某次会后聊到，在培训方面有什么内容是比较想了解的，结果妹子们异口同声说“数据分析”。
当听到“什么是数据分析”时，我的第一反应就是“您好，我要一份肯德基”。
说句实在话，数据分析，可太难讲明白了。
为什么难？因为“数据分析”完全是一件“自己出题，自己解”的事。
我们通常会去学习解题思路，解题方法，但是从来没人教过我们，应该怎样给自己“出题”。当没有人可以给我们“出题”的时候，“解题”自然就会变得无从下手。
数据分析到底是什么
目前看到的最清晰最简易的描述，可将数据分析分为4类。
1. 描述型分析：发生了什么
比较常见的日报、周报、月报等报表属于现状分析/数据监控，我们可以通过报表数据了解游戏目前所处状态，检测产品“生命体征”，我们能从“体征数据”的变化过程中看到一些问题，比如收入下降，DAU下降，留存断崖下滑之类的，但是我们并不知道发生问题的原因是什么。
2. 诊断型分析：为什么会发生
当我们看到玩家在第三天出现大量流失时，需要知道造成流失的原因到底是什么；当我们知道这轮活动效果不太好时，需要研究到底是哪里不太好；当我们评价这波更新很优秀时，需要了解到底哪些地方做的好了。
3. 预测分析：可能会发生什么
有时我们会基于现状，对未来数据的走势做出一些判断，比如早先写过的两篇文章分别介绍了如何预测留存和如何预测LTV。
4. 指令型分析：需要做什么
最常见的A/B test，告知我们下一步到底应该选A还是选B。
数据分析的流程长什么样
数据分析行为正常的流程应包括：
1. 明确目的/定制目标：这次分析的最终诉求是什么，要清晰明了，要具象，这个目标应该是可以解释或解决某个问题/制定下一步行动的参考的，而不是“我就随便看看”；
2. 拆分数据维度：哪些数据跟分析目标直接相关，哪些数据跟分析目标间接相关，哪些数据可能跟分析目标有一定的相关性，应该从哪些维度捞取数据才能看到分析目标的完整表现；
3. 捞数：使用工具，在数据库中准确的得到你想要的元数据；
4. 数据整理：也可理解为数据预加工，清洗掉无用和冗余数据，或是将多张包含元数据的大表整理、合并；
5. 分析处理：使用各种分析工具、方法，得到跟目标有关的数据结果；
6. 结果呈现：将数据结果以可读性强的方式表现出来，给出围绕分析目的的明确结果。
做数据分析所需要的能力
想做好数据分析，应该具备哪些能力？
1. 对数据意义的理解力：
最简单的DAU-付费走势图中，其实已经包含了很多隐藏信息，比如服务器生态，更新周期，回流，活动，运营事故，甚至停服时间。很多老江湖看到一款游戏在1年内的DAU-付费走势，基本上就可以对项目整体运营情况打分了。
游戏A的DAU-付费走势图
游戏B的DAU-付费走势图
游戏C的DAU-付费走势图
以上三个走势图非常有代表性，各自都能反应出不同的游戏特质和各自的运营策略，以及一些线上运营的“失误”。
2. 数据处理方法的掌握情况
无论是最简单的饼、线、柱图，还是使用对比、漏斗、热力图、聚类、回归，都是对数据的处理和呈现的方法。在这个过程中，我们可以根据处理方式的不同，得到不同深度的结论。
例如，某游戏中两次活动周期内两个相同定位的节日礼礼盒（充值购买，同价格）售卖情况如下
从目前展示出来的数据，我们可以得到一些比较简单的结论：
a. 节日礼盒A的人均获得量低于节日礼盒B
b. 节日礼盒A的角色占比（购买礼盒人数/当天充值人数）初期好于B，但是很快就下降到比B低的水平
c. 节日礼盒A的购总体购买情况比B差
此时这3个结论对我们后期做活动调整有什么帮助呢？
a. 如果下次还能重新投放的话，从整体收益考虑，肯定投放礼盒B，不投礼盒A
b. 礼盒A的核心道具概率配置可能有问题，需要排查
c. 礼盒A的道具搭配在吸引力方面更好，但是实际开箱体验不太好。
如果再深挖掘一点数据，能根据购买此礼包时玩家的付费等级（VIP等级）来统计购买数
则可以使用灰色关联度分析（方法可以百度一下，这里不展开讲了），来计算本期礼盒的售卖情况受哪个人群的影响更大，是否跟预期一致，定价范围是否可以根据实际目标人群来做调整。
同样这个案例中，现在我们怀疑礼盒A的核心道具配置可能有问题以及开箱体验不太好，那我们可以尝试从另外的维度去验证一下猜想。
已知礼盒A和B中的核心道具都是坐骑，礼盒A投放的是坐骑33，礼盒B投放的是坐骑32，从礼盒投放后的坐骑获取分布热力图看去
我们可以得到礼盒投放后的效果结论：
a. 礼盒A的坐骑33在首次投放中V11覆盖率75%但是V10覆盖率只有25.53%；但是礼盒B在首次投放中V11覆盖率虽然只有68.80%但是V10覆盖率达到了70.20%，对于V10以上（超R定义）的整体一投效果看，礼盒B完胜，而礼盒A在开箱体验上一定存在问题，导致只有不计成本的一线超R才能获得核心道具。
b. 礼盒B中坐骑32在一投中就有V3、V6、V7用户少量获得，而礼盒A中坐骑33在V8（大R分割线）之下无人获取，证明礼盒A的投放方式更粗暴，对生态中、下层用户比较不友好，这个坐骑的价值在2投时可能会出问题。（不理解为什么2投会有问题的童鞋，可以想想卡牌游戏里VIP10礼包送的武将是不是这辈子都不可能有其他形式的二次投放了）
以上我们已经基本可以证明
● 礼盒A的核心道具配置确实有问题，获取核心道具的玩家分布出现明显断档和阈值线
● 也可以基本证明礼盒A的开箱体验确实有问题，导致中、小R根本不愿尝试，很多大R也是浅尝辄止。
3. 对于分析方法论的敏感程度
在其他领域有很多常见的分析方法，比如PEST，完全可以变种之后在游戏的数据分析报告中使用。PEST原本是从政治、经济、社会、科学4个角度去分析行业或者产业机会，在游戏分析报告中我们可以变种为PEEF，去分析项目各模块的健康程度、项目整体的表现和未来版更的方向和机会。
4. 对于数学模型的敏感程度
观察每个用户在一个长周期内的在线时长，是否符合明显的分布模型？
进而想到，用户在成长期和追求期的每日在线时长和活跃度数值，是否符合正态分布？
进而想到，我们是否可以用正太分布的拉依达准则（3σ准则）来做在线时长和每日活跃度数值的非正常值预警？
如果以上问号都成立，依托于拉依达准则来观测用户在线时长和活跃度数值变化的流失预警就可以建立起来了，我们可以在每日监控数据中观察到哪些玩家开始出现异常表现，是否应及时推送补救活动或内容来稳住玩家。
注：这个流失预警机制实际制作起来还是比较复杂的，上面只是描述了开始构想的思路，有能力的朋友可以根据上述思路自己尝试制作一下，真实的需要监测的“玩家流失预警值”应该是一个更复杂、包含更多层面能衡量玩家游戏忠诚度的值，所使用的预警方法也不可能是简单的3σ准则。
有些童鞋看到这里可能会很失望，完全没有看到想看的“游戏里什么指标对应什么含义，这些指标的变化对应什么含义，这些变化导致的运营策略是什么”。
上面这些“细致”的问题确实不可能讲得到，不同游戏在不同时期和不同环境下，每个指标对应的含义和所需要做的运营决策都各不相同，只能由做数据分析的人员自行解读，解读之后自行做预想，也就是给自己“出题”，然后自己“解题”。
学习数据分析是一个非常漫长的过程，不仅需要对产品本身非常了解，也需要具备相当的数据分析能力，提高的唯一的途径就是不断的练习！如果说有捷径的话，那就是保持一颗好学求知的心！
来源：老刘的游戏运营笔记
地址：https://mp.weixin.qq.com/s/5EHJNI3z9y7yOOJ3_SQ0HQ