遊戲數據的分析的誤區解析

近幾年來，隨着大數據概念的提出及數據相關技術的迅猛發展，數據分析及數據挖掘這一方面的工作也得到了肯定和支持，在遊戲行業中，越來越多的關於數據分析的內容和觀點也井噴式提出。但目過度依賴數據，或者主觀的解讀數據，帶來的損失則是無法估計的。接下來yjbys小編將給大家講述遊戲數據分析中的幾個誤區。想了解更多相關資訊請持續關注我們應屆畢業生培訓網。

1.未理解數據定義，盲目比較數據

近來，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，比較是數據的價值之一，是用來衡量產品優劣差距度量最直接的方法，而數據比較是建立相同的數據採集方法和數據指標計算方法上的。所以在比較數據前，請先明白benchmark的計算標準及數據採集方法，這樣才能體現數據比較的意義。

　　2.過度依賴分析方法，沉迷於數據建模過程

小編在大學期間，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神經網絡，貝葉斯決策樹或是聚類分析等項目，在剛接觸遊戲數據分析時，十分興奮，便用了各式各樣的方法對數據進行分析。漸漸的我發現，在實際工作中，數據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羣體是否符合某種統計分佈，也可能不需要用“人工神經網絡”等“高科技手段”去預測產品將來的用户數，甚至給出“A>B”的結論時也用不着做“顯著性檢驗”，考驗得更多的是對業務的理解的把握能力。所以在開展數據分析工作過程中，切勿過度依賴分析方法，而應重視遊戲業務的把握。

　　3.數據是客觀存在的，切勿主觀誤讀數據

對於在一線工作過一段時間的同行來説，做數據分析經常會走入這樣一個怪圈，在我們提取數據的過程中，我們會看到部分的數據表現，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，總有方法去用數據去驗證自己的結論。在我看來，數據是客觀存在的.，解讀數據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數據。

　　4.不明確數據分析目的，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，比如不要將核心用户研究誤認為活躍用户分析。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的活動數據分析報告，去衡量活動效果，一般情況下，你會將活動前期，中期，後期的遊戲宏觀數據拿出來，然後畫圖看各個階段的表現，然後做出判斷。然後歡欣雀躍的拿着報告交給產品經理，這樣就覺得了事了。如果從一個數據分析師的角度看來，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，但是隻給我們描述了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%。