文 | 飯大官人

本文由飯大官人投稿，授權游戲陀螺發布。

本文是“頂級活動策劃的意識形態”系列文章之《數據篇，必須了解的數據分析方法論》。

數據是一門極深的學科，在很多游戲公司，數據部門和運營部門是平行關系，大家平時用的數據后臺都是這個部門負責支撐維護的。各部門工作的所有輸出都會以數據的方式呈現，如各大產品的各類基礎數據：新進用戶、留存、收入、新增付費用戶、各道具銷售情況等等。

市場、運營、產品都會至少掌握有一些最基礎的數據知識，鑒于篇幅原因，此處就不呈現相關概念，不討論那些人人都知道的道理，只從業務層面出發，討論跟活動相關的數據方法論。

數據分析的價值所在

所謂數據分析，是依據“業務理解”和“數學算法”對海量的信息數據進行計算，并提煉出有價值的信息。好的分析結果一定能帶來價值，往往能夠幫助我們事先用來驗證假設，輔助決策。事后用來驗收結果，發現規律。

什么是驗證假設，輔助決策？

以銷售舉例，本次活動將用什么道具作為獎勵，以吸引用戶購買，大家會依據自己的理解爭論不休，這個時候也不用拍腦袋了，通過數據查詢一下用戶的道具存量，看看哪些是稀缺的，那么就能夠驗證此前的想法假設，最終做出決策。

爭論的場景很多，基本上我們都會憑借自己接觸的信息去拍腦袋，這個拍腦袋的行為就是“假設”然后想辦法通過數據去驗證假設，當數據擺在我們的面前，也就不需要爭論了。

什么是驗收結果，發現規律？

當我們完成了活動，無論是新進，還是收入，往往都會呈現出一個數字，這個數字就是我們集體努力的結果。數字能幫助我們判斷自己的活動做得是好還是壞，我們想要下一次都把事情做好，就得發現和尋找規律。

所有的部門都為為活躍用戶量而努力，提升活躍用戶量三種活動方式：新進、活躍和回流。每種活動在策劃之初，都會有各種（主題、規則、獎勵）PK的場景，我們用數據去做決策，當活動完成后，最終會有一個結果，我們用數據去做驗收。

無論是市場還是運營，1年內，至少大大小小會做幾十次活動，每次活動決策前，活動結束后，通過數據分析，就自然能做到心中有數。

基于業務理解開展數據分析

任何數據分析都是基于對業務的理解而開展的，什么叫“業務理解”，我們先來看一組營收類活動的公式：

【活動收入】=（活躍用戶數）x（付費率）x（每用戶平均收入）

在營收這個目標上，有三個影響最終結果的因素，我們拉升其中任何一個因素的數值，活動的效果就越好。我們已經找到了三處發力點，只要在上面優化，就能夠提升最終的效果。這個就是對業務的理解。

所以如果對于活動不滿意，優化的方式有：

增加流量曝光，提升了參與用戶總數量；

優化銷售文案、圖片素材，提升了活動參與轉化率；

優化用戶參與活動的路徑，使其參與活動的過程變得更加的便捷；

增加更多支付渠道，降低掉單漏單率，以方便用戶完成支付行為；

經營其他影響活動參與度的相關事件，比如運營KOL幫助完成銷售；

……

當然以上這些優化都是建立在用戶對本次活動的獎勵設計需求度強弱一致的前提下進行的。

游戲營收類活動變化非常多，主題、規則、獎勵、周期每次都會變，但運營是真正知道自己完成了哪些行為的，結合數據看此前的運營行為，日經月累到同類型的活動樣本量達到一定規模，自然而然能夠發現哪些設計和運營行為對完成銷售KPI有幫助。

數據思維：人人心中應該有個漏斗

每個做活動的同學心中都要有一個數據漏斗。漏斗從用戶接觸到活動信息的那一刻就展開了，這個數據叫做曝光，下一層叫是點擊鏈接，再下一層叫做到達活動頁……依次類推，最終走完活動全程。這個數據就像是一個漏斗，每個環節都會流失掉一部分用戶。

用戶新進場景形成的漏斗，一般分為下面5個步驟，每個步驟之間都會存在著一個轉化率，我們想要漏斗更陡峭，就得個根據每個點去優化。

我們再來看看最后一個步驟，從登錄到新手引導之間，要經歷多少個步驟。

1.游戲啟動

2.客戶端更新（需判斷）

3.更新中斷（增量OR整包）

4.更新完成

5.APP允許詢問（訪問位置/推送消息）

6.注冊賬號流程

7.選擇服務器

8.連接服務器

9.進入游戲加載資源

10.過場動畫播放

11.過場動畫跳過

12.過場動畫完成

13.游戲引導介紹

14.大數值戰斗表現

15.創建角色

16.創建角色完成

17.新手引導

比如說第15步，各位是否見過取名字，不斷被占用的情況；

比如說第13步，不知道各位見沒見過說大量廢話的引導否？如何精簡不折磨用戶，非常依賴優質內容的呈現；

比如說第9步，加載資源的速度和效率依舊是每個團隊要考慮優化問題；

比如說第6步，有無游客快速注冊、手機注冊（用戶能否成功收取短信驗證碼），有些注冊后，希望把賬號密碼以圖片形式存到用戶相冊的請求，流程也會變多；

比如說第5步，這些需求是否可以后置做成觸發式？很多APP一開始就請求訪問位置、攝像頭、推送消息、讀取通訊錄……就是有病；

比如說第2步，有些在WIFI環境下還詢問是否更新，后臺默認完成下載，直接詢問是否直接更新不就完事了；

從A點到B點，每個步驟都可能存在用戶的流失，當我們把這個數據給拉出來，就能夠知道問題出現在哪了。

如果沒有數據指導，很容易拍腦袋，在那些表現明顯較好的維度上發力，但是優化空間較小，效果提升有限，指導我們在表現過差的維度上發力和優化才是數據分析的價值所在。

我們要知道每一層數據具體是多少，繼而獲取這個漏斗的形狀，接下來的行為自然就是優化這個漏斗，漏斗越陡峭轉化率越高，最終的活動效果越好。

以用戶新進類注冊活動為例。沒經驗的同學一開始肯定是參照市面上的，然后發現吸引用戶完成注冊行為的活動好多種類型，你如何判斷哪個效果更好？如何造出更陡峭的漏斗。

我的操作思路如下：

1、把市面上的注冊類活動進行整理歸類，歸納出每個注冊類活動的套路組合。

2、有條件就問同行，咨詢他們該注冊活動的細分數據，各個漏斗層級的轉化效率。

3、如果問不到，我們自己去實踐，12個月，每3個月開發一種套路，1年就是4個套路，邊投放邊驗證，日積月累，每次埋點到位，自然可以做出更陡峭的漏斗了。

實際的操作過程中，和做營收類活動一樣，沒有一種新進類活動的打法可以用在所有的場景，我見過太多的人，一套打法用5年甚至更久。

數據思維：建立多維坐標，精細化運營

我們來看這個十字象限，通過多維坐標將用戶分組，對不同組用戶采取對應的運營措施。

在這4象限中，一定有一個最好的，一定有一個最糟糕的。

A象限的用戶是最應該被關照的，然后嘗試把B和C兩個象限的用戶往A象限里面拉，比如給B象限的用戶投放折扣道具，吸引完成付費行為，給C象限的用戶投放交互類道具，促使其活躍起來。

人力、資源、精力有限時，按照A大于C大于B，的方式進行排序。

再比如，我們可以把自己的每個月的銷售道具量給拉一個象限，一個是道具價格，一個是購買頻率，由此得出：

高價格高頻率的是用戶剛需，性價比也高，一般不適合打折促銷。

高價格低頻率的道具適合用來打折甚至送，促使更多的用戶體驗購買。

低價格高頻率的道具適合開發出一種升級版同類道具，用來獲得利潤。

雙低的話，想想問題出在了哪里？跟研發去聊聊，嘗試加強。

還有很多種建立多維坐標的方式，比如：可以把道具分為實用道具和華麗道具，把事情分為重要事情和緊急事情，把業務分為追求質量和追求速度……種種方式都是幫助我們認清楚現實，進行判斷和行為選擇的。

數據思維：不要預設結論，錯誤歸因

“通過分析數據得出結論”和“先定好結論然后從數據中找論據”，是兩種思考方式。

在工作中我們經常為了某個設計、獎勵而爭論，雙方的經驗和看問題的角度不同，造成了爭論的來源，一旦有預設結論，就很容易找到“證明”自己結論正確的信息，而忽略掉錯誤的信息（典型如星座和屬相）。即使是同一份數據，如果預設結論，經常會出現2個不同的推論，這些情況在說服與被說服的過程中高頻出現。

在具體的執行中不要輕易定性，錯誤歸因，比如：二戰期間，數據發現，維修廠提供的10000架戰斗機維修報告中，發現中彈大多處都集中在機翼上，由此得出，戰斗機應該在機翼上進行加強。而實際上應該加強的應該是飛行員座艙和尾翼發動機，因為擊中了這2個位置的飛機是直接墜毀，沒有進維修廠的機會。

同樣，如果你發現某類道具特別受用戶歡迎，能夠極大提升營收類活動的收入，繼而推理說該類獎勵受用戶歡迎，那么下次拿這個道具作為活動獎勵，就得好好論證了。顯然受用戶歡迎跟時機、用戶某段時間內的需求有關，并非道具本身。

數據從來都是冰冷而客觀的存在，從來不會說謊，但是攔不住人的預設結論，錯誤歸因。

數據思維：依據迭代要數據，依據數據去迭代

任何業務都會產生數據，任何行為都會影響數據變化，無論是數據提升還是降低，都要找到原因，這是一種習慣的養成，沒有經驗就自己總結歸納。

比如最近收入數據降低，我認為原因是1234567……然后找人交流，想辦法論證。長此以往，論證越多，意味著影響效果的指標越細，養成了習慣，敏感度自然就提升了。

比如活動上線后會存在高開低走和低開高走的兩種情況，然后馬上去找原因，嘗試去做出一些調整，即使現在無法調整，下次上線類似活動的時候也能夠做出針對性的布置。

比如銷售某類道具，獎勵一致的前提下，我們能為其設計三種不同的銷售規則，三套不同的銷售文案，如果你能夠在同一個周期內，拿3款環境相同的游戲做測試的話，那你心中自然有譜，知道哪種更能打動用戶，這些就是寶貴的經驗積累。

但是現實更多的時候是我們并沒有這個機會，但是這不妨礙你去跟競品的運營同學交流?。ㄟ@世界沒有打聽不到的東西），你可以通過分享業務經驗，交換數據獲得一種專業上的確認感，這種確認感能夠幫助你在以后的日子里，沒有數據也能拍腦袋去做一些決定。

所有的迭代行為（無論做得好與不好）都會以數據的形式體現，理解了數據就能夠幫助你找到正確的發力點，拿到取勝之匙。依據迭代要數據，依據數據去迭代，這句真言也就是我在各個分享培訓場合經常強調的，它應該融入我們思維中，如此才能夠建立專業敏感性，對業務形成條件反射

數據分析的實戰，過于依賴具體問題具體分析了。由于篇幅原因，只為大家介紹幾個基礎的知識以及習慣養成，關于數據分析的知識，有很多專業的文章去說明，大家在整個互聯網行業里拿到的數據相關知識往往都是通用性的一些數據知識，比如新進、用戶、留存、活躍、營收……但是細分到特定領域里，又分為電商、游戲、金融、教育、醫療、服務……

可以100%的確認，任何一個領域里關注的特性數據指標和計算方法，有著巨大的差異性，就游戲圈而言，個人建議大家還是看書比較好，畢竟書籍知識相對成體系一些，文末薦書兩本，游戲領域的：

《小白學運營》的第三章（劉異，伍斌，趙強著）

《游戲數據分析的藝術》（于洋，余敏雄，吳娜，師勝柱著）

這類業務類書籍單純看，沒基礎的話會比較枯燥，會迅速忘記，記得一定要聯系業務場景來！遇見問題，苦思冥想，從書中找答案，解決之，才是迅速提升之道。

本文作者與書籍作者無任何利益關系，純粹感謝前人布道，為游戲行業輸出有價值的知識體系。