费率=付费用户÷活跃用户x100

活跃率=登陆人次÷平均在线人数

ARPU值=收入÷付费用户

用户流失率=游戏当前活跃用户规模÷历史注册总量

同时在线峰值=24小时内同时在线最高达到人数

平均在线=24小时每小时同时在线相加总和÷24小时

中国大陆运营游戏平均同时在线用户=ACU

采用道具收费模式游戏活跃付费用户=APC

活跃付费账户=APA

付费用户平均贡献收入=ARPU

用户终生贡献价值=LTV

当日登录账号数=UV

用户平均在线时长=TS

最高同时在线人数=PCU

同时在线人数=CCU

首先有了统一的词汇标准就不会出现交流的理解情况，其次就是数据的指标化，不同的游戏对每个值有不同的指标标准，不同的游戏在不同的标准下直接决定了游戏的接下来的优化方向（很重要）

打个比方：一个传奇类的游戏和一个SLG游戏他们的首日付费率为5%，首日ARPU = 10元。

那么作为一个SLG游戏这个数据就是相当好，而作为一个传奇类游戏则是属于完全不合格，那么这个时候传奇类的游戏重点修改首日的游戏内容，需要花时间进行首日内容的优化，而SLG游戏则可以将开发重点放在后面的内容上。

如果这个时候依据这个数据，SLG继续去优化前期内容，而传奇类游戏不去管前期内容，则就会造成相反的效果，最终只会得到更差的反馈以及浪费掉很多无意义的时间。

2、数据加工

对数据进行处理使其最终变成信息，这个阶段统称为数据加工，具体要经历如下所示的流程。

数据在经过采集后，可以快速了解目前产品的问题，如新增用户很多，但是活跃时间和留存质量很低，分析错误日志则是一个很好的方式。这一点在移动游戏数据分析方面是非常必要的，因为移动游戏环境和场景的多样性，使得我们必须重视解决看似很小的问题。

在数据处理层级，要对采集到的原始数据进行抽取、清洗和加载，对杂乱的数据进行标准化、映射、排重以及纠错等操作，最终将数据加载到数据仓库中。     在数据计算层级，要进行实时的运算，定义多维数据模型、业务模型（比如基于时间维度、地域维度、用户群维度、区服维度和渠道维度等），按照小时、日计算任务，根据业务要求进行数据运算，并把结果集数据输入到数据库中。

在业务信息层级，需要将经过采集、处理并计算的数据最后经过接口变成可被查询的信息。如果从开发层面解释，就是庞大的报表系统，即直接面向最终分析师的数据产品。

也许文字加上过于书面化的语言让人难以理解，我把这里的内容简化下来并加以举例，即可得到一张类似如下的流程图：               通过这样的方式，就便于从各个角度以及各个维度甚至在有限的时间内帮各个部规划好在有限时间内最快改善数据的方法（例如上流程图中，程序主要针对iPhone7、安卓5.0以上系统进行优化，策划重点针对当前女性用户习惯做一定的投放修改）

3、统计分析与提炼演绎

统计分析与提炼演绎是本书流程的步骤3和步骤4，这里我把他融入在了一起，因为他们关系很密切（提炼演绎是依据统计分析基础之上）

事实上，每一次数据分析都要经过长期的准备和努力，有文章指出，在整个数据分析环节中有80%以上的时间是在整理数据，所以如何有效地形成方法和经验就变得更加重要。

可以预见的是，当由系统来实现数据分析时，我们需要对关键业务具备数据的归纳和业务分析的模型组织的能力。

在很多情况下，经过积累，需要将一些重要业务和分析进行归纳，总结出可以长期使用的分析模块和数据采集体系，这样，当我们面临新游戏需要数据统计分析时，则不需要更多的额外开发成本。

而目前比较重要的分析模块如下：

基于以上模块的标准数据采集的统计接口（就是我之前在最上面提到的，针对自己想要的数据 以及系统 策划应该清楚在具体哪个位置进行数据埋点）

最终就是通过这样的方式，来以最快最好的标准达到数据统计的目的。

后记：

这本书还有后续很多内容，暂时就先写的这里

个人认为，策划是一门艺术，但是更多的需要我们把策划作为一门技术去对待，我们常常听到人说“XX游戏成功了怎么说都有道理（说屎是香的都有道理）”，“我又不做数值 我不会算概率就不会好了”等等之类的话，这一类人最终往往就只能很平庸，因为他们永远看不到别人的闪光点，看见别人做的好的地方在判断适不适合自己。书里的很多知识点也许很多人知道，但是知道有几个人能真正做到制作时能考虑全面，能耐心看完书以及去分析其中知识点即使自己知道，也会让自己能更加清晰理清自己思路

这是我第一次投稿，也是这个系列的第一篇，如果反应还不错就会继续做后续的更新，有可能是这本书的后续知识点，也有可能是其他书本或者分析的知识点- - 最后对各位看完我这么多内容的大佬说句“谢谢观看- -”