大市中国

大市中国 > 要闻 >

游戏运营:你要掌握哪些数据?

2016-05-27 13:53:00

 

来源:

2015年,中国手游行的业总产值已经达到了400亿。但在ThingData的吕承通看来,整个游戏行业还属于野蛮生长阶段,大多数公司都还在用最原始的思路迭代产品。在这个所有人都成为大数据的一部分的时代,应该是数据在游戏行业呼风唤雨的时候了。

1、概况

众所周知,互联网行业的三大商业模式:广告,电商,游戏,分别成就国内三家互联网巨头。从三家巨头历年的财报中,大家不难得解读出游戏是三者商业模式中利润最高的。所以,人们经常把游戏称之为最为赚钱的行业,离钱最近的行业。它也因此而吸纳了大量优秀的人才,尤其是近几年的移动互联网普及的浪潮,催生了移动游戏这个巨大的细分市场。2013年和2014年,大量的资本和大批的人才涌入游戏行业。据统计,国内在2014年注册成立的手游研发公司就超过了两万家。2013年被称之为手游的元年,2014年便成了众多大小游戏厂商的红海战场,而且每2-3个月手游的热点和竞争门槛都会往上提一个级别。

游戏行业的繁荣景象也催生了众多第三方的服务公司。从一款产品立项,研发,发行,到上线运营等不同阶段,都有相应的第三方服务可供选择,比如与开发相关的第三方服务就有云主机服务,测试服务,运营数据服务等。本文重点谈一谈游戏行业中的数据服务。

虽然目前给游戏行业提供数据服务的公司有很多,但总体来说,他们都是提供了同一种服务:运营统计。运营统计是每个游戏运营团队的刚性需求,虽然开发一套运营数据的统计系统难度不大,但对于中小游戏CP而言,它也是一项人力成本。加上目前面向游戏产品的第三方统计工具都是免费提供,所以大部分的中小研发团队都会选择第三方工具,以节约开发成本。当然这类服务也有非常明显的不足,比如目前通用的实现方案是通过实现第三方提供的SDK以达到上报数据的目的,这种现实方式就决定了上报的数据类型和数据量的局限性。在数据量有限的情况下,就很难提供更为深入的数据服务。

2、认识游戏数据

那么,游戏行业中对于数据服务的需求是不是已经被完全满足了呢?

首先,我们来详细认识一下游戏数据。游戏数据依据它和产品结合的紧密度,由内向外可以分为四个层次,如下图所示:

第一层,业务常规数据,指的是玩家角色相关的数据,比如玩家的人物等级,角色属性,背包物品等等,它通常都是保存在关系型数据库中,玩家每次登陆都会去数据库中获取数据,下线的时候都会更新数据库。它和产品的关系最为紧密,一般情况下都会做容灾备份。

第二层,玩家行为数据,指的是玩家在游戏过程中所产生的行为数据,比如玩家在一个副本中和BOSS对战时施放了哪些技能,BOSS挂掉之后掉落了哪些物品等等,这类过程性的数据都可以统称为玩家的行为数据。这类数据通常都是以日志的形式记录在服务器上。因为它是增量数据,每天都会有大量的数据产生。它也是几类数据中最为重要的数据,由它上可推出运营数据,下可算出业务的常规数据。

第三层,项目运营数据,这类数据大家都比较熟悉,它是通过对一部分的玩家行为数据进行二次处理而得出的。比如大家常说的DAU,MAU之类就是由玩家登陆这个行为统计而来,ARUP值便是由登陆和付费行为计算出来的。目前第三方运营统计工具就是针对这类数据。

第四层,论坛渠道媒体数据,它可以统称为游戏之外的数据。这类数据是大家最容易忽略的,因为它不是在游戏之内产生。但它却和游戏产品息息相关,大都是由玩家在游戏之外产生的真实数据,也蕴藏着巨大的价值。

以上四层数据中,第二层和第四层都是海量数据,单就第二层玩家在游戏之内的行为数据来看,某大厂日均增量超过300TB,如果以市场占有率进行同比估计算的话,国内整个游戏行业中玩家在游戏之内行的为数据日均增量超过600TB。这是一个非常不可思议的数字,而且随着游戏行业的发展正在与日俱增。但是目前行业中第三方数据服务仅仅只是满足了运营统计的需求,在玩家行为数据的深入挖掘服务层面基本还是空白。但随着游戏行业竞争的白热化,注重口碑,打造精品已成为行业发展的新趋势。如何真正有效地实施精品战略,利用好游戏中的全量数据是一个非常关键的因素。

3、读懂全量数据

那么,问题来了,该如何利用好游戏中的全量数据?

先来明确一个事实:所有事情的发生都是有原因的。在现实世界中,我们不可能找到一个没有原因的事实,即便有很多事实以我们目前的科学水平还无法解释,但这并不能否定这类事实发生原因的存在。这是我们认识宇宙的一个基本前提,即因果关系。

把这种思维运用在产品当中,即一切产品问题的发生都是有原因的。而产品是由人设计的,它是有迹可循的。如何去寻?数据就是最好的载体。数据是历史记录的客观呈现,它不会撒谎,它就安安静静地躺在那,就看我们能不能读懂它。当然,想要充分解读历史数据,找到产品的潜在问题,靠人力是难以胜任的。首先,人脑处理和分析数据的能力和机器相比是非常弱的;其次一款游戏中玩家行为数量是非常大的,人脑基本是不可能完成。它不适合人类去做,只能靠机器去完成。即便是交给机器,它也是一项非常复杂的任务,除了需要强大的工程处理能力,它还需要出色的数据挖掘与机器学习的理论知识与游戏业务相结合。

而ThinkingGame就是做了这么一件事情,帮你读懂你的玩家行为数据,包括玩家在游戏之内产生的行为数据和在游戏之外产生的反馈数据。读懂历史,以更好地把握未来。它和运营统计有着本质的不同。运营统计的是当下已经发生的事实,就好比我们去医院做体检,运营统计的是体检时的血压,心率,身高,体重等指标。而ThinkingGame则是通过对历史行为数据的解析判断出将来的一段时间内是否会发生病变,它更强调将来,而不是现在。在内部,我将其称为治未病的技术理念,这也是大数据时代下每个企业应该具备的数据思维。这不是什么新颖的思维方式,我们的老祖宗早在千百年前就总结过了:以史为鉴,可以知兴替;以古为鉴,可以知兴衰。说的都是同一个道理,不过不同的时期应用的技术手段不同。

4、数据中的宝藏

玩家行为数据中蕴含了巨大的宝藏,有待于我们一一去挖掘。如何挖掘,我从两个维度去介绍,玩家在游戏之外产生的数据,和在游戏之内产生的数据。

游戏之外的数据是指玩家在脱离游戏之后,在玩家论坛,贴吧,下载渠道,玩家QQ群第三方渠道等产生的内容。这是玩家主动行为,真实可靠地表达了玩家对游戏产品的体验,想法,建议。主动发言往往带有强烈的感情色彩。这个部分数据,我们就可以利用文本挖掘的技术加以分析,比如利用情感识别的算法去判别玩家在发帖时的心情如何,其反馈内容是正面反馈还是负面反馈;利用话题检测的算法计算出玩家在某段时间内都在讨论什么话题,讨论时都持什么样的态度。在玩家反馈的数据量充足的情况下,我们完全可以通过算法判别出对应游戏产品的优缺点,了解玩家诉求,找到产品的不足,从而指导项目组完善产品,提升品质。

当然,除此之外我们还可以通过分析挖掘玩家的发言内容,对玩家群体进行分析,在样本量充足的情况下,它可以真实地反应出玩家的群体特征,便于项目组更加清晰地认识自己的核心玩家,在设计产品时做到因材施教,有的放矢。目前,ThinkingGame的画像追踪服务就实现了这项功能。

最后,谈一谈游戏内的玩家行为数据挖掘。这部分涉及到的点非常多,我打算在下一篇文章中详细阐述。谈到这个话题时,我通常列举两个有具有代表性的实例。第一个是流失预警。在游戏运营中,这是一项常见的功能。通过算法模型提前预测出哪些玩家会在将来的一段时间之内流失。之所以经常拿它来举例,是因为它很好地诠释了数据挖掘和运营统计的区别。当然,仅仅是得出哪些玩家会在将来流失掉还不够,系统还要能够描绘出即将流失的玩家群体特征,以便于项目组定位用户流失的原因。另一个典型的实例就是潜在付费玩家定位,通过匹配付费玩家和未付费玩家的特征属性,计算出未付费玩家的付费意愿,从而根据这群潜在的付费玩家进行精准营销。这也是一个典型的通过数据挖掘的方式得出的结论,指导运营,提升产品收益的例子。

5、总结

随着游戏行业的发展,换皮,抄袭的劣币产品将会被彻底淘汰。玩法创新,注重口碑,打造精品才是生存之道。而利用好游戏中的全量数据是实现精品战略的关键所在。数据驱动,精细化运营已成为众多游戏厂商的宣传口号。帮助游戏行业的同仁真正实现数据驱动,落地精品战略也是我们的重要使命。游戏数据中蕴藏了巨大的宝藏,让我们一起开启一场挖宝之旅!

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如有侵权行为,请第一时间联系我们修改或删除,多谢。