6000字长文，详解数据分析如何驱动游戏决策

来源：本文节选自数数科技新书《游戏数据分析：从方法到实践》，点击「阅读原文」即可购买

游戏行业从业者的日常工作与游戏决策分不开。

游戏决策，顾名思义就是在游戏的研发、运营等各环节所做的决策，包括但不限于决定如何设计核心玩法、如何开展运营活动、如何优化游戏体验等。游戏决策贯穿于游戏生命周期的始末，塑造了游戏的整体形态。因此，游戏决策的优劣将直接影响游戏的市场表现，改进决策的质量能够有效提升游戏营收能力。

那么，数据分析是如何驱动游戏决策，帮助游戏获得成功的？‍‍

数据分析在游戏决策中的作用

一直以来，数据分析在游戏决策中最主要的作用，就是从数据中发现问题，为决策指引方向。比如，近期游戏的收入有所下降，就要进行一轮决策，调整运营策略，拉动游戏收入。以下列出的是数据分析在游戏决策中的一些应用场景。

① 确定单服务器的用户数

这是 SLG、MMORPG 等强社交游戏在测试阶段经常要做的决策：通过开设多个用户数不一的服务器，对比不同服务器上用户的活跃度及留存率，确定对于单个服务器而言，其用户数为多少时活跃度和留存率指标数据最理想，游戏生态最佳。

② 确定广告投放策略

通过分析各渠道、广告组的用户 ROI 数据，优化买量与广告投放策略。

③ 确定活动的道具投放量

通过分析活动前用户的道具保有量、道具的获取与消耗情况，以及道具相关玩法系统的进度等指标，决定在活动期间是否投放道具、投放道具的类型及数量。

④ 用户分层

根据用户参与游戏玩法的情况、参与活动的情况，以及用户的等级、生命周期天数等因素，对用户群体进行精细划分，即进行用户分层，然后针对不同层级的目标用户，制订差异化的运营策略。

除了在决策前发现问题，数据分析还可以在决策过程中量化目标与验证假设，在决策后评估效果并总结。下面通过一个具体案例，详细解读游戏团队是如何通过数据分析调整运营策略，扭转游戏的市场表现的。‍‍

案例详解：通过数据分析调整运营策略

本案例中的游戏团队早年做过不少广受好评的单机手游，游戏创意与制作水平得到用户的一致认可。他们推出的第一款强联网游戏，尽管制作水准仍然很高，但在不删档测试前期，游戏的市场表现却不如预期，其用户评价也完全不及之前的单机游戏。

通过查看游戏的核心指标，业务人员找到了游戏当前存在的主要问题：新用户的次日和 3 日留存率不高，而且付费总流水、ARPU 及付费渗透率等核心付费指标都不理想。用户留存与付费情况都不佳，这对于一款游戏而言是相当致命的。好在这款游戏本身质量还不错，而且当前处于测试前期，尚未进行大规模买量，如果能及时调整运营策略，仍然能扭转市场表现。

制订运营方案，这就是一个典型的游戏决策场景。该游戏团队充分运用数据分析驱动游戏决策的方法论，将数据分析贯穿于决策的全流程，最终制订了一系列颇为有效的优化措施，提升了用户的留存率与付费率。最终，游戏在公测后取得了不错的成绩。下面本文将详细介绍这个游戏团队运用数据分析做决策的过程（下文以 “A 游戏”指代该团队的这个游戏项目）。

量化决策目标

在进行决策前，必须确定要达到的目标。而数据分析在游戏决策中发挥的第一个关键作用，就是帮助决策人员制订一个可衡量的、有指导意义的目标。

A 游戏的目标是“提升用户的前期留存率”“促进用户付费”，但是这样的目标比较笼统，做数据分析时很难找到合适的切入点，在决策被实施后也不容易评估效果。运用数据分析，我们可以将这个目标改为与之息息相关的关键指标。比如，“提升用户的前期留存率”就可以改为“提升次日及 3 日留存率”，关键指标就是次日与 3 日留存率；“促进用户付费”也可以改为“提升付费渗透率”，关键指标就是付费渗透率。量化决策目标，可以引导业务人员从与这些指标关联的游戏玩法切入，构思决策方案；在评估决策效果时，也可以以指标提升的幅度作为依据，更为直观、简便。

那么，可否将总体 ARPU 或者次日留存率等游戏核心指标作为决策的关键指标呢？这种做法存在问题，游戏核心指标基本上都是宏观指标，会受多种因素的影响，可能误导对决策效果的评估。我们可以采取两种方法。一种是运用结构化思维，把大的宏观指标分解为一组更小、粒度更细的指标，然后将这一组指标作为决策的关键指标，在为大型活动、游戏的大版本迭代做决策时，适合使用这种方法。因为大型活动与游戏的大版本迭代往往需要实现多个业务目标，比如大型活动既要吸引新用户，也要带动老用户活跃及付费，那么就可以将新增用户数、用户参与度及付费率作为关键指标。另一种方法是将宏观指标替换为更具体、更容易实现的指标。这种方法更适合在测试阶段使用，采用“小步快跑”的形式，更敏捷地优化游戏。

A 游戏处于测试阶段，显然更适合采用第二种方法。分析人员在选择更具体的指标时，采用了两种思路。

第一种思路可以称为“维度下钻”，也就是给宏观指标加上一些限定条件，缩小指标范围，这样更容易找到决策的切入点。例如，将“付费渗透率”限定在“新增用户”人群，关键指标就变为“新增用户的首次付费率”。经过计算，发现 A 游戏新增用户的首次付费率仅为 1%，远低于 10% 的平均水平，说明这一指标确实反映了游戏的问题，非常适合作为关键指标。

第二种思路可以称为“关联指标”，即运用业务化思维，梳理指标间的因果关系，寻找关键指标的原因指标。例如，分析人员基于 A 游戏用户次日留存率较低的情况，推测首日的新手引导流程可能有问题，因此选择“新手引导漏斗的转化率”作为关键指标。经过计算后发现，新手引导漏斗的转化率仅 35% 左右，大量用户在 A 游戏团队预估的流失点之前就因“卡关”而流失。简单的指标计算结果就已经充分反映了游戏亟需优化的环节。

最终，分析人员制订了两个目标：“提升新增用户的首次付费率”与“提高新手引导漏斗的转化率”。总的来说，通过数据分析制订可量化的、具有操作性的目标，既使得决策效果更易评估，也使得分析人员在进一步分析时，更容易提出假设，获取更多决策线索。

获取决策线索

确定决策目标后，就要获取决策线索。决策线索可以分为主观线索与客观线索。主观线索主要来源于经验，比如分析人员对业务的理解、对行业发展趋势的判断，以及过往决策的经验。而客观线索则主要来源于数据，可以是问卷调查的数据，也可以是用户实验的数据。当然，数据分析是最重要的获取客观线索的方式，这也是数据分析驱动游戏决策的体现。

作为拟定决策方案时最重要的依据，决策线索必须具备以下三大要素：

① 全面性：决策线索要足够全面，避免遗漏重要信息。

② 可信性：决策线索必须经过严格验证，真实可靠。

③ 指导性：决策线索必须契合业务发展方向，能够指导分析人员拟定可落地的方案。

所以，通过数据分析获取客观线索时，也需要考虑这三个要素。本文将介绍一套基于“假设检验”的分析流程，遵循这套流程可以较为全面地获取具有指导意义的客观线索。下面将以“提升新增用户的首次付费率”这一决策目标的分析流程为例进行介绍。

整个分析流程由提出假设、选取指标进行验证、形成结论这三步组成，其核心是分析人员运用结构化思维对决策目标进行拆解，再运用业务化思维提出符合业务发展方向的假设。在本例中，分析人员以“新增用户首次付费率较低”作为逻辑原点，推测用户的付费意愿不高，因此从付费意愿的角度出发，提出了三个方向：需求、供给与价格，再结合业务化思维，提出了以下三个待验证的假设。

① 用户不愿意购买游戏中的关键养成道具。

② 用户消耗钻石的渠道过于有限。

③ 付费购买钻石的各档位兑换比完全一致（即 6 元付费档位与 648 元付费档位获得的钻石分别是 6 颗与 648 颗，付费金额与购得钻石数量固定为 1 比 1 ），抑制了用户购买高档位钻石的意愿。

‍

接下来，就是运用指标来验证假设，确保决策线索的可信性。如何选取合适的指标来验证假设呢？有一个小窍门：每一个假设都会有一个业务切入点，比如上述的三个假设，其切入点分别为关键养成道具、钻石消耗渠道，以及付费金额与购得钻石数量之比，基于这些切入点来选指标就会更容易。比如，对于假设 2，就可以选取用户在不同渠道的钻石消耗情况作为验证指标；对于假设 3，则可以选取不同档位钻石的购买情况作为验证指标。

如果经过分析，所选择的指标无法支持假设，也先不要着急否定假设，还可以考虑用原指标的上下游指标再做一次分析。比如，对于假设 1，分析人员一开始选择分析道具的获取与消耗情况，发现关键养成道具的获取数明显大于消耗数，看起来并不存在道具供给不足的情况。于是，分析人员转换思路，转而分析用户参与产出关键养成道具的关卡的情况，最终发现用户参与这些关卡的次数要远高于其他关卡，说明用户对于养成道具的需求是很大的。可能因为每次养成道具的消耗数较大，用户需要攒一段时间才能消耗，因此用户的账户中一直保有一定数量的养成道具，从数据上来看就会出现养成道具的获取数高于消耗数的情况。

最后，基于分析结果形成结论。结论要有指导性，所以不能单纯以“某某假设成立”作为结论，而是要结合业务给出一定的指导意见，也就是提供决策线索。下表列出了 A 游戏的分析人员对三个假设的完整验证过程，可以看出，每一个假设的分析结论都包含了对业务的指导意见，可在拟定决策方案时参考。

“新增用户首次付费率较低”的假设验证过程

无论假设是否成立，最终形成的结论都可以作为有效的决策线索，在后续拟定决策方案时使用。另外，还可以根据这些线索再提出假设，不断循环，直到无法提出新的假设为止。通过这样的方式，就可以确保决策线索的全面性，避免遗漏重要信息。

拟定决策方案

获取充分的决策线索后，就要拟定决策方案了，也就是确定实现决策目标的具体措施。拟定决策方案是一个复杂的过程，对于不同的游戏类型及游戏所处的不同生命周期阶段，不同的业务人员可能会制订截然不同的决策方案。

前面提到，决策线索应具备指导性，因此业务人员可以根据决策线索制订具体措施。下表列出了 A 游戏的业务人员根据三条决策线索制订的具体措施。

“提高新增用户首次付费率”的具体措施

从表中可以看出，一条决策线索可以引出许多具体措施，在考虑如何实施这些措施时，采用 A/B 测试或者灰度测试等更为敏捷的方式，既可以降低试错成本又能提高优化及迭代游戏的频率。另外，可以综合考虑不同的决策线索来制订措施，比如综合考虑表中的线索 1 和线索 2，业务人员提出，在商店中加入关键养成道具，而且这些道具需要用钻石才能购买。

最后，还要注意现有数据能否评估决策效果。如果现有数据存在遗漏，就要在制订决策方案时考虑好数据采集方案，并在调优措施上线时准备好数据采集的代码。比如，游戏的大型活动或新版本上线时，往往会推出一些新玩法或者新系统。这些新内容与决策目标息息相关，因此必须提前规划对于这些新增内容该采集哪些数据，并在游戏新版本和活动上线时同步上线数据埋点，这样才能在第一时间评估决策效果。

评估决策效果

实施决策方案后，还要再次通过数据分析来评估决策效果。在评估效果时，可以考虑两类指标。第一类就是决策的关键指标，其直接反映决策目标是否达成。由于关键指标是经过量化的，因此非常容易评估决策效果。分析人员在 A 游戏的优化版本上线后，再次对“新增用户的首次付费率”进行分析，发现该指标从原先的 1% 增至 15%。受此影响，游戏的整体营收也上了一个台阶。可以说，决策目标超出预期地完成了。

当然，并不是每次实施决策方案后，关键指标都会有如此明显的变化。此时就需要用第二类指标，也就是反映措施是否有效的指标，进行更细致的评估。比如，通过用户用钻石购买关键养成道具的次数，就可以评估对应措施产生的效果是否符合预期。如果关键指标的变化不明显，那么对措施的有效性进行分析，也可以评估决策方案最终是否成功。

效果评估的意义不仅在于揭示决策目标是否达成，更重要的是了解决策方案有效或者无效的根本原因。A 游戏的分析人员在分析新增的“英雄礼包”的购买情况时，发现结果并不如预期，于是进行更深入的分析：通过对比不同用户群体的数据（比如付费情况、是否保有礼包内的“英雄”等），了解不同用户群体对于“英雄礼包”的购买偏好是否不同，付费高的用户是否更愿意购买这类礼包。实际上，很多游戏团队都会将多次活动的评估结果汇总为一个“活动—人群”矩阵，记录不同人群适用于什么样的活动（刺激付费或提升活跃度），以便后续对活动进行决策时参考。通过评估决策效果，分析人员能够总结决策的成功经验，提高后续的决策质量。

决策流程小结

最后，我们再以另一个决策目标，即“提高新手引导漏斗的转化率”的决策流程收尾，总结数据分析对于游戏决策的驱动作用。

首先，“提高新手引导漏斗的转化率”是分析人员基于“用户在前期留存率低”的问题而确定的决策目标。这个目标是可量化的，而且具有指导意义，所以可以直接将“新手引导漏斗的转化率”设定为逻辑原点，从这一点出发寻找决策线索。

由于大量用户在预期的地方之前“卡关”，分析人员意识到自己可能出现了误判：由于自己比较熟悉游戏的玩法，因此主观地认为用户进入游戏后游玩过程很顺畅。从数据上来看，用户在游戏的中前期玩得并不顺畅；同时，新手引导漏斗的最后几步转化率也不高，预示着用户在第三天左右会再次集中流失。

因此，分析人员提出两个假设：一是在用户进入游戏游玩的前期，缺乏引导，导致其对养成内容不理解而卡关；二是用户游玩到第三天，缺乏目标，不知道如何进一步提升战力。运用对应的指标加以验证，分析人员发现前期确实存在对用户缺乏引导的问题；而第三天后，用户没有游玩次要玩法，导致战力缺失，出现“卡关”现象。

基于上述线索，分析人员决定在游戏前期增加更多引导，并且将养成系统的引导改为强制引导，确保用户拥有足够战力通过新手前期的关卡。其次，在游戏中为用户设立一些目标，比如下调“每日任务”“每周任务”的开放等级，促使用户更快积累资源、提升战力；同时在后续版本中更新“通行证”，增加用户参与各玩法的动力。最后，分析人员认为需要通过活动来帮助用户形成参与游戏的习惯，因此在新手 7 日活动中增加了参与养成系统与次要玩法的奖励——只要参与了规定次数即可获得奖励，以提升用户对各系统的熟悉程度。

最后，评估决策的效果，分析人员发现新手引导漏斗的转化率有了明显提升，用户在前期出现的“卡关”现象消失，第三天游玩内容对应的漏斗转化率也有很大的提升。不过，用户的 7 日留存率还有进一步提升的空间，因此分析人员随后进行了新一轮的游戏决策。下表记录了“提高新手引导漏斗的转化率”完整的决策流程。

“提高新手引导漏斗的转化率”的决策流程

这样的游戏决策，A 游戏的团队进行了多次。每完成一次决策，A 游戏的市场表现都会有一定的改观。经过数次成功的决策后，A 游戏开始获得市场认可，并在正式公测后取得了一定的成绩。本案例也证明数据分析能够有力驱动游戏决策，帮助游戏团队做出更好的作品。

关于《游戏数据分析：从方法到实践》

以上内容节选自数数科技 4 月发布的新书《游戏数据分析：从方法到实践》。这本书由数数科技数据分析师团队编著，历时近两年时间，书中内容来源于团队千余家游戏企业、近万款游戏项目数据分析服务经验。‍‍‍‍‍‍‍

新书发布后，读者的反馈是我们最关心的。这一个多月以来，我们收到了很多来自全国各地读者朋友们的真实反馈和建议。还有的读者认真做了完整的读书笔记，分享给了身边的同事、朋友。

游戏行业的大咖们在阅读之后，也倾力推荐。‍

除此之外，这本书还受到了游戏葡萄、游戏陀螺、游戏茶馆、游资网、游戏客栈、游戏价值论等主流游戏媒体的关注和报道，在游戏圈反响热烈。

在大家的支持之下，这本书也一度登上京东计算机与互联网类图书排行榜 Top1、游戏开发类图书 4 月销量榜单 Top1。

非常感谢大家的支持。

《游戏数据分析：从方法到实践》是数数科技成立八年来发布的第一本专业书籍。我们真诚地希望书中的经验、方法总结和案例实践对游戏行业从业者有所价值，能帮助游戏数据分析初学者建立正确的数据思维，掌握体系化的数据分析方法。初次出书，我们也收集了不少读者对书中内容的建议。对于这本书存在的缺陷和遗憾，我们会不断精进，在内容上继续迭代。

欢迎大家持续关注。

END

6000字长文，详解数据分析如何驱动游戏决策

数据分析在游戏决策中的作用

案例详解：通过数据分析调整运营策略

获取决策线索

拟定决策方案

评估决策效果

决策流程小结

关于《游戏数据分析：从方法到实践》

优秀游戏企业都在用的数据分析平台

数据驱动游戏业务增长

6000字长文，详解数据分析如何驱动游戏决策

数据分析在游戏决策中的作用

案例详解：通过数据分析调整运营策略

获取决策线索

拟定决策方案

评估决策效果

决策流程小结

关于《游戏数据分析：从方法到实践》

相关文章

CTO要靠AI救命？

这家成立了20年的游戏公司告诉我们什么？

2步，让混变游戏的付费留存连续上涨！

热门文章。

12021 游戏数据驱动增长白皮书

22023中国移动游戏品类发展研究报告

32021 中国游戏企业发行策略研究报告

42022 年中国手游行业研发趋势报告

5喜讯｜数数科技正式签约人人游戏

优秀游戏企业都在用的数据分析平台

数据驱动游戏业务增长