萬字長文詳解手游類產品的數據驅動方法

來自專欄遊戲用戶行為分析

第一章數據驅動的意識

1.1遊戲行業為什麼需要依靠數據驅動？

遊戲廠商現在面臨一系列的挑戰：政策收緊、頭部效應明顯、小遊戲流量分流、新玩家增速減緩、玩家獲取成本越來越高，資訊類、短視頻類產品等搶佔玩家時間的非同行競爭也日趨激烈。

據統計，傳奇類與仙俠類產品的買量價格先後過百，在ios平台買量價格破兩百的情況也屢見不鮮。獲客難，利潤薄已是大部分遊戲廠商不得不面對的行業現狀，通過買量和粗曠運營的方式已經難以為繼。

在此情況下，提升用戶留存、ARPPU和LTV，通過精細化運營實現用戶與業務增長的方式，成為越來越多公司的選擇。實現精細化運營的基礎，是對渠道、產品和用戶的全量數據，有準確、實時而全方位的認識，即通過數據驅動增長。在各個行業，數據驅動都受到了前所未有的重視。

運營效率高、單位獲客成本低、用戶活躍度高、用戶留存時間長的遊戲企業，能形成天然的行業競爭壁壘。而要實現這些，通過數據分析進行產品的精細化運營、營銷與產品迭代至關重要。

比如買量投放，是否需要知道不同渠道上單個用戶的獲取成本與LTV？比如用戶留存，不同渠道來源的用戶，哪些渠道來的用戶質量更高？比如活躍用戶與非活躍用戶的區別主要是屬性差異還是行為差異？比如用戶流失是渠道導的量不行，還是產品核心玩法未被體驗？這些都是遊戲投放、運營和版本迭代時的數據驅動應用。

簡單測試你的團隊是否擁有數據驅動的思維：

1. 是否建立了公司/各部門核心運營數據的儀錶盤？
2. 在研發中和運營中的產品是否有核心數據的儀錶盤？
3. 開會溝通中是以「我認為」、「我覺得」打頭，還是以「經過對上周用戶數據的分析」、「經過對比測試」來說明問題？
4. 對於你的業務，如何從數據出發找到增長點？
5. 你的核心用戶與產品的交互流程是否流暢，數據如何支撐？

如果你的團隊已經建立了良好的數驅思維，這份白皮書分享的方法與工具能夠幫你進一步理清思路、提高效率。如果你的團隊尚未建立數據驅動的體系，這份白皮書中的數驅場景、優秀的數驅應用案例，也可以為你提供思路上的參考。

1.2遊戲如何實現數據驅動？

對於遊戲行業，有價值的數據主要分為三種，流量數據、玩家行為數據與遊戲輿情數據，分別對應了市場買量、遊戲運營與產品口碑三個決定遊戲生死的核心事項。

流量數據是指不同渠道買量的用戶基數、轉化率、轉化成本，通常掌握在第三方手中，通過用戶畫像與標籤體系進行投放篩選，CPC、CPM、CPA等方式進行計價銷售，遊戲CP、發行商可控性不是非常強，對於不同渠道來源的用戶，哪些會轉為高頻活躍用戶、哪些轉為核心付費用戶的分析也不夠細緻。

玩家行為數據指的是玩家在遊戲當中的行為，比如組隊、升級、充值等。因為遊戲業務的複雜性，和遊戲玩家的活躍程度，這類數據體量非常大。因為量大，所以很多遊戲公司只記錄少部分數據，或者只是保留一段時間的數據，比如最近三個月的行為數據，這就導致如果要做精細的玩家行為分析就難於實現。

遊戲輿情數據是指遊戲玩家在論壇、貼吧、渠道以及遊戲內各聊天頻道的言論數據。這類數據內容龐雜，質量不一，在分析之前通常要利用演算法做一層過濾，把無效信息剔除掉。再利用文本挖掘和自然語言處理的技術對有效反饋做數據挖掘，識別出玩家的觀點和態度，用於指導產品版本迭代，同時也為我們了解用戶，把握用戶需求提供了科學依據。

那麼，如何實現遊戲的數據驅動呢？

首先，要具備數據意識。你可能已經聽說過增長黑客、精益創業、MVP，其背後都隱藏著一個重要的基礎：數據。阿利斯泰爾·克羅爾和本傑明·尤科維奇在《精益數據分析》一書中對數據的價值進行了詳細的論述和說明。如果沒有數據意識，其它都是空談。

其次，要培養團隊的數據分析能力。如何把業務和數據結合起來，找到業務的優化點和增長點，是一項非常重要的能力。分析能力的提高非一朝一夕之事，它往往來自於業務層的深度挖掘和思考，需要培養和積累。此外，它山之石可以攻玉，行業內案例的交流和分享是一種不可多得的好方式。

最後，數據分析的工具。受限於傳統數據分析平台的性能問題，在日常的工作中要完成一個專項的數據分析任務需要一到兩周的時間，而且大部分時間都花在「等數據」上。因為數據不能便捷，實時地獲取，導致數據分析的效率低下，久而久之，看數據做決策的意識也就淡了。所以，一個高效、專業、靈活的數據分析工具非常重要。

以上三點，我們把它總結為數據驅動的道、術、器。要落地數據驅動，三者缺一不可。這也是數數科技的戰略重心，提高行業的數據意識，增強行業數據分析的能力，並提供專業的數據分析工具。在遊戲行業，把流量數據、玩家行為數據和遊戲輿情數據完整地結合起來，充分發揮數據的價值，以提高整個行業數據驅動的能力。

第二章數據驅動的方法

通常，數據分析流程可主要分為數據採集、數據傳輸、數據存儲、數據分析和數據可視化幾個大的步驟。其中，在數據分析環節，不同的行業有不同的方法論，以下介紹一個較為通用的模型：海盜法則（AARRR）。

產品在不同階段，需要關注的數據不同，海盜法則將其分為五個步驟：用戶獲取（Acquisition）、激活（Activation）、留存（Retention）、營收（Revenue）、推薦（Refer）。

1. 獲取環節：主要對渠道進行分析，判斷渠道用戶匹配度、單位獲客成本、獲客效率；
2. 激活環節：尋找到活躍用戶，仔細查看其行為序列，有必要的時候對活躍用戶進行訪談，定義產品調性的往往是初期的活躍用戶；

3. 留存環節：健康的增長，不是拉新1000流失500，所以對用戶留存的關注就非常關鍵；

4. 用戶增長：在此基礎之上，為用戶設計喜愛的病毒傳播因素，往往能讓用戶成指數級增長。

那麼從落地角度，如何做好用戶的分析，以實現高獲取、高活躍、高留存、高轉化與高增長呢？

• 首先，需要設計精細的數據採集方案，打好企業數據驅動基礎。
• 其次，需要掌握常用分析模型，根據運營和產品需求進行多維深度分析。
• 最後，借用合適的數據分析系統、學習優秀的數據驅動案例，在實踐中不斷優化。

2.1構建全面、精細、實時的數據採集體系的實戰方法

一般而言，遊戲行業整個數據分析的過程主要分為以下五步：

數據採集作為整個流程的基礎，採集的質量在數據分析的過程中將起到決定性作用。常用的玩家數據可分為屬性（User）數據與事件（Event）數據，而常用的數據來源主要包括客戶端、服務端、業務數據與歷史數據。

在遊戲產品中，玩家所產生的數據相對其它互聯網行業更為頻繁與複雜。針對遊戲產品，以下三步教你構建有價值的數據採集體系。

2.1.1全面的數據源

通過客戶端SDK進行數據採集的方式，在遊戲行業已經使用數年，然而受制於客戶端網路狀況的不確定性以及數據的有效性，僅通過客戶端進行數據採集，往往會導致最終的分析結果存在誤差並且深度有限，無法滿足精細化運營的需求。相反，作為整個遊戲上帝視角的伺服器端所輸出的數據顯然更為準確深入，對於一些精確度要求較高的數據，建議使用服務端日誌作為原始數據。

當然，客戶端採集的方式也有其不可替代的價值，除了接入方便以外，玩家的部分客戶端點擊行為往往不會通知伺服器，而這類行為可能恰恰反映了玩家的操作習慣，適合通過客戶端進行採集。此外，除了上述兩種數據源，遊戲的業務資料庫、歷史遊戲日誌、第三方數據源等都可以在數據分析過程善加利用，提供價值。

基於各種數據源本身的特性，選擇合適的接入方式所產生的數據方能全面精準地重現玩家在遊戲各個時間段內的具體行為，夯實整個數據分析環節的數據基礎。下面可以一起看下每種數據源的特性及其常用的採集方式。

由上可見，每種數據源都具有其不可替代的方面，我們應該跳出客戶端埋點即遊戲數據採集的固有思維，真正理解並運用各項數據源。當然，在融合不同數據源時，也存在很多「坑」，簡單地舉兩個例子：1、不同數據源數據格式及含義都不同，需要做統一的數據ETL處理，從而能夠在同一系統內交叉分析。2、不同數據源可能存在同類型的玩家行為記錄，在採集的過程如不加梳理，反而容易使得後續的分析過程變得繁瑣，所以在埋點的時候，對其進行有效地梳理工作，能夠大幅提高數據埋點的質量。

2.1.2精細的數據維度

在其它行業的數據分析領域中，經常強調無埋點的數據採集方案，但無埋點僅採集標準化的用戶交互數據，在數據維度的層面會有很大的缺失，例如無埋點採集能夠獲取用戶購買的點擊行為，但無法得知用戶具體購買了什麼商品，導致數據深度不足，分析的深度也隨之降低。

遊戲玩家的行為模式遠比其它互聯網行業的用戶複雜的多，因而在數據採集的過程中，不僅需要關注數據的全面性準確性，數據維度也非常重要。舉個例子：在採集玩家開始戰鬥行為的同時，除了事件本身，

建議將關卡ID、難易度、出戰卡牌、角色等級、角色職業等相關信息一併落地，這樣不僅能夠分析玩家對於關卡的粘度，更可以通過這些維度發現關卡難度的平滑程度、卡牌的使用率及強度、角色的強度等等問題。

以下是遊戲中部分主要玩家行為及其維度建議的案例，僅供參考：

基於上表，可以發現其實絕大多數的數據維度都是在代碼埋點時唾手可得的，並不會添加多餘的工作量，但基於這些維度，後續可分析的角度及深度將大大增加。多維度的數據能夠為後續分析的深度提供保障，使分析過程不再局限於簡單的事件統計，而是從各個角度去了解掌握玩家。

2.1.3實時的數據流轉

數據實時性的重要程度是不言而喻的，無論是在伺服器或活動的開啟、還是廣告的投放，都需要根據實時數據做出快速的反應，然而這一點往往也是很容易忽略的，數據分析人員一般認為客戶端SDK在玩家產生數據後，短暫的延遲後即發往數據接收端，基本上可以說是准實時的，但卻忽略了一個嚴重的問題，即數據流轉時間。數據接收端的確准實時地收到了數據，然而這些數據是否可以實時查詢，是否已經聚合到各個統計維度中，如果整個數據分析系統的數據流轉是有延遲的，H+1甚至是T+1的，那麼數據的實時性便無從談起。

所謂實時的數據流轉並不是指數據實時地從源端發送至數據接收端，而是指從數據的產生到數據真正應用於分析的整個過程是否是實時的。

實時的數據流轉一直是數據分析中的一大課題，雖然各種分析工具中都有所謂的實時統計模塊，但也僅僅是基於一些簡單的重要的常規指標，例如DAU、當日充值等數據的展示，其覆蓋面顯然是不夠的。開服過程中，運營人員需要實時地監測各個模塊的實時情況，而非僅僅登陸和充值，譬如玩家新手階段轉化情況、首次充值時間、開服活動的參與，這些數據越早獲取對運營決策的幫助越顯著，而大多數分析工具往往要第二天才能輸出該類數據。

目前對於實時的數據流轉主要採用了流式數據處理方式，而與之對應的則是之前常規的批量計算方式，其主要區別如下圖：

推薦採用流式計算方式：

1. 與批量計算慢慢積累數據後按批次計算不同，流式計算將數據計算平攤到每個時間點上，連續地進行傳輸，數據持續流動。
2. 計算結果上，批量計算對全部數據進行計算後落地結果並展示，流式計算是每次小批量計算後，立刻應用於在線系統，實時化展現。

流式計算看似與數據採集關係不大，實則息息相關，沒有實時的數據流轉，那麼數據的實時傳輸也將沒有意義。

可以說要想數據分析做得好，優質數據不能少。完備的數據採集體系至少是符合以上三個特性的，全面、精細、實時，基於此，後續的數據分析才能事半功倍。

2.2遊戲行業最常用的5種分析模型

數據分析的基礎模型涵蓋方差分析、因子分析、回歸分析、主成分分析、聚類分析、邏輯回歸、用戶細分等等，遊戲運營的數據分析通常依據AARRR海盜法則相對精簡，業內常用的數據指標體系可分為新增、活躍、留存、付費四大板塊，相信大家對這類的宏觀指標都比較熟悉，這裡就不展開介紹。

這裡我們將介紹在遊戲數據分析領域常用的5種數據分析模型。通過這些模型，分析師可以把數據與玩家行為、市場投放、運營活動等因素結合起來，分析用戶行為習慣，了解不同用戶的群體特徵，找到產品的優缺點，挖掘用戶的潛在需求，為優化市場投放策略，制定運營方案和產品版本迭代提供科學依據。

2.2.1事件分析

• 事件分析的定義

事件分析是用來分析某一行為發生數量與趨勢變化的模型，用戶（USER）在項目上的任意行為定義為事件（EVENT）。事件可以通過埋點進行採集，利用採集到的數據直接對某一事件進行統計、計算、歸類、展示時，稱為事件分析。

• 事件分析的作用

利用事件分析模型的統計、計算、歸類和展示能力，可以分析一段時間內，指定群體產生特定行為的趨勢情況。從而對事件的影響和走勢變化能夠宏觀把控，優化決策。

• 事件分析的業務場景

實際分析過程中，通過事件選框選擇待分析的事件組，通過維度進行多分組同時展示，通過篩選條件下鑽限制指定群體特徵。通過時間、分析頻率確定分析的適當範圍，通過圖表樣式適應需要的表達形式。以遊戲付費事件舉例來說，可以解決如下問題：

1. 每日的總流水金額趨勢圖，今日實時的流水情況。
2. 上周各渠道的每日流水趨勢，各渠道的流水分布情況。
3. 來自上海的用戶，最近一月人均付費金額的變化趨勢。
4. 對比上海和北京的用戶，最近半年在購買會員卡上的付費次數與金額情況。

2.2.2留存分析

• 留存分析的定義

留存分析是一種專門分析用戶參與情況、活躍情況的模型。

留存分析考查進行過某項初始行為的用戶，在一段時間後進行回訪行為的人數和比例，並可以對留存或者流失的具體用戶進行下鑽跟蹤。

• 留存分析的作用

通過初始行為和回訪行為的設置，可以靈活分析不同初始行為下，用戶的整體參與程度、回訪情況。根據回訪行為的表現情況進行分析，探索和尋找「流失點」，從而對事件的影響能進行宏觀把控，優化決策。

• 留存分析的業務場景

實際分析過程中，先確定需要分析的初始事件和回訪事件，並通過篩選條件下鑽限制指定群體特徵。結合待分析的時間區間可得到在特定時間後的留存表和留存率趨勢。

以新用戶獲取到消費轉化舉例來說，可以解決如下問題：

1. 新用戶登錄後的次日，登錄活躍的人數和佔比情況。
2. 新用戶登錄後的7日內，消費轉化，且消費金額達到200元的人數和佔比情況。
3. 上海新用戶登錄後的1個月內，實現消費轉化的人數和比例每日趨勢變化。
4. 一線城市新用戶登錄後的1個月內，進行登錄，且消費金額達到200元的人數和佔比情況。
5. 新用戶登錄後的次日，沒有登錄活躍的人數和名單。並查看他們的行為軌跡。

2.2.3漏斗分析

• 漏斗分析的定義

漏斗分析是一種分析用戶一系列行為流程的轉化模型。

漏斗分析考查指定用戶群組，在完成了一系列行為流程後的轉化人數和轉化率，通過它可以分析每一步行為過後的轉化情況。

• 漏斗分析的作用

利用漏斗的特性，可以幫助分析師快速掌握一段時間內產品在各個步驟環節中的轉化情況，並且可以對不同分組的用戶漏斗情況進行對比。從而達到找到轉化短板、查缺補漏、優化轉化流程的目的。

• 漏斗分析的業務場景

實際分析過程中，先選定需要分析的行為步驟組，確定每一個步驟的特定篩選條件，並且可以對不同分組的用戶漏斗情況進行對比。根據每個步驟的轉化情況進行分析，從而達到找到轉化短板、查缺補漏、優化轉化流程的目的。

漏斗分析創建的越細緻越能找到重關聯的事件可優化的短板，從而實現精細化運營。

以渠道投放到消費轉化舉例來說，可以按如下步驟創建簡易的漏斗：

渠道投放——新用戶獲取——用戶登錄——開始新手教學——完成新手教學——開始戰鬥——充值消費

1. 可以分析上述每一步的單步轉化情況，確定漏斗短板。
2. 可以對比不同渠道的用戶在各步驟的轉化差異，從而優化投放策略。
3. 策略優化後，可以監測各步驟轉化率的變化，從而確定優化的效果。
4. 可以下鑽分析完成或流失用戶的行為序列，從而找到轉化共性。

2.2.4用戶群分析

• 用戶群的定義

用戶群是一種將具有相同用戶屬性或行為特徵的人匯總並歸類的分析手段。

用戶群模型利用用戶的屬性或行為特徵，定期將特定人群歸類。歸類後的人群可以作為各個模型中篩選活用的基礎。

• 用戶群的作用

將具有共同特徵的人組成用戶群後，可以通過各種分析模型宏觀了解人群的群特徵，並微觀洞察具體用戶的行為序列軌跡。利用用戶群在行為上的對比，來發現哪些因素影響短、中、長期的留存及收入，以對用戶群進行精細化運營和定製營銷策略。

• 用戶群分析的業務場景

實際運用過程中，先選定需要限定的用戶屬性或行為特徵，並根據需求選定用戶群列表是否需要動態更新。利用設置好的用戶群，可以在其他模型中靈活運營。

以遊戲場景來說，可以創建如下的簡易用戶群：

1. 大R玩家：用戶累計付費超過200000元
2. 新手期玩家：在最近7天做過用戶註冊事件，且用戶等級小於20
3. 首日充值用戶：用戶充值次數大於等於1次，且收否首日充值為真
4. 節日活動參與用戶：參與活動類型為節日活動，且大於等於1次
5. 近期流失核心用戶：在最近7天沒做過任意事件，且在最近14天做過任意事件大於等於1次，且用戶等級大於30

2.2.5屬性分析

• 屬性分析的定義

屬性分析是一種專門分析用戶屬性的統計與分布情況的模型

屬性分析模型按照用戶屬性進行歸類，可以同時查看不同分組值用戶的統計數與分布情況。如查看用戶在各省的分布情況、用戶的年齡分布情況等。

• 屬性分析的作用

利用屬性的統計與分布模型，可以快速描繪出整體用戶群的用戶畫像。多角度、全方位的掌握指定用戶群的特徵，宏觀上把握整體用戶的組成與偏好，從而為精細化運營提供依據。

• 屬性分析的業務場景

實際運用過程中，先選定需要分析的用戶屬性項目，再選擇進行分組查看的屬性如省份。最後選擇合適的分組值與圖表樣式即能呈現需要的用戶畫像，為精細化運營提供依據。

以遊戲場景來說，可以得到如下的用戶畫像信息：

1. 各省份用戶數量的分布情況
2. 20歲以下用戶，在不同玩法下的消費鑽石情況
3. 在多個渠道上，各種機型的分布數量情況
4. 對比大R、中R、小R群體，在用戶等級上的分布情況

第三章數據驅動的工具

在做數據分析的時候，你是否碰到過下面的情況？

1. 前期數據採集規劃不夠精細，無法進行深度下鑽分析
2. 由工程師手動寫SQL、拉數據，數據需求優先順序不高，一等再等

3. 用戶增長迅速、數據量龐大，一次分析需要耗時幾天

4. 針對分析結果需要做進一步分析的時候，還要再走這樣一個循環，導致數據分析速度落後於實際業務需求

據調查，數據分析工作中，團隊在基礎的數據埋點、處理與分析等待上花費的時間佔據了90%，只剩了10%的時間通過結合業務場景尋找規律。所以前面介紹了數據分析的方法，但是要具體執行起來並非易事，其中最大的難點在於如何快速獲取數據。國內很多第三方的數據平台只解決了「看數據」的需求，並沒有滿足「分析數據」的需求。一個是靜態需求，一個是動態需求，二者在實現的技術和理念上有著本質的不同。

工欲善其事，必先利其器。這個時候，有沒有一款工具可以把內部團隊從繁瑣的數據採集、數據清洗、數據表管理、數據拉取和手動分析的苦力中解放出來，從而讓業務人員把更多的精力投入到更能創造價值的用戶數據洞察中去？

數數科技自主研發的ThinkingAnalytics(用戶行為大數據分析系統)和RosettaCloudService(玩家輿情分析系統)便應運而生。

以下主要就數數科技TA遊戲大數據分析系統和RCS玩家輿情分析系統特點做簡單介紹，可登錄官網或關注公眾號了解更多。

3.1數數科技TA遊戲大數據分析系統

ThinkingAnalytics用戶行為大數據分析系統，平台覆蓋數據採集、計算引擎、數據加工、數據分析、機器學習、數據應用等數據生產鏈條的智能處理系統服務平台，提供一站式全方位的用戶行為數據分析服務，為企業提供最精準、最全面的數據分析服務。

3.2數數科技RCS遊戲輿情分析系統

Rosetta Cloud Service輿情分析系統，藉助人工智慧技術全面分析海量輿情，全面深度解讀用戶心聲，為產品迭代和運營優化提供科學依據。

利用口碑分析可以了解遊戲輿情生態、分析新內容反饋、實時問題預警、識別騙子，優化遊戲環境、競品與用戶畫像。了解用戶想法，結合數據表現分析，達成指導優化產品的目的。

第四章數據驅動的案例

前面所有的內容，其最終目的都是以數據驅動業務增長，但是數據本身無法自動帶來增長。數據驅動的意義，是從數據中能夠找到更好的獲客渠道、更讓用戶產生付費的功能、更能讓用戶持續產生心流的體驗等等。在找到這些眾多要素後，不斷的放大這些要素，以形成快速增長的勢能。

例如，在市場方面：如果發現信息流投放最優效果，就在此渠道適當增加投入；在產品方面：如果發現用戶在核心玩法的轉化上不足，就應該對產品層次結構進行優化；在運營方面：如果發現這次的運營活動效果比上一次的活動效果要好，那麼應該重點分析兩次活動的差異點，並找到下次可以再次優化的內容，為下一次活動方案提供數據支撐。

不過，需要強調的是，數據不是萬能的。有些事情是通過數據也沒法達成的，比如數據有時候無法告訴我們為什麼，這個時候需要人的思維參與歸因。大部分情況下，我們通過對數據的分析和業務結合，都可以找到問題發生的原因，不論是市場、運營、還是產品都有特定的分析路徑。所以，針對行業的不同場景下的分析思路和分析方法就非常重要。

以下分享一些優秀的數據驅動應用案例:

• 電魂網路通過數據判斷渠道質量、定位用戶流失節點
• 廣州游愛通過多維數據分析提升產品收益
• 晨之科通過數據驅動產品優化
• 火溶信息應用TGA系統實現500維度、百億級數據實時分析
• 天神互動通過事件、留存分析判斷道具與活動效果

4.1電魂網路通過數據判斷渠道質量、定位用戶流失節點

4.1.1公司介紹

杭州電魂網路科技股份有限公司（以下簡稱電魂）是一家年輕而有活力的互聯網公司，是集創意策劃、美術設計、技術研發、產品開發、遊戲推廣、運營維護、海外合作於一體的遊戲開發商、運營商。公司成立於2008年9月，公司擁有國內資深的遊戲研發團隊，有極強的凝聚力與創造力，在產品的研發上有豐富的經驗，且對遊戲製作有著深刻認識和獨特見解。

4.1.2數驅場景

• 實時監測H5遊戲開服引流情況：

由於H5遊戲對於渠道質量的把握尤為關鍵，通過實時的數據分析能夠有效監測H5遊戲開服引流狀態，定位渠道質量，快速優化測試產品及渠道投放策略。使用過程中，基於流式的數據流轉機制，實時查看預設的各類指標數據，從而在整個開服過程中能夠及時發現數據異常，進一步下鑽分析並定位問題。

• 定位玩家流失節點：

H5遊戲本身留存能力不如其它遊戲種類，因而需要重點關注任何可能導致玩家流失的原因節點。通過留存模型及漏斗模型，能夠清晰查看各類玩家的留存情況並逐步排查可能導致玩家流失的關鍵節點，進而針對一些轉化情況不如預期的節點重點優化，提升遊戲整體留存情況。

4.1.3數驅效果

電魂公司不僅獲取遊戲上線後的實時狀態，並且在發現異常數據後，快速定位到了遊戲中的如下bug：

某日測試產品上線某大型渠道，上線後發現新增用戶較多，但實時在線用戶始終處於較低水平，遠遠低於該產品在其它渠道的表現，發現異常情況後，運營人員通過漏斗分析模型，發現玩家從創建角色到新手引導部分的轉化率極低，懷疑是在載入界面時出現異常，隨後在漏斗分析中添加了兩個事件間的中間步驟進行逐步排查，最終發現在載入過程中的登陸事件異常，存在bug，導致部分玩家無法成功完成載入並進入新手引導，從而流失。

在修改了登陸問題後，玩家轉化率顯著提高並恢復了正常情況，在整個分析過程中，依賴於TGA系統的實時性及高效的個性化分析模型，從多個角度掌握遊戲數據的當前狀況，並從數據的角度定位到遊戲中的bug及異常，為遊戲正常運營保駕護航。

4.2廣州游愛通過多維數據分析提升產品收益

4.2.1公司介紹

廣州游愛網路技術有限公司於2011年12月正式成立，是一家集遊戲研發與市場運營於一體的手機遊戲公司。公司自成立以來，專註於手機遊戲的開發，傾力打造高端精品手游，公司所推出的《風雲天下OL》、《風雲天下·重燃》、《國戰來了》、《比武招親》、《五虎將》、《塔王之王》、《大秦之帝國崛起》等遊戲在市場上早已深受廣大玩家的喜愛及好評，並且多款遊戲的流水量已達千萬級別。

4.2.2數驅場景

• 觀察不同付費能力用戶對新系統的接受程度

《大秦之帝國崛起》會經常上線新的副本，對新系統往往有大量數據分析的需求。若在原有的數據分析系統下，需要定製化開發大量的腳本來監測新系統的玩家反饋情況。游愛通過數數科技的TGA系統，迅速應用事件分析模型實時監測不同VIP等級玩家對新系統的接受程度。

例如該手游新出了強化石副本，打副本可以獲得強化石，打完副本之後翻牌子還能額外獲得強化石。每次副本有三次翻牌子的機會，首次翻牌免費，後續翻盤會消耗充值貨幣，也可以消耗充值貨幣購買額外打副本的機會。這個時候需要觀察不同VIP等級的玩家購買額外副本次數的情況，以及他們翻牌子的情況。

• 參與玩法A的玩家後續表現

評估一個玩法效果的重要指標是監測參與了這個玩法的用戶後續的留存和付費情況。在老的系統中，雖然從宏觀角度能輕鬆查看所有用戶的留存和付費，但是針對細分人群卻耗時耗力，在TGA系統中結合用戶分群和分析模型能夠輕鬆定位細分人群的留存和付費情況。

例如某某遊戲新上線了玩法明城站，那麼在用戶分群中可以輕鬆定位出這批玩家。

結合留存分析模型，輕鬆查看這組玩家的留存狀況。

結合事件分析模型，也可以輕鬆拉取這組玩家的付費狀況。

4.2.3數驅效果

• 產品改進更具有針對性

通過對新上線玩法靈活多維度的分析，快速定位新系統的問題，為下一個版本的修改指導明確的修改建議。

• 實現細分人群的精細化分析

通過對不同人群的精細化分析，讓後續的運營活動更具針對性，節省遊戲內資源開銷，促進用戶付費的轉化。

4.3晨之科通過數據驅動產品優化

4.3.1公司介紹

晨之科公司專註於二次元產業，引領行業創新。作為二次元文化產業的領軍者企業，晨之科深耕於產業鏈的每個垂直領域，旗下業務涵蓋IP源頭內容打造、IP衍生業務、遊戲研發與發行、用戶社區、線下演出及主題遊樂等。

4.3.2數驅場景

數數科技曾經幫助晨之科公司的多款主力產品進行數據分析，比如《姬斗無雙》、《大話許仙》、《妖怪名單》等，近來晨之科的精品遊戲《幻想計劃》也接入TGA系統，而在遊戲剛剛上線的時候，分析人員通過TGA系統，發現遊戲新增玩家的留存情況不太理想，因此使用多種分析模型探究原因。

4.3.3數驅效果

通過對遊戲初期流失的用戶進行分析，發現流失用戶大量駐留於遊戲中前期的某關卡，進而對駐留於該關的流失用戶進行下鑽分析，發現其強化道具的消耗、獲取嚴重不平衡，因此進行及時進行補救措施，提高前期強化道具的獲取，新用戶留存在更新後迅速提升，駐留情況明顯好轉。

4.4火溶信息應用TGA系統實現百億級數據實時分析

4.4.1公司介紹

上海火溶信息科技有限公司是專註於移動領域創新遊戲的研發企業，主要產品有《啪啪三國》、《龍戰爭》以及《龍門鏢局》等。

4.4.2數驅場景

火溶網路對於數據採集非常重視，因此有大量的事件埋點以及屬性維度，將近一百個不同的事件，超過

五百個獨立維度，每天的數據量以億計算，如此龐大而複雜的數據結構，對於數據分析系統的要求非常之高。火溶科技的分析師使用自建系統進行數據分析，往往會遇到分析深度不足，維度不夠，數據處理效率低下等問題，難以發揮豐富數據的價值。

4.4.3數驅效果

在使用TGA系統後，詳盡的數據積累發揮出更大的作用，以數據處理效率為例，比對TGA系統及自建系統在進行同樣規模查詢的耗時，自建後台需要消耗40分鐘左右，而TGA系統做到秒級響應，而像漏斗分析這樣的複雜分析，自建系統往往需要將近一天的時間，而TGA系統仍然可以在秒級完成。

4.5天神互動通過事件、留存分析判斷道具與活動效果

4.5.1公司介紹

天神互動成立於2010年3月，2014年7月獲得證監會批准上市，股票代碼002354。公司始終堅持以用戶為核心，不斷創新發展。在產品研發方面，出品了《傲劍》《飛升》《蒼穹變》《夢幻Q仙》等多款熱門頁游產品，以及《全面破壞神》等多款代表性移動網遊產品，深受玩家好評。

4.5.2數驅場景

• 錯誤道具使用追蹤

當大量新的道具上線時會難免會出現一些問題，例如本身計劃在新版本上線的道具，不巧在這個版本錯誤上線，這樣的問題一旦發生會對遊戲環境造成很大的破壞。那麼如何快速定位錯誤道具的影響範圍，為後期修改版本提供建議。天神互動藉助TGA系統快速查詢使用該錯誤道具的玩家等級分布。清楚定位使用該道具的人群分布，並對道具進行回收。

• 活動效果監測

上線新的活動是遊戲運營非常重要的一部分，關於活動效果的監測，需要及時並且多維度地獲得更多的數據，一來量化此次活動的目的是否達成，二來為後續活動提供建議。天神互動藉助TGA實時靈活的查詢活動各個維度的數據。利用事件分析模型輕鬆查看上線新活動各渠道的參與情況：

4.5.3數驅效果

通過數據分析及時掌握誤上線道具使用情況，調整遊戲內資源分配。

量化活動效果，為總結活動效果提供數據依據，為新活動提供準確的建議。

可關注「數數科技」公眾號，免費獲取白皮書完整電子版與紙質版。

關於數數

數數科技(ThinkingData)，是國內領先的用戶行為分析與人工智慧輿情分析解決方案提供商，致力於幫助客戶提升數據意識、增強數據分析能力，並提供安全、高效的大數據分析系統，賦予客戶數據驅動的能力。