數據分析，是產品運營極具戰略意義的一環;從宏觀到微觀分析，通過表層數據挖掘產品問題，是每個運營人的必修課。

　　首先，我們來看比較常見的分析方法：

　　5W2H分析法：What(用戶要什么?)Why(為什么要?)Where(從哪兒得到?)When(我們什么時候做?)Who(對誰做?)Howmuch(給多少?)How(怎么做?)

　　PS：(what)用戶要極品裝備!(why)因為他們要增強戰力(where)裝備從BOSS身上得到;(when)我們國慶節做這個活動!(who)針對所有玩家!(howmuch)BOSS爆率設定為XX(how)活動以怪物攻城形式進行。

　　上述是一種需求的轉換形式，就產品而言，又要以數據為支持，不能因某個元素而動整體;從大局出發，根據整體數據趨勢進行細化分析，那么就目前而言的分析手法，又有對比分析、交叉分析，相關分析，回歸分析，聚類分析等等。

　　如果某款游戲下載量高，注冊量低;是否因為服務器登陸問題或注冊流程繁瑣，是否近期網絡出現故障........

　　如果某款游戲數據一直良好，某段時間數據突然跌落;是否因為市場宣傳力度減弱，是否因為用戶生命周期上限，是否因為其他競品沖擊........

　　真正的數據分析不在于數據本身，而在于分析能力的概述;數據是參照物，是標桿，只有分析才是行為，是改變;那么如何分析，綜合上面兩個舉例，已經可以很清晰的看到立體式分析。

　　立體式分析，也就是維度分析;產品數據的發掘不應該僅僅拘泥于產品;大環境下的娛樂產物必須綜合產品、市場、用戶進行不同切入點分析;要知道，數據分析是基于商業目的，而商業離不開用戶和市場;說白了就是結合不同維度進行有目的的數據收集、整理、加過和分析，他的存在價值就是通過數據提取有價值的信息去優化產品從而拉更多人，賺更多錢。

　　那么如何分析，大致思路又是如何?

　　[為什么分析?]

　　首先，你得知道為什么分析?付費同比、環比波動較大?

　　[分析目標是誰?]

　　數據波動，目標是誰?付費總額波動，付費用戶數據如何?

　　[想達到什么效果?]

　　通過分析付費用戶，找到問題，解決問題從而提升收入?

　　[需要什么?]

　　想做出分析，需要什么?付費總額，付費人數?付費次數?付費人數各等級占比?

　　[如何采集?]

　　直接數據庫調取?或者交給程序猿導出?

　　[如何整理?]

　　數據出來，如何整理付費等級、付費次數報表?

　　[如何分析?]

　　整理完畢，如何對數據進行綜合分析，相關分析?用戶資源是否飽和?市場其他明星產品充值活動更具吸引力?產品付費系統是否出現問題，是否失去新鮮感?

　　[如何展現?]

　　找準問題，老付費用戶流失了很多，低端付費轉化低;很多是多少?轉化低是什么概念?如何用圖表表現?

　　[如何輸出?]

　　找準問題，如何輸出;如何將這份知識報表轉換為產品商業價值體系;如何說服程序?如何說服策劃?如何具體執行?如何將知識轉換為生產力?

　　上述是比較系統的分析思路，細化而言;對于數據分析，又需要我們根據不同人群建立不同的用戶模型;例如流失模型、流失特征;充值模型等等。

　　接下來我們再綜合AARRR模型分解一些較為常見的數據：

　　Acquisition(獲取)、Activation(活躍)、Retention(留存)、Revenue(收益)、Refer(傳播)

　　上圖為AARRR模型中的基本數據，我們再對以往數據進行總結：

　　日新增用戶數：DNU;每日注冊并登陸游戲用戶數，主要衡量渠道貢獻新用戶份額以及質量。

　　一次會話用戶：DOSU;新登用戶中只有一次會話的用戶，主要衡量渠道推廣質量如何，產品初始轉化情況，用戶導入障礙點檢查。

　　日活躍用戶：DAU;每日登陸過游戲的用戶數，主要衡量核心用戶規模，用戶整體趨勢隨產品周期階段變化，細分可概括新用戶轉化、老用戶活躍與流失情況。

　　周/月活躍用戶：WAU、MAU;截止統計日，周/月登陸游戲用戶數，主要衡量周期用戶規模，產品粘性，以及產品生命周期性的數據趨勢表現。

　　用戶活躍度：DAU/MAU;主要衡量用戶粘度，通過公式計算用戶游戲參與度，人氣發展趨勢，以及用戶活躍天數統計。

　　留存：次日、三日、七日、雙周、月留存;表現不同時期，用戶對游戲的適應性，評估渠道用戶質量;衡量用戶對游戲黏性。

　　付費率：PUR，統計時間內，付費用戶占活躍用戶比例;主要衡量產品付費引導是否合理，付費點是否吸引人;付費活動是否引導用戶付費傾向，付費轉化是否達到預期。

　　活躍付費用戶數：APA;統計時間內，成功付費用戶數，主要衡量產品付費用戶規模，付費用戶構成，付費體系穩定性如何。

　　每活躍用戶平均收益：ARPU;統計時間內，活躍用戶對游戲產生的人均收入，主要衡量不同渠道的用戶質量，游戲收益，以及活躍用戶與人均貢獻關系。

　　每付費用戶平均收益：ARPPU;統計時間內，付費用戶對游戲產生的平均收入，主要衡量游戲付費用戶的付費水平，整體付費趨勢，以及不同付費用戶有何特征。

　　平均生命周期：TV;統計周期內，用戶平均游戲會話時長，主要衡量產品粘性，用戶活躍度情況。

　　生命周期價值：LTV;用戶在生命周期內，為游戲貢獻價值;主要衡量用戶群與渠道的利潤貢獻，用戶在游戲中的價值表現。

　　用戶獲取成本：CAC;用戶獲取成本，主要衡量獲取有效用戶的成本，便于渠道選擇，市場投放。

　　投入產出比：ROI;投入與產出關系對比，主要衡量產品推廣盈利/虧損狀態，篩選推廣渠道，分析每個渠道的流量變現能力，實時分析，衡量渠道付費流量獲取的邊際效應，拿捏投入力度，結合其他數據(新增、流失、留存、付費等)調整游戲，進行流量轉化與梳理。

　　最后便是一種較為常見的數據分析手法：杜邦分析法

　　以上是關于數據的一些概括，對于數據分析，需要我們以理性的眼光對待;因為各家對相關數據定義不同，算法不同;在對數據進行分析時需要我們看清分析誤區，綜合其他數據進行分析，根據自己的數據分析思路制定相應的分析方案，切不可盲目分析，粗暴分析。

　　最后值得注意的是精細化的運營數據分析工作，思維不能亂，思維亂了，全盤皆亂;這時候的數據分析也無法提供正確的考量價值，如果覺得數據分析毫無頭緒，雜亂無章;冷靜下來，理順思路，有大概的數據構思之后再做行動;只有這樣才能培養自己嚴謹的邏輯分析能力。