必须了解的数据分析方法论-顶级活动策划进阶
本文是“顶级活动策划的意识形态”系列文章之《数据篇，必须了解的数据分析方法论》。
主题篇，既要被发现，也要被传播
奖励篇，调动用户参与意愿的关键
规则篇，让双方交换更容易达成
宣传篇，不是通知用户，而是打动用户
成本篇，控制活动成本的四个环节
风险篇，正确认识风险，积极拥抱风险
数据篇，必须了解的数据分析方法论
执行篇，执行的关键在于公共人力资源
复盘篇，团队加速成长的秘密
数据是一门极深的学科，在很多游戏公司，数据部门和运营部门是平行关系，大家平时用的数据后台都是这个部门负责支撑维护的。各部门工作的所有输出都会以数据的方式呈现，如各大产品的各类基础数据：新进用户、留存、收入、新增付费用户、各道具销售情况等等。
市场、运营、产品都会至少掌握有一些最基础的数据知识，鉴于篇幅原因，此处就不呈现相关概念，不讨论那些人人都知道的道理，只从业务层面出发，讨论跟活动相关的数据方法论。
数据分析的价值所在
所谓数据分析，是依据“业务理解”和“数学算法”对海量的信息数据进行计算，并提炼出有价值的信息。好的分析结果一定能带来价值，往往能够帮助我们事先用来验证假设，辅助决策。事后用来验收结果，发现规律。
什么是验证假设，辅助决策？
以销售举例，本次活动将用什么道具作为奖励，以吸引用户购买，大家会依据自己的理解争论不休，这个时候也不用拍脑袋了，通过数据查询一下用户的道具存量，看看哪些是稀缺的，那么就能够验证此前的想法假设，最终做出决策。
争论的场景很多，基本上我们都会凭借自己接触的信息去拍脑袋，这个拍脑袋的行为就是“假设”然后想办法通过数据去验证假设，当数据摆在我们的面前，也就不需要争论了。
什么是验收结果，发现规律？
当我们完成了活动，无论是新进，还是收入，往往都会呈现出一个数字，这个数字就是我们集体努力的结果。数字能帮助我们判断自己的活动做得是好还是坏，我们想要下一次都把事情做好，就得发现和寻找规律。
所有的部门都为为活跃用户量而努力，提升活跃用户量三种活动方式：新进、活跃和回流。每种活动在策划之初，都会有各种（主题、规则、奖励）PK的场景，我们用数据去做决策，当活动完成后，最终会有一个结果，我们用数据去做验收。
无论是市场还是运营，1年内，至少大大小小会做几十次活动，每次活动决策前，活动结束后，通过数据分析，就自然能做到心中有数。
基于业务理解开展数据分析
任何数据分析都是基于对业务的理解而开展的，什么叫“业务理解”，我们先来看一组营收类活动的公式：
【活动收入】=（活跃用户数）x（付费率）x（每用户平均收入）
在营收这个目标上，有三个影响最终结果的因素，我们拉升其中任何一个因素的数值，活动的效果就越好。我们已经找到了三处发力点，只要在上面优化，就能够提升最终的效果。这个就是对业务的理解。
所以如果对于活动不满意，优化的方式有：
增加流量曝光，提升了参与用户总数量；
优化销售文案、图片素材，提升了活动参与转化率；
优化用户参与活动的路径，使其参与活动的过程变得更加的便捷；
增加更多支付渠道，降低掉单漏单率，以方便用户完成支付行为；
经营其他影响活动参与度的相关事件，比如运营KOL帮助完成销售；
……
当然以上这些优化都是建立在用户对本次活动的奖励设计需求度强弱一致的前提下进行的。
游戏营收类活动变化非常多，主题、规则、奖励、周期每次都会变，但运营是真正知道自己完成了哪些行为的，结合数据看此前的运营行为，日经月累到同类型的活动样本量达到一定规模，自然而然能够发现哪些设计和运营行为对完成销售KPI有帮助。
数据思维：人人心中应该有个漏斗
每个做活动的同学心中都要有一个数据漏斗。漏斗从用户接触到活动信息的那一刻就展开了，这个数据叫做曝光，下一层叫是点击链接，再下一层叫做到达活动页……依次类推，最终走完活动全程。这个数据就像是一个漏斗，每个环节都会流失掉一部分用户。
用户新进场景形成的漏斗，一般分为下面5个步骤，每个步骤之间都会存在着一个转化率，我们想要漏斗更陡峭，就得个根据每个点去优化。
我们再来看看最后一个步骤，从登录到新手引导之间，要经历多少个步骤。
1.游戏启动
2.客户端更新（需判断）
3.更新中断（增量OR整包）
4.更新完成
5.APP允许询问（访问位置/推送消息）
6.注册账号流程
7.选择服务器
8.连接服务器
9.进入游戏加载资源
10.过场动画播放
11.过场动画跳过
12.过场动画完成
13.游戏引导介绍
14.大数值战斗表现
15.创建角色
16.创建角色完成
17.新手引导
比如说第15步，各位是否见过取名字，不断被占用的情况；
比如说第13步，不知道各位见没见过说大量废话的引导否？如何精简不折磨用户，非常依赖优质内容的呈现；
比如说第9步，加载资源的速度和效率依旧是每个团队要考虑优化问题；
比如说第6步，有无游客快速注册、手机注册（用户能否成功收取短信验证码），有些注册后，希望把账号密码以图片形式存到用户相册的请求，流程也会变多；
比如说第5步，这些需求是否可以后置做成触发式？很多APP一开始就请求访问位置、摄像头、推送消息、读取通讯录……就是有病；
比如说第2步，有些在WIFI环境下还询问是否更新，后台默认完成下载，直接询问是否直接更新不就完事了；
从A点到B点，每个步骤都可能存在用户的流失，当我们把这个数据给拉出来，就能够知道问题出现在哪了。
如果没有数据指导，很容易拍脑袋，在那些表现明显较好的维度上发力，但是优化空间较小，效果提升有限，指导我们在表现过差的维度上发力和优化才是数据分析的价值所在。
我们要知道每一层数据具体是多少，继而获取这个漏斗的形状，接下来的行为自然就是优化这个漏斗，漏斗越陡峭转化率越高，最终的活动效果越好。
以用户新进类注册活动为例。没经验的同学一开始肯定是参照市面上的，然后发现吸引用户完成注册行为的活动好多种类型，你如何判断哪个效果更好？如何造出更陡峭的漏斗。
我的操作思路如下：
1、把市面上的注册类活动进行整理归类，归纳出每个注册类活动的套路组合。
2、有条件就问同行，咨询他们该注册活动的细分数据，各个漏斗层级的转化效率。
3、如果问不到，我们自己去实践，12个月，每3个月开发一种套路，1年就是4个套路，边投放边验证，日积月累，每次埋点到位，自然可以做出更陡峭的漏斗了。
实际的操作过程中，和做营收类活动一样，没有一种新进类活动的打法可以用在所有的场景，我见过太多的人，一套打法用5年甚至更久。
数据思维：建立多维坐标，精细化运营
我们来看这个十字象限，通过多维坐标将用户分组，对不同组用户采取对应的运营措施。
在这4象限中，一定有一个最好的，一定有一个最糟糕的。
A象限的用户是最应该被关照的，然后尝试把B和C两个象限的用户往A象限里面拉，比如给B象限的用户投放折扣道具，吸引完成付费行为，给C象限的用户投放交互类道具，促使其活跃起来。
人力、资源、精力有限时，按照A大于C大于B，的方式进行排序。
再比如，我们可以把自己的每个月的销售道具量给拉一个象限，一个是道具价格，一个是购买频率，由此得出：
高价格高频率的是用户刚需，性价比也高，一般不适合打折促销。
高价格低频率的道具适合用来打折甚至送，促使更多的用户体验购买。
低价格高频率的道具适合开发出一种升级版同类道具，用来获得利润。
双低的话，想想问题出在了哪里？跟研发去聊聊，尝试加强。
还有很多种建立多维坐标的方式，比如：可以把道具分为实用道具和华丽道具，把事情分为重要事情和紧急事情，把业务分为追求质量和追求速度……种种方式都是帮助我们认清楚现实，进行判断和行为选择的。
数据思维：不要预设结论，错误归因
“通过分析数据得出结论”和“先定好结论然后从数据中找论据”，是两种思考方式。
在工作中我们经常为了某个设计、奖励而争论，双方的经验和看问题的角度不同，造成了争论的来源，一旦有预设结论，就很容易找到“证明”自己结论正确的信息，而忽略掉错误的信息（典型如星座和属相）。即使是同一份数据，如果预设结论，经常会出现2个不同的推论，这些情况在说服与被说服的过程中高频出现。
在具体的执行中不要轻易定性，错误归因，比如：二战期间，数据发现，维修厂提供的10000架战斗机维修报告中，发现中弹大多处都集中在机翼上，由此得出，战斗机应该在机翼上进行加强。而实际上应该加强的应该是飞行员座舱和尾翼发动机，因为击中了这2个位置的飞机是直接坠毁，没有进维修厂的机会。
同样，如果你发现某类道具特别受用户欢迎，能够极大提升营收类活动的收入，继而推理说该类奖励受用户欢迎，那么下次拿这个道具作为活动奖励，就得好好论证了。显然受用户欢迎跟时机、用户某段时间内的需求有关，并非道具本身。
数据从来都是冰冷而客观的存在，从来不会说谎，但是拦不住人的预设结论，错误归因。
数据思维：依据迭代要数据，依据数据去迭代
任何业务都会产生数据，任何行为都会影响数据变化，无论是数据提升还是降低，都要找到原因，这是一种习惯的养成，没有经验就自己总结归纳。
比如最近收入数据降低，我认为原因是1234567……然后找人交流，想办法论证。长此以往，论证越多，意味着影响效果的指标越细，养成了习惯，敏感度自然就提升了。
比如活动上线后会存在高开低走和低开高走的两种情况，然后马上去找原因，尝试去做出一些调整，即使现在无法调整，下次上线类似活动的时候也能够做出针对性的布置。
比如销售某类道具，奖励一致的前提下，我们能为其设计三种不同的销售规则，三套不同的销售文案，如果你能够在同一个周期内，拿3款环境相同的游戏做测试的话，那你心中自然有谱，知道哪种更能打动用户，这些就是宝贵的经验积累。
但是现实更多的时候是我们并没有这个机会，但是这不妨碍你去跟竞品的运营同学交流啊（这世界没有打听不到的东西），你可以通过分享业务经验，交换数据获得一种专业上的确认感，这种确认感能够帮助你在以后的日子里，没有数据也能拍脑袋去做一些决定。
所有的迭代行为（无论做得好与不好）都会以数据的形式体现，理解了数据就能够帮助你找到正确的发力点，拿到取胜之匙。依据迭代要数据，依据数据去迭代，这句真言也就是我在各个分享培训场合经常强调的，它应该融入我们思维中，如此才能够建立专业敏感性，对业务形成条件反射。
数据分析的实战，过于依赖具体问题具体分析了。由于篇幅原因，只为大家介绍几个基础的知识以及习惯养成，关于数据分析的知识，有很多专业的文章去说明，大家在整个互联网行业里拿到的数据相关知识往往都是通用性的一些数据知识，比如新进、用户、留存、活跃、营收……但是细分到特定领域里，又分为电商、游戏、金融、教育、医疗、服务……
可以100%的确认，任何一个领域里关注的特性数据指标和计算方法，有着巨大的差异性，就游戏圈而言，个人建议大家还是看书比较好，毕竟书籍知识相对成体系一些，文末荐书两本，游戏领域的：
《小白学运营》的第三章（刘异，伍斌，赵强著）
《游戏数据分析的艺术》（于洋，余敏雄，吴娜，师胜柱著）
这类业务类书籍单纯看，没基础的话会比较枯燥，会迅速忘记，记得一定要联系业务场景来！遇见问题，苦思冥想，从书中找答案，解决之，才是迅速提升之道。
本文作者与书籍作者无任何利益关系，纯粹感谢前人布道，为游戏行业输出有价值的知识体系。
以上内容，出自饭大官人未出版的新书，欢迎各位同学以各种形式留言交流。