博客：data-intelligence
小白学数据分析 目录
今天说到的这个题目，看起来有点大，不过作为游戏数据分析师，早晚都要设计和分析数据指标。在《 移动游戏运营数据分析指标白皮书》中，提炼了一些针对游戏数据分析的指标，这只是分析工作的第一步，还要有效的组织起来，并按照需求进行细分，即按需进行二次设计和分析。白皮书的指标旨在规范大家对于一些最基本最常用概念的认识和学习，有所领悟，有所发挥。
而今天说的是在当我们要在之前的基础数据基础上进行二度的分析，该如何把握设计和分析数据指标？首先，先引用一句话：
“对于驱动用户体验决策而言，有意义的成功标准一定是可以明确地与用户行为绑定的标准，而这些用户行为也一定是可以通过设计来影响的行为” —— 用户体验要素--以用户为中心的产品设计
书籍下载
看到这句话，其实感慨很多，尤其是那些数据分析经验非常丰富的人，其实应该非常认同这句话。数据分析以解决问题为第一要义，然而很多新人看到或者设计了很多很复杂的指标和算法进行问题的分析，其实这个时候，如果仔细审视一下就会发现，我们设计的标准与我们的分析和解决问题的目的是背离了，尽管有了很好的设计和数据，但是问题依旧是没有解决，而这样的指标就算不上一个成功的指标，为什么DAU/MAU这样的指标成为了大家比较认可的标准，因为这是可以拿去衡量游戏是否具有比较好的粘性的标准。
但是，上述我们谈到的只是我引用的这句话的前半段，我说到了，数据分析要解决问题的，因此指标绑定的用户行为，经过分析后，如果不能通过我们的设计者予以改进，并衡量前后改进的效果，那么这样的指标就意味着价值不大。作为一款产品，我们的确需要知道用户是什么样的，有效的数据指标设计，能够帮助我们立体展现出来我们用户的行为和画像。但是往往数据分析不只是告诉你用户是什么样子的，还要针对这些特征，采取有效的措施和运营手段，成功的标准最后其实帮助我们去挖掘和发现，我们的措施和设计，是否最后改善了效果，成功的标准不仅仅是绑定，更是实施。
对于数据驱动的游戏运营而言，有意义的数据指标一定是可以明确绑定游戏问题的标准，而这些游戏问题也一定是可以通过研发、设计、运营来解决问题的。
不过，最后还要说一点的是，虽然我们需要成功的标准来帮助我们去改进产品，做好运营，不过再成功的标准也只是一个一个孤立的数据指标点，这样的结果，就容易造成我们看不到问题的全貌，而造成错误的分析结论，因此，切记，必要的时候要记得退一步。
博客：data-intelligence
小白学数据分析 目录
| 
发表于 2013-2-26 17:24:35