游戏运营数据分析

游戏运营策划(数据分析方向)职位描述与岗位职责

职位描述：

游戏运营策划（数据分析方向）职位是一个数据分析专家，主要负责游戏运营数据的收集、分析、整合和研究，以提供意见和建议来推动游戏及业务的发展。

岗位职责：

1. 数据收集： 负责进行数据收集工作，包括游戏玩家活跃度、留存率、充值记录、ARPU等相关数据，保证数据的准确性和完整性。

2. 数据分析： 使用各种数据分析工具和方法，对收集的数据进行深入的分析，以便了解玩家行为和市场趋势。并据此提出相应的运营策略和方案，提高游戏的用户黏性和盈利能力。

3. 数据整合： 根据游戏运营需要，对各项数据进行整合与分析，为决策提供准确的数据支持。

4. 流程优化： 负责对游戏数据运营流程进行优化，提高工作效率以及准确性。

5. 反馈意见： 根据数据分析结果，及时向团队反馈意见和建议，提出改进措施以便不断优化运营效果。

6. 与其他团队沟通： 与游戏策划、市场营销和产品开发等其他团队紧密合作，保证游戏运营数据的准确和实时性，确保指标的达成。

7. 团队领导： 在团队内，带领和指导其他数据分析师进行数据分析工作，负责组织、分配工作任务，并合理安排团队资源。

1. 总则

1.1. 概述

本文档主要介绍移动游戏运营数据指标的定义、作用、交叉关系以及各种可能引起相关数据波动的因素。所有数据指标的定义按照国际规范梳理，并且对传统游戏运营数据分析方法中的常用指标进行调整，使之更适合移动游戏这一领域。数据指标的作用、交叉关系以及各种可能引起数据波动的因素会从数据统计与分析技术和业务需求的分析设计两方面入手，进行经验的提炼和沉淀，并且逐步完善。

1.2. 目的

希望通过本文档，能让运营人员熟悉各项数据指标的准确含义，同时了解相关数据指标作用与联系，从而有助于运营人员理解、分析用户行为，改进产品，制定运营策略，让数据化运营更有效率。

1.3. 整体框架

本文档涉及数据指标分为基础性指标和游戏内容指标两大类。

基础性指标是从游戏产品中整体用户特性出发，从用户状态和用户行为等方面中发掘出来，典型的、全局的游戏分析指标，分为在线类、用户类和收入类；而游戏内容指标则是从游戏产品中各种游戏内容系统体系出发，进行相关联元素的整体和专题分析，根据游戏内容的PVE/PVP设计模式，我们分别对玩家(P)，游戏元素(E)以及游戏交互(V)进行了分类分析。对于这两大类指标，框架分别从观察角度与指标度量、应用场景分析以及典型菜单应用三个层次上进行分析和阐述，最终形成整体框架体系。

2. 基础性指标

2.1. 在线类

本部分包括实时在线和历史在线。其中实时在线即同时在线人数,以最小时间刻度(例如分钟)对当天24小时所有用户在线情况进行监控；历史在线包含以日为单位对过往时间的游戏PCU、ACU及平高比。

2.1.1 CCU(Concurrent user)同时在线人数

观察角度与指标

所属主题 观察角度 度量

在线类—>CCU

 同时在线玩家人数 区服

时间段

主要用户属性(付费/非付费) 在线用户数

备注 区服:iOS/Android平台、大区

主要用户属性：主要分为付费与免费用户

游戏数据分析报告样例

1. 引言

本报告旨在通过对游戏数据的分析，提供关于游戏运营和玩家行为的洞察，为游戏开发商和运营商提供决策支持。本报告采用的数据来源包括用户注册信息、游戏内的玩家数据以及游戏服务器的日志记录。

2. 数据收集与整理

为了进行数据分析，我们首先收集了游戏的注册用户信息。通过这些信息，我们可以了解到游戏的用户人群特征，例如年龄分布、性别比例等等。另外，我们还收集了游戏内的玩家数据，包括游戏时长、等级、道具使用情况等。最后，我们也获取了游戏服务器的日志记录，其中包含了玩家的行为数据，例如每日活跃用户数、付费用户数等。

3. 数据分析

3.1 用户人群特征分析

通过对注册用户信息的分析，我们可以得到以下结论：

• 游戏的用户主要集中在年龄段为18至35岁之间。

• 游戏的用户中男性占比约为60%，女性占比约为40%。

• 用户的地理分布主要集中在城市地区。

这些结果可以帮助游戏开发商和运营商更好地了解他们的目标用户，并制定相应的市场策略。

3.2 玩家活跃度分析

通过分析游戏服务器的日志记录，我们可以得到以下结论：

• 游戏的每日活跃用户数呈现出较为稳定的趋势，大约在5000人左右。

• 在每周的周末，游戏的活跃用户数会有所增加。

• 游戏的平均游戏时长为2小时。

这些结果可以帮助游戏开发商和运营商在运营活动中选择合适的时间段，并根据用户的活跃程度进行相应的推广和奖励活动。

3.3 付费用户分析

通过分析游戏服务器的日志记录，我们可以得到以下结论： • 游戏的付费用户占注册用户的比例约为10%。

• 游戏的付费用户主要集中在30至40岁之间的男性用户。

• 游戏的付费用户的付费额度平均为100元。

这些结果可以帮助游戏开发商和运营商了解游戏的付费用户群体，并制定相应的营销策略，以提高付费用户的比例。

4. 结论与建议

基于以上的数据分析结果，我们可以得出以下结论和建议：

• 游戏的目标用户主要是年龄在18至35岁之间的男性用户，因此在游戏的宣传和推广中，可以重点关注这一用户群体。

【编者按】针对如何展开游戏运营数据分析的指导真的非常少，作为每个公司的核心机密是不会拿到台面上与大家分享的，一段时期我上网看了很多的材料，当显示不能满足需求的时候，就要靠我们自己来挖掘。以下是我的结合一些文章后自己总结的数据分析的方法。

数据分析工作可以从宏观数据和微观数据（细分数据）说起，这种方式也是我比较喜欢的，正如小强所言，宏观数据是对总体趋势的预测，以及对异常数据的敏感性把握。而微观数据分析的来源一方面就是从宏观数据的异动而产生的需求，二者是一种相互依托的关系。当然如果不是专业做DA工作，也许按照这种方式是没有什么问题的，因为毕竟工作时间和精力不允许有更多的研究工作。从我这个菜鸟DA来说，其实还有很多的工作要做，而采取的形式是另外一种形式，不过其内涵与之前的是一致的。

如下图，大概每个行业的数据分析体系都是这个模式：

网游的常规数据的把握和检测更多的是针对人气（总登，峰值，APA，注册，流失，在线时长），消费（ARPU，充值，消耗，渗透率）。

专题数据挖掘目前在网游数据分析领域应用比较小，即使有这方面的研究也属于公司的核心技术，这一部分的研究是对整个游戏玩家的游戏行为，购买行为，情感行为，游戏心理，游戏压力，游戏寿命，游戏体验，游戏交互，IB购买关联喜好，经济系统运营分析等等深入的专题研究，不是为了解决某个问题而解决，而是一项基于海量数据的定期专题式的研究分析，只有深刻了解了用户的需求才能做出和运营好符合玩家口味的产品。

用户调研其实在网游数据分析工作处在一个边缘的位置，很多玩家不清楚自己想要什么，所以某种程度上我们来做这种调研工作往往会得到错误的玩家信号，所以很少会用调研手段来分析玩家。 按照这个方式总结起来如下图：

这里的深度寻因是一种长期和固定的针对用户各种特征的寻因。

那么对于我们而言，要做有两块工作，常规数据分析，专题式的数据挖掘研究。常规数据分析除了在宏观把握数据的趋势和异动之外，还要在微观上，将异动的数据指标进行细分，从微观角度找出问题的所在解决问题。而专题的数据分析是我们主动的提出一些问题，进而去寻找数据并进行研究，并不是为了解决问题而解决。这看似不能最直接的解决问题，然而这些数据的解读，我们能够掌握