京公网安备 11010802034615号
经营许可证编号:京B2-20210330
新手成为游戏分析大师的九个步骤
四个月以前,因为无知而胆大,我为自己树立了一个目标——成为世界上最优秀的游戏分析师之一。还笑?如果我告诉你我认为游戏机制是游戏开发者讽刺自己的术语呢?或者DAU(日活跃用户)听起来更像新的中国哲学学说而不是基本指标?可以说,我距离目标还有很长的路要走。所以我像大部分人那样做了——我Google了很多资料。当我学习完Google来的东西后,我就买了书。我读完书后,我又去向行业专家讨教。正当我开始变得骄傲自大时,我受到了封闭测试和软发布的考验,正是那期间,我发现我的40%的学习时间本可以更好地利用。所以我决定写本文,为此我想出以下几个标题:
简单9步成为游戏分析师!
9件事助你成为游戏分析大师!
一月速成王牌游戏分析师!
如果以上标题让你觉得热血沸腾,那么做好被泼冷水的准备吧!本文不是教程。你不会在下文中读到关于游戏分析的方方面面的建议。我之所以写本文,是因为我希望在我决定成为游戏分析师的时候,我能首先读到这样的文章。借本文,我想简要地介绍一下成为一个合格的游戏分析师的过程。
游戏类型有不同的定义,比如从平台的角度说,有PC、游戏机、手机等;从机制的角度说,有匹配消除类、MMO、模拟等;从种类来说,有动作类、冒险类和赛车类等。这些类型是可以互相结合的。当选择游戏类型时,应确保它在市场上有足够的占有率。至少,这种游戏类型有排行榜的前100名中有比较体面的名次。挑选最初的游戏类型并不意味着你这一辈子都要研究那种类型。它只是作为一个起点。你应该知道收益递减法则,如果你一开始就研究多种游戏类型,你积累下来的知识会越来越少。与其艰难地把游戏机FPS和休闲免费手机游戏的共性特性归纳清楚,不如一开始就好好研究一种游戏。
每个游戏设计师都必须有一个起点,这本书就是一个好开头。本文知识丰富、角度全面、由浅入深。虽然本书的长度过长(超过800页)、语调不一致(包含50多种不同的视角)和技术参考过时,但它包含相当实用的信息。当你还没有任何游戏分析的基础,这些海量信息是非常值得学习的。
如果你完成了上面两步,那么接下来你可以使用搜索引擎了。在搜索栏中键入指标和行业热词,你应该会看到大量文章和网站。如果你觉得自己运气很好,那就在搜索栏中键入某款游戏名称和“分析”两个字。在你过滤掉无用信息后,结果应该主要关于行业研究或发现,你会从个人和游戏服务商发布的研究中发现有价值的东西。
与书籍推荐一样,专家的分析或观点通常(必然地)与商业利益有关。总是注意这些信息的语境,尽量搜索反对意见。在游戏分析经济中,知识仍然是金,所以在专家的博客和网站中表达感谢。一旦你订阅了专家的网页内容,就可以跟进专家的Twitter了,社交媒体改变了信息传播的方式,所以请确保你使用了所有可用的工具。
到这时,你应该已经阅读了非常多关于游戏指标的东西,它们甚至已经成为你的日常交谈话题。事实上,我每天都花五分钟时间讨论把大额玩家叫作“鲸鱼玩家”是否更可爱,如果我们不考虑它就是ARPU的话。这五分钟我永远也拿不回来。
在大部分的分析会议上,指标都被作为谈话的起点和终点。对于所有关于乐趣因素和创新设计的演讲,游戏最终是由它们的底线数字判断和衡量的。你是否开发了一款好游戏?你怎么肯定你的游戏很好?你妈的认可不算数。通常来说,指标是微妙或细微的问题的指示器。指标告诉你方向,然后由分析师深入细节并找出问题。这就是为什么存在游戏分析师这种职业。知道指标不算什么,它只是一个最基本的要求。
但注意,并不是靠指标就能产生《Candy Crush》。有些人认为使用指标就能做出操纵玩家花钱的山寨游戏而不是给玩家带来乐趣的好游戏。过分使用数据当然会产生糟糕的结果,但我和其他许多人认为,不使用数据同样是很危险的。最终,大部分业内人士认为,数据分析型设计(与数据导向型设计相反)能够帮助开发者做出既有趣又赚钱的游戏。
从SQL和Excel开始。SQL是主要的数据库语言,尽管不同平台上有很多变体,但基本面是一样的。SQL帮助你检索、格式化、组织和操作来自最传统的数据储存区的数据。Excel当然是世界上使用最广泛的数据分析工具,它有非常强大的表格功能。记住,这些只是基本技能。分析数据的技术和工具是令人惊喜的,且总是在变化,所以一两年后,你会发现自己只会操作表格或编写SQL查询,你会面临极大的竞争劣势。
使用清单的前提很简单:你越少依靠记忆力越好。当判断游戏表现时,许多分析师会使用他们已经掌握的知识开始分析数据。如何积累已经学会的知识?通过重复背诵指标、维度和技术分析数据。但无论你的记忆力多好,要记下所有东西仍然是困难的,何况可能会发生记忆错误。
清单可以减少记忆压力。它们以简明的方式锁在分析思考中,使过程更可重复,并体现错误—-允许你专注于思考新挑战和新问题。如果你想学习本文,就使用清单列表吧。它们都是很有价值的。
如颗你想成为分析师,你要学习的困难的技能非常多(注:例如Python、emcache、R、Qlikview/Tableau,、nformatic等等)。学习困难的新技能的问题是,非常费神,通常需要你付出巨大的努力。但不要着急,多给自己一些时间和空间去磨练你的技能。
在媒体的号召下和苹果的极简主义设计风格的影响下,人们对简单化或流线化的渴望达到了前所未有的程度。游戏分析学也随之越来越追求在文章中简单地解释自身,以至于单一的数字成为衡量成功的主要标准。但说到底,各个数字取决于大量其他因素的相互作用,达到一两个基准点并不能保证游戏成功。甚至看似关系密切的第2天和第30天留存率也并不总是相关的。相反地,你应该衡量尽可能多的方面(在不特征游戏性能或超出预算的情况下)。设计数据结构使之提供最佳表现和最大的灵活性——不只是最容易读懂。从多个角度评估游戏表现——不只是人人都使用的指标。UI和可视化设计应该追求简单化,但其他方面如数据库和统计算法未定是抽象的。所以,拥抱复杂吧。
作为分析师,你的工作不只是观察数字和每天、每周、每月做报告。这些工作有电脑负责。你的工作是找出导致这些数字出现的原因,以及推论出改进的可能方法。优秀的分析师是游戏工作室的积极鉴别者。设想一下数据和分析学能有什么作用,然后去实现这些作用。
最后,享受成为游戏分析师的过程。毕竟,我们的工作是几乎能够实时得到数百万玩家验证的。偶尔停下来问问自己:“还能比这个更好一点吗?”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26