1、运营数据监控（一） 常规数据源 用户数据源 p ACU：建立时间序列的数据源，观察并得出属于自己游戏的波动范围，属于 日常预警数据 p PCU：建立时间序列的数据源，观察并得出属于自己游戏的波动范围，属于 日常预警数据 p 活跃用户等级分布：建立截面数据源，对比游戏升级曲线表观察，属于日常 预警数据 p 付费用户：建立时间序列的数据源，对比业内平均水准，测试游戏消费引导 能力 p 消费用户：建立时间序列的数据源，观察BU值，测试游戏消费点挖掘能力 p 新增账号数：建立时间序列的数据源，分宣传期与非宣传期数据，可结合 ACU，PCU等数据，观察游戏对用户的黏着度，属于日常预警数据 p APA：建
2、立时间序列的数据源，观察游戏对消费用户的黏着度 p 回流ID：建立截面数据源，观察运营活动对老用户的挖掘能力。 销售数据源 服务器元宝囤积量：建立时间序列数据源，对比AU，付费 用户，消费用户数据，观察游戏消费点挖掘能力 一次性道具销售量：建立时间序列数据源，对比AU，付费 用户，消费用户数据，观察此类道具的消费潜力，并据此 进行销售策略调整 消耗性道具销售量：建立时间序列数据源，对比AU，付费 用户，消费用户数据，观察用户消费重点的转移情况，并 据此进行销售策略调整 博弈性道具销售量：建立时间序列数据源，对比AU，付费 用户，消费用户数据，观察此类道具的吸金潜力，并对此 类道具进行适时调整。
3、 游戏数据源 n 商城道具囤积量：建立时间序列数据源，对比AU ，消费用户，付费用户数据，观察商城物品在游 戏内的剩余数量，据此适时调整销售策略 n 商城道具人均拥有量：建立时间序列数据源，对 比AU,消费用户，付费用户等数据，深度了解玩家 的需求以及商城各道具的实用价值 预警数据的分析 以周/月为单位，将各项预警数据分类统计，并备注特殊事件，然后进行 以下方式的分析（根据观察者的需求来分析数据） 每日数据在本周的特点 本周与上周数据对比 每周数据在本月的特点 本月数据与上月数据对比 每日数据分析案例说明 以上为一段时间的日活跃与最高在线2组数据，我们通过统计这2组数据 来分析其中变化 注：这
4、里的每日数据分析是指将观察者特定日期的数据整理在一组，进 行分析。 日活用最高在 10月14日125852563 10月15日96552022 10月16日98672234 10月17日99442368 10月18日73372195 10月19日62401962 10月20日52111795 10月21日51111669 10月22日52691595 10月23日86301982 10月24日95772017 10月25日7225 1950 图1-1 箱线图分析： 常用分析方法之一，用于监控日常数据波动，需使用SPSS来做图 中位数： 将一段数据由小到大进行排序后，处于中间位置的数即为中位数
5、四分位数： 四分位数，把所有数值由小到大排列，处于25%与75%位置的得分就是四分位数。 波动范围： 上下四分位数+1.5*四分位差 最小值 最大值 下四分位数 上四分位数 中位数 箱线图分析： u无论是日活跃用户还是最高在线都没有离群点或者极限值，通过观察这2组数据的箱线图，可以看出这段时间内，游 戏人数并未发生巨大变化 u日活跃的中位数较高，说明这段时间内的平均日活跃相对于本周来说较高，这可以看出这段时间内，游戏内的用户上 线较为频繁。 u最高在线的分析同上 注： 以上分析皆建立在与本段时间数据的对比之上，当分析者单纯观察一周数据时，不能通过中位数高低轻易下定论认为本 周用户上线频繁与否
6、因为2组数据分析的参照数据不同，因此也不能单纯得出平均日活跃较高，而平均最高在线较低是有原因的这样的结 论。 图1-3图1-4 当我们修改数据，假设10月14日那天公测，再使用箱线图来观察 这组数据时，情况又不一样 日活用 10月14日（公）25000 10月15日9655 10月16日9867 10月17日9944 10月18日7337 10月19日6240 10月20日5211 10月21日5111 10月22日5269 10月23日8630 10月24日9577 10月25日7225 此时我们再来分析日活跃这组数据 u1号数据（即10月14日）出现极限值，说明在这一天游戏发生什么重大事件
7、，即 开公测，所以我们需要在日期上备注特殊事件，以方便我们了解引起数据变化的原 因 u日活跃的中位数较高，说明这段时间内的平均日活跃相对于本周来说较高，这可 以看出这段时间内，游戏内的用户上线较为频繁。 图1-5 箱线图小解 用箱线图观察是否有离群点或者极端值时，应注意观察本组多数数据波动是否较为正常，说白了就是 观察下这组数据的大概情况是否正常，如果一组数据中有少数不正常的数据，通过箱线图可以观察到 特殊点，如果一组数据中多数为不正常的数据，可能无法满足观察特殊点的需要。 SPSS箱线图中离群点为超出四分位差1.5倍距离的数值。统计学中离群点为超出平均数N个标准差的范 围的数值。这个数值并非
8、随意而定，其中运用的是统计学知识。 当一组数据为对称分布时， 约有68%的数据在平均数1个标准差的范围之内 约有95%的数据在平均数2个标准差的范围之内 约有99%的数据在平均数3个标准差的范围之内 当一组数据未不对称分布时， 至少有75%的数据落在平均数2个标准差范围之内 至少有89%的数据落在平均数3个标准差范围之内 至少有94%的数据落在平均数4个标准差范围之内 根据以上情况可以看出，如果某数值为离群点，那么该数值确实存在异常之处。 注：关于标准差，平均数等统计学知识，想了解详情的同学请自行查询统计学 下面我们将使用另一种方式来重新分析这2组数据，首先我们将星 期加入到时间标签中，然后使
9、用下面的方法来分析 星期日活用最高在 星期四10月14日125852563 星期五10月15日96552022 星期六10月16日98672234 星期日10月17日99442368 星期一10月18日73372195 星期二10月19日62401962 星期三10月20日52111795 星期四10月21日51111669 星期五10月22日52691595 星期六10月23日86301982 星期日10月24日95772017 星期一10月25日7225 1950 曲线图分析： 在用曲线图分析时，面对不同坐标值数据值，一定要记得使用主次 坐标轴来分开查看，同时加上数据标签，以方便我们观察。
10、 通常情况下，日活跃用户数会影响会最高在线数，但是其中的关系 可能是怎样的呢？ 这个图表上的数据到底告诉了我们一些什么信息呢？哪些信息又是 我们无法从箱线图上得到的？ 图2-1 u总体上看，日活跃用户的趋势和最高在线的趋势是成正比的，2者的趋势几近相同 u14日到15日，下降曲线非常陡峭，说明14号-15号是特殊时间段，而实际上也正是如此， 这2组数据取自于新服，14号是开新服的日期，而当前国内游戏的次日流失率是非常高。 u14日数据为这段数据的最高值，原因在于14日是新服开放时间，而新服的效应又无法同 游戏内测或者公测相比，所以这个值在箱线图中是无法看出来。如果我们分析一个不成熟 游戏内测时期的数据，其结果很可能如图1-5一样。 u16，17日的曲线为上升，如排除除时间因素以外的其他因素来看，就是16，17为周末的 原因，因此我们分析数据时应尽可能的结合所有因素。 u23，24日的曲线如同16，17日，同时也印证了周末人数回暖的现象。 图2-2 每日数据分析小结 关于如何分析每日数据，这里只是举了几 个简单的例子，还有很多的分析方法可以 去探索。 同时分析数据也需要根据观察者的需求去 分析，才能保证数据被分析出来后有所用 每日数据无法代表总体数据的特征，想要 更加精准的掌握数据特征，必须综合全面 的因素以及足够多的样本量
