原文地址：http://www.gameres.com/778411.html

一、無力的數據分析師

數據分析團隊幾乎開始成為所有手游公司的標配，誰都覺得自己應該建立（接入）一個數據分析平臺，然后招幾個數據分析師，似乎不這么做，都不好意思說自己是互聯網圈的。

But，你認真想過：

我真的需要建立數據分析團隊嗎？

行業的公司對數據分析，常見有這么幾個觀點：

1、我招一個會取數的就好，我叫他取數據，做一些簡單的處理，我來分析，就足夠解決我工作中的問題了。

2、我一定要對我產品的數據了若指掌，而且越細肯定越好，這樣我就會知道產品哪里有問題，怎么改，這樣才（就）能幫助我修改我的產品。

3、我是一家大公司，又不是獨立開發者這種窮鬼，怎么會去用第三方統計平臺這種功能標準化的玩意？我一定得建立一套自己的分析平臺，最好是BI系統。

4、數據挖掘已經很成熟了，如果我招到一個這方面的高手，他一定能 搞出一套套模型來幫助我提升留存、提升付費率。

其實上面幾種說法都沒錯，但是，你真的知道數據分析能夠解決什么問題嗎？哪些是你想要的？還是你只是追求安全感走一步是一步？

數據分析的四大期望——觀察、詮釋、評估、應用

所以你覺得招一個數據分析師，最重要的是幫助你解決哪些問題呢？

我問過不少人，他們一般說：

首先是詮釋；

（知道發生了什么沒啥用啊，知道為什么才重要啊！要不我怎么改呢？）；

其次是應用；

（這個最直接能為我提供收益啊，如果能有當然最好啦）；

觀察和評估這2個不難，現在很多第三方平臺都能幫我做啦，我自己定義下，程序也可以幫我弄一個平臺呀。

對不起，恰恰是這2條是最難達到的！甚至達到也是會讓你失望的！

關于詮釋：耗時耗力，且不一定能很好的詮釋！

案例：發現3日留存不夠理想，想知道是什么造成的。

數據分析師：2-3年工作經驗（5年以上分析師一般已經不親自干這種活）

常見工作流程：

1，發現異常

需求：需要一個數據平臺，或定期取數觀察此數據

操作：定期觀察數據

2，提出假設

需求：需要一個有業務理解的數據分析師

操作：

列舉3日時，玩家通常等級、接觸的玩點：

熟悉——直接列舉；

不熟悉——預研究（取數、統計觀察）

猜測玩家流失可能原因：

某類必備道具或能力由于種種原因未能獲取，導致游戲進度困難流失。

某個關卡未能通過，卡住玩家，導致流失。

3，取數

需求：1、數據倉庫；2、配套數據倉庫維護員；3、具備數據庫操作技能；4、常見相關記錄如 登錄數據、任務接取情況、等級、金幣、裝備、寵物……

操作：

取出以下數據：

注冊表、登錄表（按日）、登錄明細表、相關任務Log、等級表、金幣表、裝備相關表、寵物相關表。

4， 清洗

需求：具備數據庫操作技能

操作：

清洗得出以下數據：

是否第三天流失、任務是否接取、任務是否完成、任務完成時間、最后停留等級、最后庫存金幣、最后裝備分布、最后寵物狀況

5，分析

需求：有基本的分析能力

操作：

對比流失與非流失玩家在第三日時，各項關鍵游戲數據、各個任務接取率、完成率

繪制各等級流失率數據，觀測流失高峰

按任務的序列繪制流失率數據，觀測流失高峰

6，撰寫報告

需求：有報告撰寫能力

結論來了！！！在第三日的時候：

流失與非流失玩家，各項關鍵數據未見明顯差異，各任務接取率、完成率未見明顯差異。

22-25級的流失率相對較高，有一個偏高的峰。

按任務序列未發現明顯流失高峰。

悲催的真相

悲催的可能性（一）

玩家在22-25級左右會在某張地圖打怪，而這些怪附近恰好有其他較高等級的任務怪，高等級玩家在附近做任務就刷掉了所有怪，導致22-25級玩家升級緩慢，無聊了一整天，自然就流失了。

悲催指數：三星

理論上分析師要是敬業一些順著22-25級流失率偏高往下挖是可以抓到的。

其實如果是這個原因根本不用那么麻煩，下一章會詳述。

悲催的可能性（二）

其實就是這游戲太膩味了，玩家覺得沒啥新鮮感，到了第三天自然流失罷了，留下的那些玩家只是恰好比較有耐心而已，為什么集中在第三天流失，只是因為第三天開始重復程度比較高，已經沒有新鮮玩點、以及目標感支撐……

悲催指數：五星

這個殺了分析師也研究不出來，就算他猜到了，也沒法證明。

上面是一個非常常見的數據分析師日常案例，在這個案例中，我們可以看出：詮釋一個異常數據的原因，對于數據分析師是一個冗長的工作流程，而且不一定能很好的詮釋。

即使能準確詮釋，很可以意義也極為有限。

例：我們經常通過對關鍵節點埋點來發現流失高峰，并且找到這些關鍵流失的問題，并且調整解決它，從而削掉這些高峰。

但是不知道大家有沒有在實戰過程中發現這樣一種現象，你削掉了這些高峰之后，絕大多數情況下，只是讓流失節點的數據變得平滑了，而整個留存數據也只是變得稍微緩和了一些，并沒有改變整個留存曲線的大的態勢。

這又是為什么呢？下一章會詳述。

關于應用：不要迷戀哥，哥只是個傳說！

【應用】涉及更加復雜的數據挖掘模型與算法，也就意味著更高端的人才，更長的研究周期。我簡單舉個例子說明：

一個悲催的真實案例：

我的一個好友，也是數據分析行業的大牛了，他的團隊給一款手游做了一個分層激勵模型，并且部署上線，這個模型的效果是讓付費率提升了200%左右，這已經是這類模型的經典戰例了，可以說是效果顯著。

但是實際對游戲收入的提升僅僅只有2-3%，原因很簡單，因為這款手游的大R影響力太強大了，那些小R即使數量翻了一番，也根本無法影響到大局。

數據挖掘在產品中的【應用】確實可行，但對于中小型CP、發行屬于性價比很低的事情，若一定要做，建議選幾個特定的命題去做，下一章會詳述。

為什么數據分析會有這樣的無力感？

二、局限的緣由

冗長流程

用數據來詮釋原因其實是最最苦逼的方法。

2. 解釋困難

過于依賴數據記錄的完整性，以及分析師的預判能力導致了數據分析解釋異常數據的困難。

案例：

數據異動現象：

在第三日的時候

留存率不夠理想

數據詮釋原因結論：在第三日的時候：

流失與非流失玩家，各項關鍵數據未見明顯差異，各任務接取率、完成率未見明顯差異。

22-25級的流失率相對較高，有一個偏高的峰。

按任務序列未發現明顯流失高峰。

背后真相：

可能性1：

玩家在22-25級左右會在某張地圖打怪，而這些怪附近恰好有其他較高等級的任務怪，高等級玩家在附近做任務就刷掉了所有怪，導致22-25級玩家升級緩慢，無聊了一整天，自然就流失了。

可能性2：

這游戲太膩味了，玩家覺得沒啥新鮮感，到了第三天自然流失罷了，留下的那些玩家只是恰好比較有耐心而已，為什么集中在第三天流失，只是因為第三天開始重復程度比較高，已經沒有新鮮玩點、以及目標感支撐……

解釋困難的緣由：

現實中的現象千奇百怪，很多事實是數據不一定會記錄到的（如：玩家對游戲膩味了，逐漸失去耐心），而只要當時這個事實未能在數據中被記錄，這個真相就無法被數據分析發現、還原；

即便這個數據被記錄了（如：打怪），但是若是分析師沒有注意到這個點做出研究假設（未能竭澤），這個真相就無法被發現。

無力改進

數據分析發現的問題，只能改掉毛病，但是無法找到產品根源性問題。

案例：


如上圖案例所示：

數據分析發現了各等級中流失率異常的點，并且也發現了原因。

并由策劃進行了調整，在版本更新后抹去了這些流失的高峰，但是從下圖的留存數據上看，我們會發現這3個點異常高峰的抹去，對總體留存的挽回杯水車薪，并沒有扭轉整個留存持續下滑的頹勢。

這是因為：

數據只能消除那些因設計失誤而帶來的問題，但并不能使得游戲變得更加精彩，或者玩點更為豐富，因此，即便解決了這些問題，也不能使得游戲產生質的飛躍。

應用：

在實戰應用中，數據挖掘技術在游戲中的應用，往往有這樣幾個現象：

人才昂貴，而且需要配備更全面的數據體系支撐；

即便定期立項課題，卻鮮有斬獲；

即便有產生效果，也多為小勝，錦上添花，少見有非常突出的貢獻（有一般是基于某個目的而建立的數據挖掘團隊，如競技類游戲的匹配算法）。

為什么這樣，這些年的經驗給我的啟發是：

游戲體系不同于一般的App體系。

我打個比方：游戲的整個體系（世界）在設計之初，都是策劃（上帝）刻意創造出來的，強加的規則遠比一般的App來的多，而規律也會相比其他App更加遵照策劃（上帝）想象的規則。

而我們在【應用】中，往往期望能夠發現一些策劃想象不到的規律（類似數據挖掘中的神話“啤酒與尿布”案例），并且還希望這個現象能夠對游戲改良（促活、增收）產生收益。

而實際因為在游戲中，特別的規律實在是非常多，而多數的規律往往是策劃刻意為之，機器（算法）并不知道哪些是有價值，哪些是已知的。

因此會導致數據挖掘工程師在游戲數據中的挖掘效率變得更加低下（因為會比其他領域發現更多本就可以想象的事情）。

雖然困難，但并不表示，數據挖掘無法在游戲中很好【應用】

在數據挖掘技術【應用】的實戰中，我發現：

識別某類群體（如：工作室、外掛）

預測某類行為（如：流失預測）

相對容易產生好的【應用】。

以上還只是游戲行業數據分析的通病。

我們再次回到今天范疇——手游，由于手游的特質，會導致數據分析更加的局限。

手游特質

基于這3大特質，數據分析應該重點做什么？

怎么辦？

我們回到上文的結論，為什么會【發現】易，【詮釋】難？

數據分析屬于竭澤而漁的做法；

數據分析可以發現出了什么問題，但是卻很難發現為什么不夠好；

但是往往不夠好才是留存差的關鍵！

我打個比方：

決定一個妹子喜歡不喜歡你的重點，并不在于你有沒有干什么蠢事（一些關卡的設計失誤），而在于你帥不帥（美術風格），是不是她喜歡的風格（游戲類型），是不是一個有趣的人（總是能給她驚喜）。

你改掉那些蠢事毛病，能做到的只是，不要因為犯蠢而導致某個本來會喜歡你的妹子離你而去。

所以對于一個游戲：

不犯錯固然重要；

花樣挑逗才是維持留存的關鍵！

我們在這里并不是討論設計游戲的方法，只是借“不犯錯”“花樣挑逗”來看看數據分析是不是能幫上什么忙。

關于“犯錯”：數據分析確實可以發現犯錯了（妹子不開心了，數據表現異常了），但是前文說了想要詮釋為什么這事其實數據分析并不拿手。

關于“花樣挑逗”：數據分析想知道挑逗是否成功（妹子High了！），這個就有點為難數據分析師了。

其實我們根本不用這么糾結于非要用數據分析來詮釋我們哪里犯錯，也不用去判斷是否挑逗成功。你見過誰去搞一個可攜帶設備通過觀測妹子生理參數（額，好像污了）幫助屌絲把妹的？

所以我們不要把自己限制在數據中思考問題，問題就迎刃而解。

三、玩家視角看玩家

既然我們發現，數據分析由于上文種種原因，很難幫助我們通過【發現】【詮釋】去讓游戲的品質產生質的變化，從而幫助策劃“泡”到玩家。那么我們該怎么辦？

“春江水暖鴨先知”，如果我們真正回到【玩家視角看玩家】，上面那些破事根本就不是個事情！

何謂【玩家視角看玩家】

說個故事，是我剛入行的時候的事情：

有個運營總監，特別不愛看數據，特別喜歡看玩家原話，于是我們各種裝逼做出的各種數據他都不是很有興趣，只想看玩家原話。

那時候我的內心是崩潰的，老子用了這么高端的數學模型，這么深入的分析，做出這么深刻的分析！居然比不上玩家原話，MDZZ！

過了許多年之后的今天，我突然發現這個要求其實是非常有道理的。

只是這種所謂的“玩家原話”并不是我們直接理解過去的玩家原話，比如客服反饋的玩家的意見，或者是我們電話調查玩家：你有什么不滿意的地方啊？你為什么流失啊？

為什么？

和把妹一樣，Care你的人才跟你吐槽，懶得鳥你的人，絕對不會跟你說那些背后的真相的，所以如果分手的時候問妹子原因，常常是好人卡。

而客服反饋那一般回來的都是：哎呀，太貴了！唉呀，太刮金了！唉呀，太卡了！唉呀，爆率太低呀！唉呀，太不平衡了！

如何【玩家視角看玩家】

所以怎么辦呢？

再給大家講一個我“少年”時的故事，那時候我們招了一個人類學的碩士，跟我們提到一種研究方法：“田野作業法”。這是社會學和人類學里面的一種基礎調查法。

這哥們打算怎么在游戲上應用呢？

很簡單就是深入玩家，跟玩家一起玩，然后玩幾個月給一份報告，于是我的內心又奔騰了，MDZZ！

過了許多年之后的今天，我又發現了當年其實ZZ的是我（咦，為什么說“又”？），因為回顧那幾年我自己做為“分析師”做Case的時候，為什么能做出推動游戲重要改變的Case，為什么能說服目空一切的策劃，本質是因為我有意無意的用了“田野作業法”。

那么我今天又是給大家說了一句屁話嗎？你只要進游戲和玩家一起玩，自然就會發現：1、你犯錯了嗎？2、犯了什么錯？3、你挑逗成功了嗎？

其實這里還是有一點點門道的，如果只是簡單問一句怎么樣？好玩不？喜不喜歡？

那就好比：相處兩天就對妹子說：你覺得我這人怎樣？喜歡我不？為什么不喜歡？有沒有覺得哪點比較喜歡的？我只好替妹子說MDZZ！

所以，如果你想知道妹子（玩家）內心的真實想法，那么不要輕易開口問，你要做的是觀察，如果一定要問也一定要通過妹子的“閨蜜”去問。

【觀察】的學問

觀察？我們到底要觀察什么？怎么觀察？

回到我們的原始目的去看看，我們的目的是：1、別犯錯；2、努力找到玩家的High點，變著花樣挑逗他。所以沖著這個原始目的，觀察的時候我們要抱著什么樣的目的去呢？

觀察目的

觀察維度

請注意：觀察維度，只是幫助你更好的記錄你觀察到的現象，而最終你的思考還是需要指向觀察的目的：

How：我的每個設計玩家有什么反應？

Why：他們為什么有這些 好或不好的反應？

Enough：我做的足夠好了嗎？能讓玩家逐步沉溺于我的游戲嗎？

從而反省，你覺得你這樣的表現能泡到這個妞嗎？哦，不，能吸引到這個玩家嗎？

觀察的有效性

靈魂附體：又些文獻中又稱“通感”。

如果你在觀察以及跟玩家的溝通中能做到對玩家的每個想法、情緒、行為感同身受，認為：“哇靠，是我也會這么想、覺得、做”，那么就可以認為你達到了這個狀態。

如果你到達了這個狀態，那么我認為你的觀察就是成功的，有效的。

【觀察】與【數據分析】對比

玩家視角觀察，數據視角分析，在保障游戲品質上的作用差異。

總結起來：

如果你想迅速知道產品表現如何，那么數據是一個很好的幫手；

如果你想知道產品為什么是這樣的表現，那么進行“玩家視角的觀察”是最有效的手段。

雖然很多人也都知道這個道理，但是往往策劃、產品經理，還是會選擇讓數據分析師幫他去解決分析數據，為什么呢？

其實原因很簡單：“懶”！

因為觀察需要主創團隊自己去啊！！！

所以這種事還是丟給數據分析師吧……

【觀察】的工具

最后安利一個挺有意思的小產品，一幫數據和用研出身的朋友做了一個叫Uta Testing的東西。


他們做了幾件與我觀點不謀而合的事情：

·可以指定目標玩家；

·觀察了情緒；

·提煉的問題點；

我覺得這個產品最大的價值：

·展現形式是新穎的；

·符合我前面說的“玩家角度”的觀察；

·直觀、便利、一目了然，不易有分歧；

·最重要的是——主創團隊可以名正言順的偷懶了。

關于作者：

蔡林鷙，原網龍商業分析部首席分析師，91數據分析團隊創始人，91RTB廣告項目發起人。游戲咨詢分析老油條。

總結

以上是生活随笔為你收集整理的数据分析团队正成为手游公司的标配，但我为什么说解散他的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。