运营预警数据监控(一)

1、运营数据监控（一,小武,前言,关于网上有很多数据分析的资料，但大都只讲述了该监控哪些数据，并未提供数据分析的方法，而需要监控的数据却是根据观察者的需要来判断，也许一些数据一些人认为需要，但另外一部分观察者却认为不重要。 本文档特意提供了运营日常所需监控的数据，并举出了分析案例，以期激发读者的思维，为读者建立自己的分析方法提供有效帮助 文档也有很多疏漏之处，希望读者能多多提出意见，让这份文档真正能满足读者的需要。我的邮箱,常规数据源,用户数据源,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 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

2、常预警数据 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 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 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 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 APA：建立时间序列的数据源，观察游戏对消费用户的黏着度 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

3、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,游戏数据源,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 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

4、,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,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 四分位数： 四分位数，把所有数值由小到大排列，处于25%与

5、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： 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 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。 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 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

6、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,此时我们再来分析日活跃这组数据 1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，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 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

7、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

8、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，然后使用下面的方法来分析,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。 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,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 14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。 14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。 16，17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。 23，24日的曲线如同16，17日，同时也印证了周末人数回暖的现