最新消息：
你的位置： >
> 数据指标会骗人 游戏数据分析中的几个误区
近几年来，随着大数据概念的提出及数据相关技术的迅猛发展，数据分析及数据挖掘这一方面的工作也得到了肯定和支持，在游戏行业中，越来越多的关于数据分析的内容和观点也井喷式提出，“数据驱动下的精细化运营”，“玩家群体的定量研究”，“移动游戏数据分析体系”等等概念的提出，可以看出游戏的研发和运营过程中，对数据分析的需求是无穷无尽的，相应的，对数据分析的讨论也是各抒己见。而盲目过度依赖数据，或者主观的解读数据，带来的损失则是无法估计的。以下，我将结合自己的工作经历，阐述以下数据指标会骗人和游戏数据分析中的几个误区。
1.未理解数据定义，盲目比较数据
近来，同行们乐于去关注关于行业各类型游戏的benchmark，诸如S级游戏的次日留存，S级游戏的ARPU，S级游戏的ACU/PCU等等一些运营常见指标，在我看来，比较是数据的价值之一，是用来衡量产品优劣差距度量最直接的方法，而数据比较是建立相同的数据采集方法和数据指标计算方法上的。所以在比较数据前，请先明白benchmark的计算标准及数据采集方法，这样才能体现数据比较的意义。
2.过度依赖分析方法，沉迷于数据建模过程
作者在大学期间，读的便是统计学专业，大学参加过数学建模比赛拿到较好的名次，也做过一系列诸如BP神经网络，贝叶斯决策树或是聚类分析等项目，在刚接触游戏数据分析时，十分兴奋，便用了各式各样的方法对数据进行分析。渐渐的我发现，在实际工作中，数据分析并不像学术研究那样严谨，更需要对数据表现作出快速判断，不需要在每次分析前都去验证样本群体是否符合某种统计分布，也可能不需要用“人工神经网络”等“高科技手段”去预测产品将来的用户数，甚至给出“A&B”的结论时也用不着做“显著性检验”，考验得更多的是对业务的理解的把握能力。所以在开展数据分析工作过程中，切勿过度依赖分析方法，而应重视游戏业务的把握。
3.数据是客观存在的，切勿主观误读数据
对于在一线工作过一段时间的同行来说，做数据分析经常会走入这样一个怪圈，在我们提取数据的过程中，我们会看到部分的数据表现，而且对各种各样的现象都有了一些自身理解的结论，在这样的思想指导下，总有方法去用数据去验证自己的结论。在我看来，数据是客观存在的，解读数据也需要秉持客观中立的态度，千万需要避免为了自身观点去解读一份数据。
4.不明确数据分析目的，模糊分析需求，分析不完整，应该做一份300%的分析报告
明确分析的目的及需求，比如不要将核心用户研究误认为活跃用户分析。网龙的刘经理曾经跟我分享给一个这样的案例，产品经理跟你提出做一份COC的活动数据分析报告，去衡量活动效果，一般情况下，你会将活动前期，中期，后期的游戏宏观数据拿出来，然后画图看各个阶段的表现，然后做出判断。然后欢欣雀跃的拿着报告交给产品经理，这样就觉得了事了。如果从一个数据分析师的角度看来，这样的报告是很廉价的。别人提分析需求时，可能他有10个问题，但是只给我们描述了3个问题，我们并不能简单解决这样3个问题，我们应该更多的是中立客观的从多个角度去思考这样一个问题，然后从产品自身，产品玩家，产品运营等等多个角度，全面的去衡量这样一个问题，去发现潜在机会，然后做出一份300%的分析报告，而不是100%。
转载请注明： &
与本文相关的文章&策划和数据的和SM一样，你穿皮衣，握着鞭子的时候，才会体验到驾驭数据的刺激，前提是你很坚定你必须站着，一次都不要跪。如果你是跪在地上的那个，那永远永远只能被牵着走。&
我们作为游戏运营一直在说数据重要，数据化运营，然而，往往给出来的就是留存率、流失率、活跃、付费渗透率，这些是目前大家都在做的，而且做了很久很久，可惜的是目前还没有形成一些统一的规范，因此我们有了ARPU的质疑，有了一次又一次的质疑，虽然再各自为战，但是没有战出一个所以然。
其实我觉得太多的时候我们只是注意了怎么炫，怎么把握行业，却忘记了怎么做好产品。我不觉得你跟我说说留存、流失、活跃就是数据化运营，懂得数据了，有段时间我觉得自己懂得这些指标挺NB的，因为别人不会，别人不懂，但是其实你根本就不NB，因为你的所谓NB没有解决什么问题。
刚才说到了一堆指标，忽然之间，你会发现，这些指标
第一是宏观的&大数据&；
第二你拿到的必然是历史数据；
第三你即使意识到了问题（数据），但是你推动不了策划和设计者进行修正和改进，因为你有数据，但是你没有解决方案；
第四，你的运营永远乏力，因为你不知道问题所在。
有些时候我倒觉得更加实在和实际一点比较好，告诉我那个按钮设计错了，怎么改进。在游资网看到牛牛的文章，感慨颇多，有着相同的感受，游戏的数据分析不但是一种指标化的衡量和分析了，这点与电商分析，网站分析都是不相同的。玩家背后这种内在的分析最终能够帮助我们将流量转化为金钱的。但是我们现在只是看到了流量。
换句话，我们现在停留在了流量的层面上，因此我们一直在关注付费渗透率，因为我们相信高渗透率，高流量，就会带来高收入。但是这不一定就是对的。因为我们的运营策略是粗放的，我们总是用群体的意识和目光在观察我们的群体，诸如付费用户，在付费用户背后的蕴藏的价值似乎我们的挖掘是不到位的。
此外，一个游戏的价值不仅仅就用钱来衡量，还要看用户的流量质量，这点我们一直是粗放增长的，也就是我们没有考虑怎么增加这部分隐形的价值，这部分隐形价值就是用户对于游戏的反馈，注意这种反馈不是宏观大数据的反馈，而是反映游戏内在设计和用户体验的数据，这点似乎我们并没有做的很到位，因为我们认为这和RMB没关系，其实，这部分是和RMB紧密联系的，因为这就像一个组织一样，最怕的不是外来力量的袭扰，而是内部滋生的破坏力量，在一个游戏中，如果我们没有通过解决好游戏设计和体验的深层次问题，谈何留存、流失、收入、活跃？！
所以，一款游戏的成功必然是好的设计和好的运营共同作用的。好的设计不是天然的，是通过不断修正和改良的，好的运营是建立在好的产品上。
阅读(...) 评论()移动学习运营必备哪些思维？游戏化、社群、大数据
六年的移动学习研究和实践，我们发现国内很多企业在完成了移动学习的&平台搭建&和&内容建设&后，往往不知道路在何方，深度经营和持续化都成了问题。纵观近十年的移动学习发展，笔者认为，从管理到运营是未来企业移动学习发展的必由之路，经历从无到有的飞跃之后，从&有到优&将是企业下一步思考的重点，而如何做&优&，平台的管理者需要以产品经理的思维重设计移动学习的生命周期，思考作为一款移动互联网产品的运营法则，最近琢磨六个互联网思维在运营中的应用，在此抛砖引玉，期待更多探讨。
平台思维倡导开放、共享、共赢，它的精髓在于打造多主体的共赢共利生态圈。其中对组织的要求是要变&他组织&为&自组织&，&他组织&永远听命于别人，&自组织&是自己来创新。在现代企业中，学习型组织的创建需要企业由上至下都有强烈的主动学习意愿，由&要我学&的被动式学习向&我要学&的主动式学习转变，变&他组织&为&自组织&。对于企业移动学习运营者来说，移动学习平台的运转靠的不是平台管理人员单方面的内容搜集和发布，而应该本着开放、共享、共赢的原则鼓励更多学习者的UGC，调动所有学习者的参与感，如鼓励学习者自制课件进行分享、搭建开放社区，鼓励学习者在社区内创建问题，发起讨论等。一句话，移动学习的平台思维要点是：组织者搭台，学习者唱戏。
用户导向是互联网思维的核心，即一切的出发点以用户为中心，关注用户体验和兜售用户的参与感。在企业的移动学习平台上有两类用户：一类是平台的管理者或者运营者，如何让这类人能够便捷地发起活动，便捷地管理平台数据非常重要;第二类是拥有强烈学习刚需的学习者，如何激发这类人群的学习兴趣、让大家愿意到平台上来，对平台上的内容和活动形式提出了非常高的要求，一方面在内容的设计上保证刚需、接地气，确保所有内容都是基于学习者需求设计，深度嵌入业务流程，融入工作实景;另一方面在形式的设计上有趣、好玩，满足非正式学习的&轻应用&特点，如文本内容尽量图表化，与时下较为流行的网络语言、活动设计与热门事件结合、降低参与门槛，如投票、问答、直播、微互动等。
运营策划是管理互联网产品的一项重要工作。移动学习平台的运营中，需要首先厘清两类平台使用者的角色定位，问鼎云学习认为，运营者的角色非常重要，很多企业把这类人员定义为内容的编辑和发布者，其实这只是平台管理者最初级的工作，更重要的工作应该是发挥策划的职责，策划内容，让内容更体系化、更有趣、更易于学习者学习;此外还需要策划各种吸引学习者访问的活动，如投票、抢单、调研、闯关游戏等活动，提高平台的活跃度等。蓝凌研究院院长夏敬华博士曾创新性地用扑克中的三张牌概括了知识管理运营的三个要点，它在以知识学习为主体的移动学习平台上也非常适用。这三个要点分别为：&J&，首先把用户勾到知识管理平台上，然后出&Q&，再用圈子或是移动APP等多种手段圈住(&Q&)客户，最后再打&K&，&K&掉价值不高的知识，让优秀的知识沉淀为企业的知识资产。在移动学习平台运营中，如何吸引学习者来到平台，如何留住平台上的忠实粉丝，如何在第一波热潮中洗牌，沉淀出一批精致的课程内容和活动，需要运营者能够更多地站在策划的角度进行探索。
游戏化思维
近几年，游戏化无论在企业管理还是培训学习中都得到了诸多的关注，业内也将游戏化作为未来企业培训发展的趋势之一。关于游戏化思维在移动学习平台中的应用，最近听搜狐畅游知识管理总监陈利华的互联网学习运营演讲颇受启发。他特别呼吁运营者关注学习设计中的&玩法&，以设计游戏产品的思维设计学习活动，通过游戏的设计把学习者的参与感和情绪调动起来，提升用户黏性。在陈老师看来，运营学习平台和设计游戏产品有很多共通之处，其中，游戏中的任务系统、每一个游戏动作的量化评估系统和及时反馈机制都非常适合在学习平台借鉴。如在移动学习平台的管理上，如何让学习者明确自己的学习任务，并清楚每一次的学习行为所产生的量化结果，进而及时反馈值得思考。10月23-24日，陈利华老师将会在深圳的企业移动学习峰会上就互联网学习的玩法发表精彩演讲，也期望大家届时关注。
大数据思维
大数据可以实现学习管理的科学导向和自然演化。其中的三个思维在移动学习平台上非常适用。第一，定量思维，即提供更多描述性的信息，其原则是一切皆可测，不仅学习行为可以数据化、学习偏好和学习内容都可以实现数据化的呈现;第二，相关思维，一切皆可连，寻找不同数据之间的相关性，从而发现移动学习平台上不同层级与岗位学习者的群体特点和认知倾向，为更精准的活动设计和内容规划做参考;第三，实验思维，一切皆可试，大数据所带来的信息可以帮助平台运营者制定学习传播策略。这个思维在电商购物中受到了非常大的效果，研究发现，在购物页面设置推荐功能可以有效提高产品的购买率和忠实客户数，这种推荐实验也非常适合移动学习平台借鉴，即通过适当的大数据挖掘完成学习推荐，提高学习者的活跃度和访问率。
《长尾理论》作者克里斯&安德森认为： 20世纪的合作模式是企业模式，企业雇佣雇员，人们在同一个屋檐下，为了某个大目标而工作，而21世纪的合作模式是关于社群的，一定是&中心化&被边缘&，&自由组织&取代&结构化&。而影响这种变化的关键正是自由开放的互联网精神。在社群思维里，社群拥有的并不是人群。它是比特世界中的&关系&、&连接&的集合，而不是源自世界中的&人&的集合。在移动学习平台上创建学习社群，需要聚集有着共同兴趣和共同任务的人群，鼓励人人为师，推动社群间的互动和交流，以问鼎云学习为例，同学圈功能在管理人员的培养项目中是一个非常大的亮点，这类人群因为已经具备一定的工作阅历和共同的管理经验，以案例研讨为形式的同学互动中迸发出了特别多的思维火花，也沉淀了一批管理工具和优秀课件。
最后，借用科幻小说《三体》的概念，高维文明攻击低维文明的武器是&降维&。如果将基于互联网思维的企业培训比作高维文明，那么传统培训思维就是低维文明。当高维文明的入侵者去管理边界、去组织流程、去实体课堂、去上传下达式的信息传播，将这些独立的维度损耗都降为零，低维文明所受的攻击无疑是毁灭性的，随着移动互联网的普及和80、90后新人类涌入职场并充当中坚力量，传统培训的时代已经终结，基于互联网思维的社会化和非正式学习模式必将颠覆传统培训的生存逻辑，迎来真正的学习者&自适应&时代。
看过本文的人还看过
最新图文推荐
最新专栏文章
大家感兴趣的内容
网友热评的文章1.4.2　分析师
本文所属图书&>&
《游戏数据分析的艺术》一共12章：第1章从宏观上介绍了游戏数据分析的重要意义、方法论、流程，以及游戏数据分析师的定位；第2章详细解读了游戏数据分析的各项数据指标，部分指标在游戏行业里都属于首次提出，为&&
分析师的任务是综合各方面的知识，客观运用数据进行理论分析，提供决策方案。
作为一名游戏数据分析师，要完成的工作不仅仅是找出问题、提供方案、评估效果，也要挖掘目前游戏的优点和设计亮点，当然，这几点也是站在运营和设计的角度来理解的，而基础都是数据和分析。
分析师强调作为玩家的能力、策划设计的能力，同时也强调其他的几个方面的知识，例如概率统计学知识、经济学知识、营销学知识、广告学知识、心理学知识和互联网知识等。
这些看似和游戏业务无关的领域和内容，恰恰会丰富分析师的综合知识和经验。这在早期对数据分析师职位的规划较少提出，因为数据工作一直以来都在强调分析业务理解能力而没有重视其他学科知识的学习，这会在分析师成长过程中慢慢形成理解和分析的障碍。而从游戏数据分析的工作来说，越来越需要具备这样的知识，深层的业务理解建立在一些基本的认识和理解基础之上，但这些能力的提升很大程度上并不来自于对业务的学习。
例如，从互联网知识中，我们会了解诸如免费、长尾理论等诞生于互联网的内容，在这些内容最初的发展和演进中，我们会了解到这些理论最初是如何被发现的，如何运用的，这一点恰恰会启发我们分析问题的思路。
在谈到分析师的能力时，很多人可能会罗列出以下的内容。
掌握游戏数据分析体系及指标。
了解基础统计学的知识及应用。
掌握一到两款常用分析工具。
具备各种报告撰写和分析能力。
提供可行解决方案和评估报告。
以上的内容还是比较分散的总结。真正从发展角度来看，分析师更多的时候需要站在旁观者的角度来分析，但这不意味着不深入业务，所以这里也提到了分析师也要具备玩家和设计的能力。如果从分析师本身出发，可以将分析师的能力做如图1-11所示的规划。
1.专业数据解读
大部分的数据分析师，都是面向业务的，这就决定了在其业务范畴内，在理解业务的前提下，要具备充分的数据解读能力。而每一个行业的专业数据解读都是从基本的指标开始的，这是数据分析师必修的课程。不过，这个阶段的指标必修，旨在要非常清楚指标的定义和原则。如果不了解原则和存在的意义，只记住了指标的标准，是没有实际价值的。
指标的存在是自上而下的过程，通过顶层的目标和需求的设计，将指标逐步分解成为具体的可观测的指标。从游戏数据分析角度来说，我们关注的顶层目标和需求如图1-12所示。
在图1-12中，比较粗略地组织了从游戏数据分析角度来说需要关注的一些目标和需求，此处是较为简单的向下分解，并最终落实到了具体的分析方向，而此后再次分解，就是具体的指标。对于分析师而言，无论从上而下（即从需求战略向具体分析指标），还是反过来的过程，都需要全面地理解指标、解读指标，了解指标究竟能够代表和分析哪些业务和具体问题。这项能力是在不断成长的过程中逐渐练就出来的。
与此同时，随着分析师的数据分析探索和理论知识学习，专业的数据解读会不断地深入和强化。
2.数据分析探索
游戏数据分析与其他行业的数据分析不同的是，游戏综合了经济、心理、社会和社交等方面的内容，是一个庞大的数据分析体系。例如，关于游戏内货币的通货膨胀问题，就需要我们通过经济学的角度来解释，并加以分析。再如，有关游戏中虚拟社会的社交关系，需要我们通过社会学的方法和策略进行分析，所以游戏数据分析从来不是一个保守的和按部就班的领域。
数据分析探索的内容较多，一方面可以认为探索源自对数据本身特征和分布的探索，此点更多是就数据本身层面的分析和摸索；另一方面基于一定业务场景，进行一些前瞻性的数据分析，如前面提到的关于游戏社会（公会）和社交部分的探索，就曾经在Playon项目中针对&魔兽世界&进行过关于公会的数据分析，并在论文《&Alone Together?&&
Exploring the Social Dynamics of Massively Multiplayer Online Games》中进行过详细的阐述。该论文指出，公会核心的成员并不会和很多的公会玩家一起游戏，在30天中，一个公会中平均每两个玩家游戏时间是22.8分钟，然而这一数据在核心成员之间则是154分钟。另外，公会核心成员之间彼此联系很紧密，相当于一个核心小组，65%的公会只有一个核心小组，13%的公会有两个核心小组，而3%的公会有3个核心小组。如图1-13所示，在针对中型公会的网络分析时有一些新的探索发现。
在某个公会的41名成员中，有17名成员从未与其他玩家在一个地图中相遇过，而余下的24名成员主要是靠一个8名核心成员的小组维持较高的游戏活跃度，这意味着这8名成员彼此之间的联系时间是非常长的，关系更为紧密。
上述对公会关系的分析，是对社交关系是否会影响游戏流失及活跃度的探索。而诸如此类的对游戏内容、设计的分析有很多，再如在游戏内进行用户聊天记录的文本分析，抓取用户的关键词，及时了解游戏内的动向和用户关心的内容。
在最近几年，游戏数据分析和研究开始逐渐流行，由于游戏产业的特殊性（文化创意领域），同时整个行业更加关注用户获取和用户营销，导致基于产品本身的数据运营和优化并没有得到应有的发展。这一点在移动互联网时代愈发明显，越来越多资金用于营销和用户获取，但是长久以来，在获取用户后，如何精细化经营用户和挖掘价值，却始终没有更多突破。不过，令人高兴的是，在进入2014年后，越来越多的游戏开发者，越来越多渠道开始注重留存率、付费率等数据的提升和优化，这已经是巨大的进步了。
然而，从整体形态上我们看到，游戏数据分析的发展还是迟缓的，数据指标体系、方法和思想还停留在早期的端游市场以及页游市场。进入了移动智能时代，数据分析需要更多的探索和变革，因为用户的终端更加多样和复杂，对用户而言，我们提供的移动游戏不再是公平的，有人可以正常打开游戏，有人却不得不面对游戏闪退等问题，虽然用户获取游戏的机会在变大，但是用户的选择性和流动性也在变强，所以谁能更好地提供服务，完善了体验，才会被更多的用户选择。
移动游戏用户比以往任何时候都挑剔和追求体验，因为移动设备本身就是提供体验的平台，这对开发者、数据分析师提出了全新的挑战，所以我们需要进行全新的产品探索、数据分析探索。例如，我们的产品提供符合移动智能设备设计规范的UI、体验和服务，而对于数据分析来说，我们将更加注重用户全生命周期的价值、不同设备用户的行为表现、渠道用户的质量和收益贡献、优化投放和调整经营策略。数据分析强调对于业务的理解，不仅仅是对产品业务本身的理解，还有对产品环境的理解，这点在当今的移动游戏领域是非常明显的。就分析本身而言，任何方法理论的诞生，都是在不断解决业务问题的基础上，进一步探索和实践才形成的。
3.理论知识学习
在数据分析探索一节中提到，探索的依据、探索的挖掘都是要基于大量的背景知识的，如果无法跳出游戏业务本身，站在更加高的角度来审视游戏，则很多分析都无法展开。例如，需要了解游戏中的付费转化率指标。下面结合设计体验和统计学来说明付费转化率的内在含义。
如果从设计体验来看，对付费转化率的分析就是在解决付费环境的问题，即转化率的高低代表了支付需求实现和支付环境的质量。例如，只需要4步就能完成游戏支付，但是实际设计时需要5步才能解决，从这点来说，多了一步支付过程，就多了一步用户的转化流失。
另一个很好说明设计体验的例子如图1-14所示，在一个手机游戏中，当用户购买道具时，用方向箭头的加减方式来确定购买数量，比手动调用输入法确定购买数量方便很多。此外，当我们发现用户对于某一种道具的消耗量确实很大时，则可以默认提供对应需求的道具数量，此时，对于多数用户而言，则是选择默认购买，很少会有用户选择购买9个或者8个，这点设计无形中提升消费数量，并且培养了消费习惯。
从体验设计来看，这种设计避免如图1-15所示的输入麻烦，减少转化步骤，效果自然就会好很多。这个例子可以说明，作为一名游戏数据分析师，你需要站在设计的角度来关心用户，完成你的数据分析。
此外，如果从统计学的角度来看待付费转化率，其实对免费游戏而言，付费只是针对一小部分用户，而这部分用户的付费，在某种意义上是因为他们达到了某些条件，或者到了一个不得不付费的阶段或状态。从概率角度来理解，付费转化率就是一个概率，即在免费用户中，发生付费的概率，这其中就蕴含了一些条件，在这些条件成立的前提下，我们有很高的概率发生付费。
所以，我们很关心用户在什么等级、时间或者任务发生首次付费，这些条件的寻找，就是在不断寻找用户发生付费转化的最大可能性，或许我们发现用户在30级发生付费转化有60%可能性，35级发生付费转化有80%可能性，通过一系列的数据探索，不断优化我们的分析结果和最终结论。这些不是仅知道游戏业务就能确立的分析角度和思考方式，还需要更多的概率知识。
通过以上案例，我们了解理论知识对于从事游戏数据分析工作的作用。游戏的确是一个包罗太多领域的产品，因此对数据分析师的要求就更加全面。前面我们只提到了设计体验、概率学，其实还有很多的内容是需要我们了解的，如图1-16所示是需要我们了解的内容。
除了以上的内容，还有其他的知识需要学习。总体来看，在这些知识领域中，我们主要要探究的是以下两点。
（1）问题分析的思路及方法
其他领域的问题分析和解决方案会最大程度帮助游戏数据分析师建立和完善方法论，以便可以从不同的角度剖析问题，提出解决办法。因此，如果仅仅局限在游戏业务内寻找办法解决，往往得不到答案。在这方面，笔者自身的经验十分丰富，例如互联网经济时代诞生的众包、免费、长尾理论，都是基于一些数据和思想方法而发现或者发展的理论，而这些理论或内容都将在游戏领域发挥巨大的作用。
（2）跨领域知识的运用实践
游戏数据分析的发展，其实还在起步阶段，从行业来看，我们还没有真正借鉴数据走向精细化运营。在这条路上，还有许多需要了解和学习的知识，如贝叶斯理论在游戏领域的应用、产品生命周期的管理、用户生命周期的管理、游戏用户CRM的建立，包括跨运营平台游戏的用户深度营销、推送和评估分析等，这些都需要我们不断探索。伴随大数据技术的不断进步，带动了各行各业进行有效的数据管理和加工，并且深入影响了用户和产品的运营，游戏中也应用了大数据技术、数据挖掘技术、广告技术，开始了全新的数据运用。此处，我们以playon项目对于&魔兽世界&升级时间的分析为例来阐述一下统计学知识的应用。
&一些玩家的升级速度很快，这些极端数据可能影响了总体数据。为了更清楚地认识这些数据，我们计算玩家升级速度的标准分（normalized scores）Z分数，计算公式如下。
Z分数=（X-平均分）/标准差
如图1-17所示，大部分玩家的升级时间确实是在平均数附近。在转换成标准分后，从1级到60级的平均时间是15.3天，中位数是13.9天。&
在这个例子中，首先强调的是业务理解，其次就是方法的运用。另一个例子就是很多人都会提到的ARPPU（游戏总收入/游戏总付费用户数），很多时候，该指标被拿来衡量用户付费能力，但是经过仔细的分析会发现，游戏中有超过70%～80%的收入是由20%甚至更小比例的鲸鱼用户（大额付费用户）贡献的，只是这部分用户占据游戏付费用户的比例非常低。此时，更多的付费用户则是&被平均&了。从根本上说，很多的数据分析师和指标的使用者在并不了解其背后的算术平均数使用时需要注意一些问题和使用限制。所以，我们需要懂一点儿统计学。同样，需要了解更多的其他行业的知识，并了解如何运用和发展。如果你学习一点儿统计学知识，你会发现，例如众数、中位数和几何平均数都是一些可以大胆使用的方法。
游戏数据分析也要借鉴电商的转化率和订单分析，网站的流量分析，购买消费中购买决策分析等，这些内容经过加工后，在游戏方向会有很好的应用场景和价值。
您对本文章有什么意见或着疑问吗？请到您的关注和建议是我们前行的参考和动力&&
(window.slotbydup=window.slotbydup || []).push({
id: '2467141',
container: s,
size: '1000,90',
display: 'inlay-fix'
您的浏览器不支持嵌入式框架，或者当前配置为不显示嵌入式框架。
(window.slotbydup=window.slotbydup || []).push({
id: '2467142',
container: s,
size: '1000,90',
display: 'inlay-fix'
(window.slotbydup=window.slotbydup || []).push({
id: '2467143',
container: s,
size: '1000,90',
display: 'inlay-fix'
(window.slotbydup=window.slotbydup || []).push({
id: '2467148',
container: s,
size: '1000,90',
display: 'inlay-fix'