做设计为什么还需要看数据？1、做设计为什么还需要看数据？ 很多设计师从来不看数据，要么是因为没有数据可看，要么是根本不想看，但是也一样把设计做的很好啊!设计本来就是有感性的一面，为什么非得要和数据扯上关系呢?我们不妨先看看设计的本质是什么。设计不同于纯粹的艺术，艺术源于艺术家对现实的观察和思考，以及对这种观察和思考的自我表达;设计天生就是为别人在做事情，纵然同样需要观察和思考，但是这种观察和思考不是为了表现设计师的自我，而是为了更好地服务于某个用户群，因而设计师了解用户就变得非常重要。尤其是要了解用户的目标、行为、态度等相关的情况，我们这里说的数据其实也就是对用户的目标、行为、态度等情况的量化，因此，通过对这些数据的分析，我们可以更好地挖掘用户的需求，进而为用户提供更好地体验。 简单点说，设计是服务于用户的，了解用户才能更好地做设计，数据是了解用户的一种途径。 2、数据在项目中的作用有哪些？ 要了解这个作用，我们先回到设计师看数据的主要场景，总结起来无外乎两类：一个是因为项目的需求，通过数据的论证，让设计走得更从容，有理有据，而不是设计师自己的YY;另外一个是日常监测的需求，自己做的产品，总要知道大概有多少人在用，使用的情况如何，用户的行为和预期是否一致。也就是说要了解你的设计被使用的情况，否则你怎么知道设计的好不好，是不是达到了设计目标，是不是真的帮助用户解决了问题。 先来分析下项目中看数据的场景。几乎整个设计的过程都可能会用到数据，概括起来可以把这个过程切分成三部分：  设计前数据帮你发现问题：所有设计开始之前的研究和分析，都是为了更明确用户的需求，明确为什么要做这个设计?从业务的角度来看，这个产品对公司有何价值，此次设计要达到什么目的;从用户的角度来看，这个产品对用户有何价值，此次设计要为用户解决什么问题;在了解业务诉求和用户诉求的过程中，我们难免要用到数据，这个阶段，数据的作用就是为了“发现问题”，看看设计可以解决什么问题，从而更佳明确设计的目标。 当然具体的工作中，多数设计师都比较纠结，既要考虑业务诉求，又要考虑用户诉求，如果这两者不能完全匹配的时候，我们该咋办，是两者的相加吗?还是我们就只考虑用户诉求，对业务诉求看看就行了。我个人的理解是，现实工作中我们都不是在追求最完美的设计，更多的是在做平衡，如果是一个用户型的产品，比如偏向于为用户提供某个功能的平台，本身就是完全从用户的角度出发，通过为用户提供功能帮助用户解决问题的，应该向用户诉求靠拢多一些;如果是一个商业型的产品，比如偏向于为用户提供某些内容的平台，那么在为用户提供主动查找的入口的同时，可以适度的向着业务发展需求倾斜，做适度的业务层面的引导;当然这个也不是绝对的，往往同一个平台，同一个产品，在不同的发展阶段也有不同的需求，如果是一个全新的产品，业务的生存就变得格外重要，这个时候设计应该多一些考虑业务诉求，先帮助业务生存，否则，这个产品都要挂了，还怎么为用户提供服务呢? 当然，好的设计师总是能在业务和用户之间找到巧妙的平衡，找到二者的交集，举个例子，假如这个产品这个阶段就是要做用户规模，而用户诉求是享受个性化的服务，看似完全不关的两个诉求，实际上我们完全可以通过更好的个性化服务提升用户满意度，获得好的用户口碑，再间接地借助用户口碑提升产品的用户规模，这二者之间并不是完全的不相干，更多的时候看能否找到他们的关联性，抓住阶段性的设计目标。 通过一个具体的例子看看如何利用数据来发现问题?数据代表的是用户的目标、行为和态度，但是单独看一个数字是没办法发现问题的，数据的对比是最简单有效地手段。我们知道交易关系买家所产生的交易对1688网站有着非常重要的意义，我们想提升交易关系型买家的交易体验，但是不知道从何入手，因此做了大量的数据分析。交易关系买家是通过什么方式找到老卖家?不同路径的转化率如何?不同用户查找方式与转化率有什么差异? 首先，通过用户群的细分，我们发现，交易关系买家通过搜索支付订单转化率是搜索整体支付订单转化率的2倍。因此,在搜索结果中增加老买 家标签,方便找到老卖家。  此外，我们还发现，普通会员、1-2星会员等级,是提升交易关系交易的关键用户。  通过以上的数据分析，我们找到了目前主要的一些问题，围绕着这些问题，后续做了优化方案。 设计中数据帮你判断思路：因为设计师的个人经验不同，创造性思维不同，因此不同的设计师面对同一个问题，解决方案也很可能差别较大，即便是同一个设计师也会想到不同的解决方案，到底哪个方案更合适，有些情况下数据可以给你参考意见，为你提供“判断思路”，协助你做决策;条条大路通罗马，但是哪一条路才是当前最合适的呢? 通过一个具体的例子看看如何利用数据来判断思路?有一个批发类的电商网站(1688.com)的频道首页(ye.1688.com)，我们发现用户的转化率很低，就去研究了数据，然后结合了对典型用户做的用户访谈的结论，最后发现转化率底的原因其实很简单，这个频道的首页入口主要是来源于整个网站的首页，而整个网站的首页是一个全行业品类的页面，用户如果是女装行业的买家，她从一个全品类的首页点击一个链接进入另一个全品类的页面，再艰难的找到女装这个类目，再点击进入List页面查看商品，这个路径是非常深的，那么怎么解决这个问题呢?那就是要避免做女装的用户从网站首页进入这个频道之后还要再次选择女装类目，才能看到女装的商品! 解决这个问题的思路有哪些?可以在网站首页增加入口，让用户直接点击女装类目进入频道首页，给用户展示女装商品;可以在用户进入频道首页之后，根据行业偏好的个性化数据来推荐商品，推荐的不准确，用户也可以去定制;到底哪个更靠谱?两个思路各有利弊，鉴于前一个思路需要有外部依赖，要改动网站首页，所以我们内心都很期望后一个思路能跑通，但是怎么知道这个思路行不行?首先我们需要知道行业的个性化推荐能覆盖多大的人群，又有多少的人愿意去定制行业偏好? 对于普通的网站来说这个可能是一个不够明确的问题，但是1688.com是一个会员用户早就过亿的B类电商网站，有着如此庞大的用户规模，较高的用户覆盖率，这就意味着对用户行为数据的积累，再者B类的用户有一个显著地特征就是在一个较长的时间里，行业的偏好相对比较稳定，如果是一个主营女装的买家，那么她的偏好一般会以女装为主，不会超出服装的范围，最多会有少量的服装周边配套的采购。  如上图，通过行业偏好的个性化算法，我们追踪了一段时间来访这个频道首页(ye.1688.com)的用户数据，我们发现大约2/3的用户是有着非常明确的行业偏好的，那么这基本可以断定做行业偏好的个性化推荐是靠谱的!但是剩下的1/3用户愿意去定制行业偏好吗?我们当时因为时间原因，无法直接从这1/3无明确偏好的用户中去判断他们是否愿意定制偏好，但是通过整个用户群的问卷抽样调查发现，大约3成的用户表示定制行业偏好是很好的服务，基于这些情况，我们判定基于行业偏好的个性化推荐能够解决绝大部分用户的行业偏好问题，提升了内容的相关性。这个方案最终上线后，实际上有大约10%的人真正找到定制入口并且产生了定制行为，70%的人不用定制，实现了默认的精准推荐。 设计后数据帮你验证方案：我们的设计方案到底做的好不好呢?衡量标准就是看设计方案是否能够达成设计目标?这也需要数据来量化，通常会用GSM的模型来支撑设计的验证。G(Goal)设计目标、S(Signal)现象信号、M(Metric)衡量指标，所谓的设计目标，就是要确定设计要达成什么结果，要解决什么问题;衡量指标，我们不能凭空猜想，必须建立在设计目标的基础上，先假设设计目标会实现，那么会出现什么现象或信号呢?列举出所有的现象或信号，选择我们可以监控的到的，然后对这个现象或信号产品进行量化，自然就得到了衡量指标，但是指标的波动幅度往往要依赖经验来定。 比如说，某个产品的设计目标是通过设计的引导，让更多的买家产生购买，想象一下，如果设计目标实现了，会有什么现象呢?可能会有更多的人有购买意愿，看了商品详情页，点击了购买按钮等等，最终也产生了购买，那么，衡量指标是哪个?设计只是改变了商品信息的呈现方式，并不能改变商品本身的质量或背后的服务，所以我们应该重点考察设计是否强化了引导，提升了购买意愿，是否激发了用户进一步了解的行为，主要是指浏览行为，最典型的就是到达了商品列表页或者商品详情页等，量化的结果就是看又进一步行为的用户的比例; 通过一个具体的例子看看如何利用数据来验证你的设计方案是否达成设计目标。曾经有一个找产地的功能模块，我们在设计前进行了调研，用户告诉我们他们需要找产地，而且比较习惯于用地图来找产地，我们欣喜若狂，照着这个方向做了个产地直达的楼层，我们坚信用户告诉我们的肯定是对的!但是这样的设计真的能达到帮助用户高效找产地的需求吗?来看下面的数据分析。  用户的目标不是要找产地吗?还告诉我们用地图找产地很符合他们的习惯呢?为什么上线后，用户却不怎么使用这个版块???我看到这个数据非常的意外，一时之间根本摸不着头脑，后来再去看了看这个板块的热力图，一下子恍然大悟。通过数据分析得出，地图纵然符合用户习惯，但是才这么狭小的地图上进行如此复杂的操作，其效率是非常底下的，因此将地图找产地的功能保留下来，只是不作为默认的方式，采用了按照热门的、区域的、附近的、可搜索的、地图的方式综合承载，最后取得了较好的效果!  3、如何利用数据做日常监控？ 作为一个设计师，你的作品上线后，有多少人用?这些用户是谁?有什么特征?用户具体是怎么在使用你的产品的?你的设计是否还有优化的空间?如何才能为用户打造更好的使用体验?怎么才能知道这些数据好不好，有没有问题呢?主要是靠比较、靠经验，靠对这个产品长期跟进产生的直觉，只有在对这个产品非常熟悉的前提下，你才有可能对数据的变化给予比较靠谱的解读。  日常监控中用于发现问题的主要手段就是做数据的对比，但是如何具体的作对比呢?主要有三种最常用的最简单的对比方式：a、横向比较，和类似的产品去比较，看相对的状况，进而推测出自身是否存在问题;b、纵向比较，和自己的过去比较，看看从历史的发展规律中是否能得到某些启发，主要是看自身的变化趋势;c、用户细分，这个就是把用户按照不同的分析需要，拆分来之后来看数据，看看各个群体之间的差异在哪里，有没有一部分用户和其他用户表现出不同的行为，进而找到问题所在。当然除了这三种常用的对比之外，我们还可以做一些配套的定性研究，进而把问题搞得更透彻。一些统计学的工具有时候也能起到作用，比如说用SPSS做数据的因子分析、聚类分析等等，也可以有一些意想不到的收获。  4、数据不是核心价值，你才是！ 说了这么多，我并不是要强调数据有多么的万能，但是在互联网领域，任何一个具有一定用户量的的产品，你都不得不去了解数据，这些数据中有一些是宏观的，作为设计师我们可以当做是背景知识，应该去了解了解，但是设计师更多的是应该关注用户的目标、行为和态度等相关的数据，关注那些微观的、和用户、和设计方案息息相关的数据，这样才能更好的了解我们的用户，了解用户对我们的设计方案的反馈，以帮助我们更好的发挥自身的价值! 用户研究定量分析要让数据来说话 无论是产品经理、设计师、工程师，大家都是为用户服务的。用户各有所好。你喜欢这个，我喜欢那个，也有我们都喜欢的。那么在用户的心理隐藏着什么样的秘密呢?要想发现其中的奥妙，通常有两种方式：定性研究、定量分析。定性的信息告诉你为什么会发生，它灵活、快速、细节丰富，但缺乏普遍性，我们能听到的只能是少部分用户的声音，他们是否代表大多数用户是无从判断的。另一种方法就是让数据来说话，定量的信息告诉你发生了什么，它真实、精确。也就是说，用户研究并不一定总要使用“定性研究”这样的方式才能进行。借助数据分析也可以达到了解用户喜好的效果。 一、“数据分析”在“用户研究”中的作用 “数据分析”如何作用于“用户研究”呢? (1)了解用户概况 了解目标用户“背景信息”：通过数据统计目标用户“人口统计”信息，比如，年龄构成、性别比例、等等(如下图)，达到对目标用户背景情况摸底效果  (2) 区分用户群体差异 按照多种维度，发现用户不同特征，将相同特征用户归类，进而准确形成用户分组，为之后进一步用户分析工作在此基础上进行，为产品优化设计工作指明用户群体的方向(如下图)  (3) 分析用户偏好 以调研的产品为核心，按照多种维度统计“频次”、“含量占比”，从而挖掘目标用户各种“偏好”，让“产品优化设计”能够迎合用户需求，有的放矢：如下图一，产品使用地点排行，挖掘用户对地点的偏好;如下图二，产品分类排行，挖掘用户对产品分类的偏好  二、 用户研究中的“数据分析”方法 收集用户数据->制定编码分类->数据分析(用户特征提取)->确定优化方向->提升商业回报，下面进行简要介绍 (1)制定编码分类 抽取近几周到几个月内的数据，根据分析的产品目标建立编码规则，执行编码，直到不再产生新的编码为止。编码可以是任何维度上的，只要对后续的分析有帮助 (2)数据分析(用户特征提取) 编码建立之后，围绕研究“目标产品”用户特征这个中心，按照各种有用的维度进行数据统计，通过数据分析结果，分析提取出“用户特征” (3)确定优化方向 在分析出来的众多“用户特征”中，根据商业目标和用户体验双方向共赢的原则，寻找产品优化设计的方向 三、 为“数据分析”穿上美丽的外衣 (1) 数据说明“图形化”，让分析结果更易理解 给统计图表增加“图形化数据说明”，可以更直接快速的传达结论，更易于读者理解，如下方的两张图，分别给横轴的“性别”、“年龄”、“峰值原因说明”增加了形象的图形说明 (2)数据分析图，要能直观的反应结论 统计图表中，在说明不同类别占比或者频次有差异的时候，图形本身尺寸大小建议和所反馈的占比频次成正比，以便读者观看分析报告时候，一目了然，快速理解图表含义，比如下方图形，“YES类”占比多所以“图形面积”大;“NO类”占比少，所以“图形面积”小 最后，“数据分析”需要与“定性研究”相结合，才能发现规律并且追根溯源，更高效的指导设计和产品。 移动PM如何分析和挖掘数据 数据是一个产品每天都要盯着的东西，虽说数字也会撒谎，但是在产品设计中数据，常常作为辅助设计决策和与研发沟通的必不可少的东西之一。 4月18号周五晚上，人人都是产品经理8群的小伙伴们，就移动产品的的规划和设计中如何做数据分析做了一个详细的讨论。
1. 移动产品经理需要跟踪app的哪些数据？在做数据分析之前，对移动产品人员来说，首先要了解在移动互联网领域，我们需要关注那些数据呢？ 讨论发现，不同的产品关注的数据数据分为：基本数据、跟产品类别无关的数据和跟产品类别相关的数据。
2. 如何对相关数据进行分析？在进行数据发掘之前首先可以对产品做相应的数据建模，然后经过上线跟踪、分析，对比原来的模型，是否有遵循原来的模型。如果是模型不合理，则需要对数据模型进行矫正。如果出入较大则需要对数据进行分析，或者根据分析出来的数据 在产品上做内部测试或者灰度测试然后对比，如果原来的模型问题不大，再挖细节，分析其他数据找原因，结合数据模型，如果有问题了以后，针对问题追踪数据，进行分析。
数据分析主要通过数据工具进行分析。数据分析主要为两种：
（此部分感谢Ted-PD-北京 童鞋的分享） 3.需要对那些关键指标进行挖掘？挖掘后有何意义？在对关键指标进行发掘，不同的产品，有着不同的关键指标。比如在内容型应用中，周留存影响关于用户对功能的使用，月留存，关系用户对内容关注，次月留存，关系用户的体系。
感谢 Prince 同学总结整理 产品运营：数据是一种信仰 对于数据分析的态度，有几句牢骚要发泄一下，纯属这几年工作的个人心里感受。 面试后的感想 这个周末我一直在面试，总共三十多人，只有一半能到我这一关，不管是工作了几年的，还是一点工作经验都没有的，不管是名牌大学的还是一般学校的，他们对数据的态度都让我有些失望。 我问他们，假如我是京东商城的CEO，周一早上你要给我看上周的三个数据，你会选择什么数据? 几乎所有的人没有1秒就回答，比如流量、转化率、交易量等。 我接着问，你听清楚我的问题了吗，我说是给CEO看的。接着大部分人会倒抽口气说，也许CEO不会关注这么细节的数据，那应该是XXX数据了。 接着我又问，我说的是上一周情况，你注意到“周”这个时间段吗?接着大部分人又会恍然大悟似的说，是啊，周和月应该是不一样的，那应该是XXX数据了。
最后我问，这是给京东CEO看的，不是给凡客CEO看的。这个你考虑到了吗?这下所有人都愣在那里了。 结束时让他们给自己打个分，所有人给自己打分都打得非常低，最高分也是六七分(满分是10分)。 我问这4分去了哪里啊，他们总结了三个原因，一是没想到看数据的人是CEO，二是不明白京东，三是对数据不够敏感。
我并不是要拿这个问题来难倒他们，他们的答案也没有对错之分。在提问中间我给了他们三次机会，提醒他们可以问我问题，还要注意问题的要素。我考量的并不是他们给的答案，只是想看一下他们对于数据的态度和思维。是不是非常尊重数据，懂不懂得把数据和商业联合起来思考问题，这些在我看来是一个优秀数据分析师具备的基本条件。对数据没有热情和信仰，很难当好数据分析师。 面试的不满意让我想起来前段时间有人在微博骂艾瑞说的B2C转化率太不靠谱这件事情，也有人说转化率不应该是这样算的，不知道多少个专家在这个坑里面倒下去了。我觉得这个东西挺有意思的，的确是如这个人说的一样，不知道多少人掉到坑里还不自知：大家拿着转化率来谈东西，但却没有人问是哪种转化率，分子是什么，分母是什么。你说一个转化率，我说一个转化率。市场部门说一个转化率，网站运营说一个转化率。但是大家说的转化率到底指什么，很小人刨根问题过。而且，我们是用转化率来做什么决定?不然只光秃秃地说一个转化率又有什么实际意义? 怪异的是，如今的网上零售，好像不说数据就不专业，但是真的尊重数据、把数据当做科学的人却没见几个。 当然，这不是某个数据分析师的错，而是整体环境造成我们的数据分析师很难做到这一点。根据这几年的工作经历，我觉得毁掉一个数据分析师对数据的尊重其实很简单，“杀手”随处可见;同时，也只有真正体验到数据奇妙和甜头人，才会对数据有近乎炽热的信仰。 毁掉分析数据态度的三个常见原因
首先，大环境不尊重数据，尤其是老板的态度。如果数据分析师只要随便给一个报告就行，数字多一点和少一点，大家也是一笑而过，并不会追根到底，那么很难让数据分析师以严谨的态度对待数据。 例如，国内这几家数据分析机构，基本都在着急扩张行业，争着占领行业，对于其推出的数据有多精准却不那么在意，所以艾瑞的数据最近才会经常被人说“不靠谱”。 数据分析，今天做得不准，明天再改是没有用的。比如艾瑞，如果数据不稳固，抢着做很多行业，这是不靠谱的做法，指不定哪天砸了自己的牌子。 有人和我提过FACEBOOK数据分析师为什么那么牛，因为他们不觉得数据分析是一个苦事，十几个人在一个房子里把数据分析当做一件很开心的事情来做，数据分析对于他们来说是在追求科学。 第二，好的数据分析师需要一点天分，同时也需要高人点拨，但是电子商务这个圈子，真正懂数据分析的人不会超过10个，所以一般人很难取得真经。这和信仰一样，没有师傅领进门，难度也会大很多。 我回顾自己从微软到易趣，再从敦煌到支付宝，在数据分析上有一次长足的进步，得益于从两位老师的身上得到了许多启发。一位是亚马逊的首席科学家韦思康，曾经，我告诉韦思康，KPI报告显示敦煌网需要4秒钟，他立马让我叫来做技术的同事(他要听到一线同学的反应)，问这个4秒钟怎么测算出来，是美国人打开用4秒钟，还是英国人打开用4秒钟，用的是甚么Browser等等。这个4秒钟和商业价值(例如交易量)有关系吗?我当时很触动，连这么一个很基础的数据，他都是以求证的心态来分析的。更令我印象深刻的是，只请他当敦煌网顾问半天，按照他的工作经历来说，随便忽悠我半天是很容易的事情，但是韦思康非常严谨，先是以一个普通人的身份花了半个小时在敦煌网买东西(坚决要真实付钱)，切身体会敦煌网的用户体验，然后也不先看数据，而是先问很多能更了解敦煌网的生意形态的问题。讲真他的问题比很多投资分析师来得专业。而现在许多数据分析师，包括当时我自己，只看数据就开口说问题，不深入去体会公司的商业形态。 韦思康告诉我数据是一种态度，让我明白做数据的人就是要全身心投入，好像一种信仰一样，中间有许多路要走;而且，数据与商业密切相关，不能局限在数据的死角里。 另一位是清华大学的教授谢劲红，有一个夏天碰巧去旁听他的课，拿一堆的数据给他看，他一边看一边给我演绎他的思维，他可以很快在一堆数据找到他们之间的关系。后来我带着团队常常去清华找他聊，他教我如何看网络数据，用联动的思维来看网络数据。可以说是他启蒙了我用 “关系”的思维看数据。一听完就回到敦煌跑到敦煌看很多数据，发现了新世界。 第三，数据分析师感叹落不了地，只能谈数据，而不懂商业。如果不懂商业，而单纯看数据，不仅很难有创意的思维，而且是没有意义的(曾经谈过这个问题，不懂商业就别谈数据：http://blog.sina.com.cn/s/blog_5025e3880100kwn1.html)。 而对于一般的数据分析师来说，大部分人没有系统思维，而且也只能看一部分数据，无法从大面儿上了解整个公司的运营数据，这样就令数据分析师难以形成全面的思考方式。 以我自己的工作经历来举例，为什么我在敦煌的时候数据分析能力会突飞猛进，也是因为我在前两家公司只能看到一部分数据，而到了敦煌之后我爱看什么就看什么，受谢教授启发之后我更是天马行空地把营销数据、市场数据、财务数据、产品数据、卖家和买家数据等等联动起来看，这大大改变了我对数据的运用方式。 听起来简单做起来不容易
相比于高深的数据分析方法，好像上面说到的道理非常简单。但是在现实中，正如面试时候所看到的情况一样，多数人是在被提醒之后才恍然大悟。 说起来简单的东西，但是真正做到却很难。 包括我自己在内，真的每次都能保证每个数据来源是可靠的才进行演算吗?有时候也不一定。对于公司来说这种态度更为重要，今天的独立B2C天天说营销多么昂贵，可是他们的营销真的做到够细了吗?数据分析师有没有问过从门户网站的流量分为几个渠道，每个渠道的转化率又是多少?转化率的算法和数据收集准确吗?不能转化的用户从那来然後往那走? 用这个转化率来决定什么问题才有意义? 只是单纯地放一个数据出来，不是一个合格的数据分析师。 这就是我要说的几句牢骚话。 游戏运营的数据分析 这几天一直在看如何展开数据分析文章，大家写的都不错，说实话，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。 ————————————分割线————————————————— 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 玩家想要什么(what); 为什么要(why); 从哪里可以得到(where); 什么时候我们做(when); 哪些玩家针对哪些运营策略(who); 我们应该给多少(how much); 以什么形式进行(how); 通过5W2H的方法，结合分析手段来解决这些问题。以下为根据网络总结的数据分析的一些注意点和方法。 常规数据分析的思路--从收益角度 但我们面临收益下降时，需要我们定位问题，从收益角度出发来解决问题。 常规数据分析的思路--从人气的角度 通过以上的数据解读和针对这些宏观数据的细分，我们可以完成一些异动数据的分析和紧急的需求。 而在做好这项工作的同时，我们也需要做好专题式的数据分析工作，提供运营人员更多的运营决策。 针对游戏数据挖掘的专项研究目前来说总结如下几点： 在专题的数据挖掘与分析模式，有以下的几种形式： ·用户生命周期模型 ·流失因素函数及模型计算 ·网络媒体效果分析 ·游戏活动及系统风险评估 ·游戏经济系统预警评估 针对专题式的数据挖掘，目前还在一个缓慢的研究过程，这一块确实 是比较困难，不同于传统零售，金融，电信行业。网游具有着独特性在具体的分析过程中，需要结合特点，合理应用理论和技术解决问题。 |
|
|
