手游vs网游！游戏行业如何通过数据分析让你上头？

数据分析已在许多行业中发挥了令人惊喜的作用，游戏行业也不例外。疫情期间，更是有数以百万计的人玩游戏，开发者和玩家都在利用分析来制作更好的游戏。

今天，我们就来一起讨论数据分析在游戏里产业里的一些工作机会和应用，给大家提供一些有用的资料和参考。如果你想了解更多数据分析相关内容，可以阅读以下这些文章：
冬奥会你看了么？体育界的数据分析应用
一篇文章带你了解——数据分析在体育行业的应用
元宇宙（Metaverse）揭秘——数据科学将如何应用在元宇宙？
人工智能AI将如何塑造元宇宙Metaverse？

我们首先看一看游戏产业发展的趋势，上图是我们从insight这个网站上得到的数据，总体来说游戏产业在向好的方向发展，每一年的数字都在增长，可以说是一个稳步上升的行业。因为疫情的原因，在过去两年，这个行业实际上还有一个高速发展的阶段。

游戏设计方面，比如Social、手游、Casual、MMO这些类型的游戏里都有一些很优秀的公司，如zynga、腾讯、PlayFirst、暴雪等等都是我们熟知的一线大公司；除了这些公司以外，还有一些发布平台，如Google、Apple、Amazon。还有一些Console，比如说任天堂等等。

以上是游戏产业里做的比较好的一些公司：具有代表性的有任天堂、暴雪、索尼、微软、Zynga等等，大家可以看看这些公司最近有没有一些招人的机会，可以尝试申请。 

上图是从G2.com上面找到关于游戏开发的资料，包括Planning、Pre-preduction、Production、Launch、PRE-launch、Testing、Post-production这几个过程。

我们以Pre-launch为例来讲，它里面包括Alpha/Beta releases，这个就像软件一样Alpha和Beta是两个版本，这两个版本的工程要求是不一样的；Alpha是基本功能，Beta是基本功能全部实现并且可以直接测试这个游戏的用户体验，所以Beta比Alpha更接近于成品，也有公司把Alpha和Beta称之为内侧和外侧，其实也可以；然后是Marketing hype、Gaming conventions、Independent advertising。

作为一个游戏行业的数据科学家，我们需要做什么呢？

首先是增长。

• 第一是Paid 增长，可以帮助游戏公司进行增长用户、提升用户体验、增加用户游戏时间等等，数据科学家可以做广告优化分析、SEO优化、SEM优化、Referral分析。
• 第二是Organic增长。不参与付费的广告形式，靠社群来Organic。
• 第三是Marketing。包括User Segmentation、Targeting，都是我们能做的事情。

其次是用户体验。比如游戏开发方面的侧重点、推荐系统和个人化方面、Game Balance、Engagement、Retention以及用户流失分析。

再就是Monetization。包括Paid conversion、Price Optimization、Coupon/Bonus、Events。

最后是Infrastructure。主要是保证游戏底层的框架，避免游戏正在玩文件交换出现问题等等类似的问题，主要指的是底层系统方面这一部分，和用户体验没有关系。

还有一部分是business intelligence，怎么追踪情况，怎么生成报告，以及怎么做数据可视化。

可以看到， 我们所掌握的数据科学工具、商业分析工具可以多方面地帮助到游戏公司和用户。

下面，我们来了解一些游戏的用例。

第一个是怎么用统计方法评估玩家的成就，并提供一些奖励，可以使用数据挖掘创建模型更好地理解玩家的成就。

奖励系统判断用户是positive还是negative，可以设计算法计算定义好指标，这是我们看到一种比较有意思的在游戏数据分析的应用。

第二个是匹配算法。比如登陆一个游戏，加入一个团队，实际上团队队员的水平是否和你匹配，如果6人团队中3人水平很高，另外3人扯后腿，那么这就不是很好地一个匹配机制或结果。其实游戏匹配的大部分工作是系统帮助玩家推荐队员，这就需要做很多工作。

可以定义指标，和前面类似，可以衡量一个玩家在游戏中的成就，根据他们的技能水平来匹配。

也可以做一个监督机器学习模型，3人组团，把成绩高的团队的玩家的特征拿出来，成绩高就是一个良好的指标。这些特征就是玩家的规律，比如加入多长时间，每天玩多长时间，过了多少关。

采集完特征后，剩下的就是标签，成绩稳定就是好的匹配，而成绩差不稳定就是坏的匹配，然后创建分类模型。

第三个是用户终身价值CLV，前面提到帮助游戏公司做货币化（monetization）分析增加利益。比如，游戏是通过广告获取利润的，用户游戏时间越长，输送给他的广告越多，如果广告是按照“显示”收费的，那么潜在用户越多利润越多。

如果使用IAP (in-app purchase)作为收入的主流，就会对不同的用户进行cohort分析，分析每一组有什么特色，user lifetime是如何分布的，更好地制定IAP的策略。CLV除了游戏行业，在其他2B/2C行业也能得到广泛应用，只要有用户，就可以更好地优化产品、市场营销策略和用户体验。

第四个是玩家行为预测，这种分析在游戏行业中使用的也比较广泛。可以通过机器学习做一些幸存者分析(survival analysis)，预估用户下一关难度，通关的可能性、以及需要的时间。回归、时间序列、分类、都可以预测用户行为。

还有一个重要的用例，是关于社交网络和自然语言处理，社交网络在游戏营销中起到了很重要的作用。比如通过图形数据库、用户和游戏之间的联系这种图形分析帮我们做更好的推荐系统；另外还有文字上的分析，在公司或者产品的社交网络上会有大量的用户留言、点赞、评论，这些对于我们来说都是非常宝贵的信息，用自然语言处理的技术能够把用户留言里面有用的信息或者是比较重要的商业模式这些信息检索出来，这也是一个非常重要的应用。

还有一个是用社会网络分析识别关键社会参与者，比如游戏的团队把曾经一起打游戏的人都联系起来，如果他们一起打过两次那么联系之间的权重就变成2，这样就可以建立起网络之间的架构。但是也不是说联系多就行，而是连接的用户要有一定的价值。

以上就是关于游戏行业的数据分析内容!你是否也热衷于游戏，希望成为其中一员？疫情推动了游戏行业的发展，现在正是不错的时机，扩展你的游戏相关项目，成为游戏分析师吧！你还可以订阅我们的YouTube频道，观看大量数据科学相关公开课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ；在LinkedIn上关注我们，扩展你的人际网络！https://www.linkedin.com/company/dataapplab/

Recap 作者：数据应用学院
美工编辑：过儿
校对审稿：佟佟
公开课回放链接：https://www.youtube.com/watch?v=fx0XmXbdT0k