大資料雲時代 遊戲分析存在4大誤區

標籤：style   http   color   strong   資料   ar   2014   問題   

　　最近幾年，大資料這個詞的火爆以及大資料技術的迅速發展，資料分析和資料採礦的工作得到越來越多企業的重視，特別是在遊戲行業，越來越多關於數 據的分析容和觀點也井噴式提出，“資料驅動下的精細化運營”，“玩家群體的定量研究”，“移動遊戲資料分析體系”等等概念的提出，可以看出遊戲的研發和運 營過程中，對資料分析的需求是無窮無盡的，相應的，對資料分析的討論也是各抒己見。而盲目過度依賴資料，或者主觀的解讀資料，帶來的損失則是無法估計的。 以下，我將結合自己的工作經曆，闡述以下資料指標會騙人和遊戲資料分析中的幾個誤區。

1.未理解資料定義，盲目比較資料

　　同行們樂於去關注關於行業各類型遊戲的benchmark，諸如S級遊戲的次日留存，S級遊戲的ARPU，S級遊戲的ACU/PCU等等一些運營常見指標，在我看來，比較是資料的價值之一，是用來衡量產品優劣差距度量最直接的方法，而資料比較是建立相同的資料擷取方法和資料指標計算方法上的。所以在比較資料前，請先明白benchmark的計算標準及資料擷取方法，這樣才能體現資料比較的意義。

2.過度依賴分析方法，沉迷於資料建模過程

　　作者在大學期間，讀的便是統計學專業，大學參加過數學建模比賽拿到較好的名次，也做過一系列諸如BP神經網路，貝葉斯決策樹或是群集等項 目，在剛接觸遊戲資料分析時，十分興奮，便用了各式各樣的方法對資料進行分析。漸漸的我發現，在實際工作中，資料分析並不像學術研究那樣嚴謹，更需要對數 據表現作出快速判斷，不需要在每次分析前都去驗證樣本群體是否符合某種統計分布，也可能不需要用“人工神經網路”等“高科技手段”去預測產品將來的使用者 數，甚至給出“A>B”的結論時也用不著做“顯著性檢驗”，考驗得更多的是對業務的理解的把握能力。所以在開展資料分析工作過程中，切勿過度依賴分 析方法，而應重視遊戲業務的把握。

3.資料是客觀存在的，切勿主觀誤讀資料

　　對於在一線工作過一段時間的同行來說，做資料分析經常會走入這樣一個怪圈，在我們提取資料的過程中，我們會看到部分的資料表 現，而且對各種各樣的現象都有了一些自身理解的結論，在這樣的思想指導下，總有方法去用資料去驗證自己的結論。在我看來，資料是客觀存在的，解讀資料也需 要秉持客觀中立的態度，千萬需要避免為了自身觀點去解讀一份資料。

4.不明確資料分析目的，模糊分析需求，分析不完整，應該做一份300%的分析報告

　　明確分析的目的及需求，比如不要將核心使用者研究誤認為活躍使用者分析。網龍的劉經理曾經跟我分享給一個這樣的案例，產品經理跟你提出做一份COC 的活動資料分析報告，去衡量活動效果，一般情況下，你會將活動前期，中期，後期的遊戲宏觀資料拿出來，然後畫圖看各個階段的表現，然後做出判斷。然後歡欣 雀躍的拿著報告交給產品經理，這樣就覺得了事了。如果從一個資料分析師的角度看來，這樣的報告是很廉價的。別人提分析需求時，可能他有10個問題，但是只 給我們描述了3個問題，我們並不能簡單解決這樣3個問題，我們應該更多的是中立客觀的從多個角度去思考這樣一個問題，然後從產品自身，產品玩家，產品運營 等等多個角度，全面的去衡量這樣一個問題，去發現潛在機會，然後做出一份300%的分析報告，而不是100%。