关于数据分析平台的那些事儿（经验谈）
▶ 前言
本文作者为数数科技某游戏客户的运营总监，本文为他们在使用数数科技的产品之前，公司在尝试在内部自建数据分析平台“从入门到放弃”的过程。
1分钟快速了解大纲 ：
1. 为什么需要数据分析
2. 数据分析落地难点
3. 为什么选择第三方平台
4. 我们怎么使用数数科技的数据分析平台
4.1 如何收集原始数据
4.2 平台常用数据模型
- 事件模型
- 留存模型
- 漏斗模型
- 分布模型
- 路径分析模型
5. 游戏数据平台常见的分析维度
5.1 核心数据
5.2 用户分析
5.3 系统分析
▶ 以下为正文
1. 为什么需要数据分析
移动游戏已经进入充分竞争的阶段，市场供过于求。从2018年开始，新游戏发布的数量就逐步下降，轻松挣钱的时代已经过去，开发者们逐渐离场，留给我们的试错机会越来越少，同时数据驱动增长的方法越来越受到关注。
《硅谷增长黑客实战笔记》中写到：增长的精髓是一套体系和方法，它以数据为指引，以实验的方式，系统性地在用户生命周期的各个阶段，寻找当下性价比最高的机会，在具体的执行上横跨市场、产品、工程、设计、数据等团队，通过快速迭代实验的方式达到目标。
所以无论是新产品调优，还是老产品运营，都离不开数据的指引与支持。它能帮助我们节约成本，扩大用户规模，提升变现效率，是不可或缺的工具。
2. 数据分析落地难点
虽然，数据对游戏增长的重要性日益明显。游戏厂商也有心做“数据化”转型，但这个过程依然难关重重。
其一，数据不是孤岛，只有熟悉各种游戏数据的应用场景，能将冰冷的数据和实际的游戏场景关联起来才有价值。每一个数据指标，都是受什么业务影响的？怎么调整能让留存提升10%？怎么运营能让变现效率提升50%？这需要数据分析师团队具备数据、产品、运营、技术多重能力的综合。
其二，要有一套高效的数据分析平台，这非常重要，也是最难落地的——如何把想看的数据统计出来，展示在网页上。这涉及到三个部分：
1）需求梳理。先要自己清楚需要看哪些维度的数据？界面什么样能满足分析需求？
数据平台就像一个产品，需要缜密的需求设计，才能开发。一遍一遍的修改需求，对于开发效率和士气都影响巨大。
2）收集原始数据。这些数据如何统计？如何落地到游戏内的埋点？如何推进程序在产品内埋点？
- 这需要对数据统计有一定的专业了解，知道统计原理。
- 知道怎么埋点最能节省人力，明确埋点的优先级
预想潜在的数据应用场景会需要哪些埋点，做好提前准备。
3）数据统计和展示。界面什么样？每个数字怎么统计？都要交代清楚，跟进最终效果实现。
- 已经有了原始数据表，建议先做一个Excel，把想要的数据，先用SQL跑出来，并且把SQL语句写在文档里，标明统计是需要哪些筛选器。这样能降低沟通成本保证开发的准确性，提升开发效率降低统计出错的几率，大大提升开发效率。
- 后续还需要持续迭代，一旦有新需求或者临时性需求，都需要平台部门维护。
3. 为什么选择第三方平台
2019年中旬，我牵头在公司搭建游戏产品的数据分析平台，目标是做一个所有项目通用的数据平台。但耗时2个月，结果却不如人意。服务器频繁宕机，导致数据收集不完整；平台性能差，导致网页响应速度极慢；每个项目数据埋点样式不同，导致数据部门无法避免二次开发。
其实数据平台的研发非常复杂，从数据采集，到数据建模和存储，再到数据分析和展现，三大步骤，再分成多个细节。一般的游戏公司很难驾驭，自己开发不仅会占用人力物力，并且很难有预期的效果。
后来我们从自建转向选型外部平台，这个过程中遇到了专业的第三方数据统计平台—— 数数科技 ，帮助我们轻松解决了业务难题。其优势在于：
- 私有化部署——保证数据安全性和私密性。
- 去程序化——统计和可视化工作，运营同学就可以胜任，脱离程序爸爸。可以保障多项目高效接入，而且任何新需求都可以快速得到数据，保证分析效率。
- 多种分析模型——帮助我们多个角度、直观的的看到问题。
- 网站响应速度快。
这是我第一次接触这类产品，觉得特别牛，能解决各种规模企业的痛点。
- 对于小型企业：开发资源都不足，没有人手来做平台。
- 对于中型企业：有人手但是经验欠缺，能否从0到1完成是个问题，而且平台多次返工肯定再所难免。
- 对于大型企业：如何满足不同类型项目的统计需求？如何能满足不同项目组的定制化需求？海量数据是否能高效统计？如何持续优化平台基础设施？
4. 我们怎么使用数数科技的数据分析平台
下面会讲一下从埋点到数据平台的使用经历。
4.1 如何收集原始数据
所有的游戏数据都来源于业务埋点，拿一款简单的闯关休闲游戏举例，我们将数据存入两个地方：用户事件表、用户信息表。
用户事件表：每当用户发生指定行为，我们就需要把这次的行为，带上一些需要的信息，存入事件表里。比如统计每日DAU，那么就需要在启动游戏时上报一条登录（Login）数据，其中包括了时间、UID。统计时，按照日期分别统计每天登录UID的去重次数即可。
有些数据每条事件里都有，我们可以管这些数据叫公共头数据，这些数据能精确的描述在事件发生时刻用户的属性。比如UID存储在公共头部分，通过该用户属性，我们能知道哪条日志属于哪个玩家。至于什么数据存在公共头，没有很明确的讲究，看个人习惯和踩过的坑。而个性化数据，只有在部分日志中出现，比如关卡ID就没必要出现在Login日志中。
用户信息表：一些伴随用户终身的数据，可以存在信息表里。比如一些基本信息，用户国家、渠道来源，广告组；比如一些业务信息，用户最后一次登录时间、总充值金额。两个表用UID关联。
需要告知程序，事件表中的每条事件什么时候发，每个值的意义、名称、数值类型，部分值有多种情况，需要标明值的含义。用户信息表也相同，需要标明数据更新时机，哪些数据只赋值一次，哪些数据需要更新。这样大幅度提升沟通效率。通过以上方式，就可以完成原始日志的收集工作。
另外，我们还可以打通广告变现平台和广告投放平台，将更多运营和市场层面的数据结合到一起，让运营、UA、广告制作团队能在一个平台上看到所有数据，将数据串联在一起。
4.2 平台常用统计模型
平台提供了多种分析模型，帮助运营同学完成各种数据统计需求。事件模型、留存模型、漏斗模型、分布模型、路径分析模型。可以借助这些工具轻松搭建平台，如果思路清晰，一个工作日就可以完成平台建设。
考虑公司产品的数据安全，以下截图来自数数科技游戏Demo。
事件模型
- 事件模型是业务上最常用的统计模型，也是最基础的统计方式。根据统计好的日志，运营同学只需要简单的编辑公式，就可以统计各种数据。核心数据这种复杂报表，几分钟就可以轻松搞定。
不仅如此，我们还可以使用属性筛选功能，实现更细节的数据分析，比如分析美国facebook用户在注册当天的充值情况，只要数据分还能细分，筛选条件就能不断追加，以满足更细颗粒度的数据分析。
留存模型
- 留存模型也是常用模型之一，分析两个事件的关联性。主要适用于以天为单位的数据走势情况，比如留存、用户生命价值、某个功能随天数的参与情况等等。拿最基础的留存来举例，我们可以设置初始事件是“Reg”，回访事件是“Login”，这样就能看到每天新用户的留存情况。不仅我们可以使用筛选功能，还可以使用分组功能，分别查看每个渠道的留存情况。
如果想对某个用户群进行下钻分析，可以通过用户分群功能，清洗出用户范围，进行更深度的分析。比如想分析facebook渠道，次日回来的用户。用户群定义中，设置用户触发Login事件的天数大于1，且用户的渠道为facebook即可。
- 筛选出这批用户后，在任何模型下，都可以将该人群设置为筛选条件，进行数据分析。
漏斗模型
- 这个模型分析转化率非常方便，设置每一步行为事件，就可以看到每一步的流失情况。
分布模型
- 顾名思义，我们可以看到某数据的分布情况。比如查询充值用户周累充分布，来分析用户充值意愿。
路径分析模型
- 这是一个非常有趣的分析方法，观测用户在多个事件之间行为串联的路径。比如玩家登录游戏后的行为顺序是什么，选定好希望分析的事件种类，然后以Login为其路径起始点，就可以得出想要的结果。
5. 游戏数据平台常见的分析维度
一个好的数据平台体系，能提升分析效率，帮助分析者梳理思考流程。平台的结构没有局限性，每个人都有自己的习惯的方法，以我自己习惯的方式，给大家介绍一下数据分析平台常见的维度。
5.1 核心数据
顾名思义，展示每个部门最关心的数据，通过宏观的大盘数据就能了解产品基本面、各自部门的KPI指标。这些数据是整个商业最终表达形态，我们也可以对此进行日常监测，能从中及时发现数据异常，再根据情况具体分析。
- 综合日报：这是我们最关心的基础数据，也是老板最关心的。每天的活跃用户，新增用户有多少？收入多少，付费渗透率如何，人均付费多少？
- 留存和LTV：市场和运营同学最关注的数据。主要关注新用户的质量？产品是否能留住用户，用户变现效率如何？
- 实时监控：今天用户登录情况如何，服务器是不是宕机了？新版本有没出大BUG？今天付费走势和前几天对比如何，要不要增加新的活动和礼包？
- BUG监控：新手引导通过率是不是正常？内购和广告成功率怎么样？崩溃率如何？
- 我们也可以使用筛选功能，查看更细颗粒度的数据。
5.2 用户分析
- 用户分析的角度比较杂，通过多个维度可以更详细了解产品数据。新用户分析，渠道分析、活跃分析、付费分析、流失分析等等。
5.3 系统分析
该模块的分析更贴近游戏具体的业务。经济体系中的货币和道具，产出、消耗、库存情况。每个玩法模块的参与情况、付费用户的喜好程度、付费贡献、货币产消。
以上是我搭建游戏产品的数据分析平台的整体思路。随着产品的持续运营，我们可以以此为基础，持续迭代，提高分析效率。
最后我想说，数据分析平台只是工具，而最终目的是帮助我们做数据归因和决策。一个好的工具，可以省去重复造轮子的时间，让我们有更多时间聚焦业务本身的思考。在数据分析的过程中，重要的是学会假设，用数据去验证观点，再用数据来检验新方向是否正确。只有这样才能在一次一次的迭代中，获得游戏的爆发增长。