Site icon 8bit.media

專訪《遊戲數據分析實戰》作者黎湘艷:好書力荐!遊戲人必備

Spread the love

這可能是過去十多年出版的大量遊戲類專業書中可讀性、實戰性、含金量最高的一本,甚至足以作為遊戲人“人手一本”的必備讀物。

GameLook報導/ 中國遊戲業持續多年高速增長、新人一茬接一茬入行,從業者多了、但知識卻被攤薄缺乏沉澱,這一直是個嚴峻問題。

在國內游戲業,PRAPA是最早的系統性的遊戲產品數據分析模型,由盛大遊戲在十幾年前提出,且成為國內游戲業的事實標準。PRAPA意味著大量的數據分析工作,盛大遊戲到底怎麼做的?最近,一本專業遊戲業工具書《遊戲數據分析實戰》的出版,可謂解開了這個謎團,作者之一的黎湘艷正是有著多年從業歷史的盛大遊戲資深遊戲數據分析師,該書系統性的梳理了遊戲全生命週期的數據分析工作的內容,選用了大量真實案例來講解,同時這本書也得到了盛大遊戲高管的力荐。

GameLook實際閱讀本書後給其的評價是,“為遊戲人架構數據分析的世界。”這可能是過去十多年出版的大量遊戲類專業書中可讀性、實戰性、含金量最高的一本,甚至足以作為遊戲人“人手一本”的必備讀物。其不僅適合數據分析工作的人士閱讀,也非常適合市場、運營、研發、策劃人員了解數據分析工作的方式和方向。

在《遊戲數據分析實戰》正式出版之際,GameLook有幸採訪到了該書的主要作者黎湘艷,其向行業講解了這本書的情況,以及她對遊戲數據分析工作的理解。

《遊戲數據分析實戰》作者黎湘艷

以下是採訪實錄:

首先問下,《遊戲數據分析實戰》這本書目前能通過哪些渠道購買到?

黎湘艷:這本書在噹噹、京東、亞馬遜、天貓、淘寶,全國線下新華書店都能買到。這本書80%的內容是我來完成,20%是另一前同事葉洋撰寫,我主要負責貫穿遊戲生命週期的日常數據分析章節。

能否介紹下你在遊戲業的從業經歷?

黎湘艷:我2002年進入盛大遊戲,2003-2008年分別在《傳奇世界》研發團隊、研發中心、技術保障中心任職過。2008進入數據中心,2013年到公司各個項目支持,親歷遊戲從預熱到公測一系列的數據分析工作,並且建立了自己的數據分析體系。2016年到手游事業部,負責遊戲數據分析、數據挖掘、行業研究和用戶調研的相關工作。

全書章節目錄

數據本身是一種工具,要正確解讀在於人對遊戲的理解

遊戲是一個創意產業,有人說數據驅動產品,比如之前有Zynga這樣常常採取A/B Test來數據驅動的歐美遊戲公司,但也有人對此有懷疑,你怎麼看?

黎湘艷: A/B Test在國內游戲行業的確用的不多,主要原因是遊戲做A/B Test的成本整體會比較高也比較耗時,比如產品迭代過程中的A/B Testt可能從設計多種因素的評估,這種A/B Test實驗通常會比較耗時也比較複雜,可能涉及多種因素的評估,A/B Test最簡單的實驗只能解決一個因素的問題。

數據本身是一種工具,工具的使用方式方法各有不同,有些以專業角度出發,通過更理性的方式來運用和解讀,有些則通過自身的經歷以及感受為基礎,數據對他們而言不過是一種出現判斷正確時候的證明,正確解讀的前提在於人本身對於項目的理解和需求。

一份完整的分析報告完成需多長的時間?如何對項目真正產生積極影響?

黎湘艷:一份完整的數據分析報告完成的時間主要取決於這份報告的深度和廣度,因為報告的深度、廣度、分析思路以及數據豐富度相關。數據分析有6個步驟,分別是明確需求->數據收集->數據處理->數據分析->數據展現->報告撰寫。前五個步驟大約佔用整個分析過程的80%的時間,報告撰寫約佔用20%的時間。

一份完整的數據分析報告完成時間,在沒有需要大量複雜數據的前提下,一般在一天之內完成,如果有大量的數據,基本需要一周左右的時間。另外,熟悉業務,有數據分析經驗,能大大縮短分析報告的撰寫時間。

數據分析報告是否能對項目真正產生積極影響,取決於報告是否能擊中業務痛點以及報告對像對報告建議的重視程度。比如:遊戲預熱期的用戶調研,能找到目標用戶的特點,發行人員是否會參考分析報告結果確定時間、地點及宣傳方式。比如游戲封測期間的用戶調研,能了解用戶對遊戲各項功能的體驗評價及相關建議,在於研發人員是否採納,是否以數據反哺研發;測算最優市場費用,能幫助項目合理分配資源,避免資源浪費。市場投放效果分析,能監控廣告投放效果數據並結合各媒體的特性,在於發行人員是否通過數據去發行問題,調配資源,使其效果最大化;流失用戶分析能找到用戶流失點,在於研發人員是否根據數據來優化遊戲;付費習慣分析能找到付費用戶的特點,在於運營人員是否根據數據制定相關的活動,從而吸引更多的人來付費。總體而言,數據是否會產生積極影響不在於數據本身,而在使用數據的人。

撰寫完數據報告後,分析師是直接給項目組反饋意見,還是由項目研發團隊自己根據數據來做優化呢?

黎湘艷:這就看分析師對於遊戲的理解。在做遊戲分析時,我們一般是分析數據背後原因。而對於一些資深數據分析師,他們會結合自身對遊戲的了解和用戶特性,給到一些產品優化建議。至於這個建議是否採納,還是在於看數據的人是否會真正的去運用數據,判斷這個數據是否對遊戲改進有幫助。

在遊戲優化過程中,一些公司會出現越修改數據越差的情況,您認為主要問題是在哪?

黎湘艷:越改越差主要取決於提出意見的人,他本身對於遊戲各個模塊的數值是否足夠了解。有可能修改了某個模塊,在這個模塊上是有調優,但遊戲所有模塊都是相輔相成的,可能導致其他模塊出現狀況,所以修改後整體數值並沒有得到提升。

數據分析師的日常狀態:單兵作戰,跟踪遊戲全生命週期

要做全遊戲的各類數據報告,研發團隊需要提供哪些基本的工具?數據分析團隊需要多大的規模?

黎湘艷:分析師會在遊戲上線前會提前跟遊戲研發團隊溝通,設計數據埋點,我們公司有專門的大數據團隊,提供數據計算和查詢的支持,用到的工具主要是hive、spark。spark主要用於實時計算和離線計算,Hive是日常的數據查詢工具。

我們的數據分析團隊規模是跟隨遊戲數量變化的,團隊人均負責3-4款遊戲。在遊戲測試期間和剛公測期間,工作量非常大,基本上每個人主要負責一款正在上線的遊戲。

在產品數據優化過程中,哪些部分數據改善可能性是最有效的?

黎湘艷:關於遊戲改進上,我們一般會在測試期做一些分析。比如用戶分析,這其中就包括付費用戶和流失用戶分析。這類分析結果都遊戲改進的提升比較大。

遊戲公司普遍比較關心付費用戶的反饋,這類用戶如何去把握他們的反饋意見?

黎湘艷:關於大R用戶的反饋意見,首先我們會通過遊戲內的一些數據知道他們的一些付費習慣和具體的付費情況。其次,我們有一些大R的QQ群,通過聊天記錄分析他們對於遊戲的訴求,然後提供一些建議給相關工作人員。第三,我們有專門的大R客服部門,會定期與這些大R溝通維護。

這本書中大量的案例是怎樣的選取標準?能否當作業內人士可參考的真實項目數據?

黎湘艷:本書的案例均來自於實際工作。案例本身是真實的,有成功案例、也有失敗案例,涉及卡牌、RPG、音樂、MMO、FPS等遊戲類型。但對數據做了一些調整,其中一些趨勢數據可以作為真實項目的數據參考。

案例選擇的標準是具有一定的代表性且涉及的遊戲類型多樣化。比如本書中的用戶調研案例就是一款射擊類游戲的真實項目數據,覆蓋遊戲各個內容,這樣便於讀者理解。

版本更新效果分析章節案例選取的是上線後數據有明顯變化的版本;活動效果分析選取的是涉及活動內容多,且能說明不同活動效果差異的案例; 開新服效果分析選取是一個不能盲目依賴數據,需要深度挖掘了解數據上漲的真正原因的案例。

而聊天紀錄分析則是選取了三種不同的數據來源,含遊戲內聊天、QQ群聊天和貼吧發帖記錄。流失用戶分析和渠道質量分析案例和書中提到的數據分析方法5W1H法和綜合評價法緊密結合。

您認為日常數據分析團隊工作主要聚焦於哪些問題?哪些部分該高頻研究?哪些需要做定期研究?

黎湘艷:日常數據分析團隊工作主要聚焦主要有四大塊:

1、貫穿遊戲整個生命週期的數據體系工作,從預熱->封測->公測各個節點的主要數據分析工作在本書中有提到。

2、各個遊戲項目的數據需求,這塊工作比較零散,但是時效性和重要度非常高。

3、行業研究,從宏觀上把握市場發展趨勢,及時發現市場熱點,幫助公司在遊戲生態圈中更好的定位,協助遊戲發行。

4、數據模型的建立和優化,挖掘用戶特點構建用戶畫像、預估人數和收入。

和測試節點相關的日報和周報,和版本相關的版本更新分析,活動效果和市場投放分析,以及項目組需求是高頻觀察的。

對於行業研究(這其中包括暢銷榜各類型遊戲變遷、國內和國際市場用戶規模、各遊戲財報收入和利潤等)是定期觀察的。

玩家問卷調查,如何保證調研的質量?

黎湘艷:首先對於問卷調研的數量上我們有要求,至少要有500-1000的樣本才能支持數據結果的參考性。其次,在篩選這些調研結果時,我們會做一些問題排查,盡量保證這些樣本里沒有亂填的用戶。第三,我們在做調研時,會給予一些獎勵,促使玩家認真參與。

調研的目的就是找到目標用戶,為遊戲提供一些優化建議。從調研工作本身而言,可以貫穿遊戲整個生命週期,每個節點和每次調研的目的各不相同。雖然調研可以在各階段進行,但實際上並不意味著每款遊戲各個節點都需要調研,還是看遊戲本身的需求來進行。比如做預熱時,我們需要找到目標群體,每款遊戲基本都會有這個過程。遊戲在測試期和公測期對於玩法的一些建議調研,這方面就根據不同遊戲自身的狀況來決定。對於一些引進的遊戲,我們無法做二次開發時,做玩法建議調研對於產品並沒多大幫助,更多的是匹配我們所理解的數據與玩家反饋數據是否一致。

本書一部分內容是對產品現狀的數據分析,還有一部分內容則是對產品未來的預測,實際預測準確率怎樣?

黎湘艷:關於收入預測的準確率,一般要結合樣本數量來看,大數據預測模型的樣本數量要求是10萬以上的數據量。我們更多還是根據整體數據趨勢以及運營經驗來預估,其準確率與實際結果還是很接近的。

給入行新人的建議:學好統計學和軟件,熟悉遊戲熱愛遊戲更易上手

做遊戲數據分析工作有沒有學科專業上的要求,和技能要求?如果不是統計學科班出身的同學,你有什麼建議?

黎湘艷:首先專業上,如果是數學、統計學和計算機相關專業,都能快速的上手,並且成長的比較快。

但是在技能上,需要具備:

1、紮實的SQL基礎;

2、熟練使用Excel;

3、有統計學基礎;

4、至少掌握一門數據挖掘工具和語言(R、SAS、Python、SPSS);

在掌握以上技能的基礎上,如果深入了解業務,和項目團隊緊密溝通,通過數據分析輸出的結果,及時有效地反饋到遊戲項目,能形成良性和有效的循環。

如果不是統計學科班出身的同學,建議一定要自學統計學,如果覺得看書太枯燥,可以看公開課的統計學課程。實際工作中的分析模型可以說都是來自於統計學基礎模型和方法論,因此掌握數據分析的統計學基礎知識是必須的,這也是在招聘數據分析師崗位時要求應聘者俱有統計學知識的原因。

了解統計學基礎的目的是為了數據建模嗎?你認為軟件技能重要、還是建模能力更重要?

黎湘艷:統計學一方面是為了建模打基礎,另一方面統計學是數據分析理論和依據。如果沒有學統計學,有一些數據規律你無法去描述並深入應用。如果你學了統計學,這些問題都會迎刃而解。

您認為對於剛入行的新手來說是直接做數據分析師合適還是先在其他崗位熟悉下?

黎湘艷:數據分析崗位也能兼顧了解其他產品,數據分析師如果自身就非常熱愛遊戲,了解遊戲,就沒必要去其他部門先了解產品了。如果是有產品運營和研發經驗的人員轉行做分析師時,會有一些經驗加分,他們本身對遊戲就非常了解,能在最短的時間內熟悉業務,解讀數據。

原創文章,如若轉載,請註明出處:http://www.gamelook.com.cn/2018/02/320890

Exit mobile version