次就主要站在运营分析师（兼大神玩家）的角度来看看对游戏运营数据分析的理解。

在游戏上线前，一般有三个阶段，发行预热期、内测和公测。

发行预热期一般需要做一些准备工作，比如产品定位，市场宣传，竞品分析等。我们需要通过一些方式，比如问卷，收集数据，清理数据，再用数据分析的工具，比如R 或者SQL来分析，之后用数据可视化的方式形成报告。

内测顾名思义就是内部测试，从内测开始会放很小的量，导入少量的玩家——但是要求是这些玩家必须有KOL或者资深玩家的属性或资质。

基本就是这么一撮大佬了

会有一些渠道质量分析，内测用户分析及其他的分析。

公测即是指公开测试，这样的测试面广，在公测期间需要做市场分析、用户分析、付费分析、版本分析等。

在这个时间跨度内，数据分析师的工作按时期分类大致可以分为：

用户成长期间

付费增长（广告、搜索引擎优化、搜索引擎营销），有机增长，市场（用户细分、用户定位）等。

用户稳定变现阶段

平台质量监测，用户成长指标，推荐量，用户留存，付费转化漏斗，成本优化，客户维系，营销策略等。

后台建设

服务器容量，服务器稳定性，服务器速度。

不论在哪个类别里，数据分析时都要做到监测数据，建立数据管道，形成可视化报告。

常用的模型框架，有漏斗分析，留存分析，A/B test, 收支平衡分析，瀑布图，用户细分等。

叨叨了半天，敲黑板的时候终于来了，因为每个框架细讲会将很多，我就只把最核心的部分在这里表现出来。

漏斗分析

通过漏斗分析，各个环节的用户情况就一目了然了。

留存分析

留存分析伴随了整个公司的发展周期，可以从玩家30天的留存曲线中跟踪用户每天的活跃情况。

a/b test

比如这款游戏产品有一处需要做改变，如何去衡量他的表现呢？（建议收藏，很多小伙伴第一次看可能看不懂）

假设我们有两组变量，一组叫a,控制组，一组叫b，对比组，同样的界面，a组中的颜色是红色，b组是蓝色，我们检测为期1周的数据。

控制组a 对比组b

页面访问量： 500 页面访问量：500

注册转化量： 500 注册转化量：60

转化率Pa: 50/500 = 0.1 转化率Pb: 60/500 = 0.12

Pb-Pa = 0.02, 我们是否应实行b组？

若我们建立原假设

H0: d = Pb – Pa <= 0

d ~ N(0,SE),

若取a=0.5, z =1.64>1.04, 所以不能拒绝原假设，即b组不一定比a组好。

但若我们把时间拉长，比如两周，一个月，我们会得到更多的页面访问量，

若转化率不变，在同样显著性水平下，我们会得到更大的z值，这样就可以拒绝原假设，得出b组比a组带来的转化率高的结论。所以，在a/b test中，需要先确立合适的样本量。

收支平衡分析

取得成本 = 用户生命周期价值

ROI = 用户生命周期价值/成本

基本收支平衡模型： 用户生命周期价值=每阶段从每个用户获取的平均收益/用户流失率

瀑布图

比如我们的日活用户上周增加了5%，那么这是如何计算的呢？

日活用户=现有用户+新用户+回头用户-流失用户，用瀑布图，我们可以清楚地看到用户群体的差异。