运营预警数据监控(一).ppt

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1181860807@ 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 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。 时间 日活跃用户 最高在线 10月14日 12585 2563 10月15日 9655 2022 10月16日 9867 2234 10月17日 9944 2368 10月18日 7337 2195 10月19日 6240 1962 10月20日 5211 1795 10月21日 5111 1669 10月22日 5269 1595 10月23日 8630 1982 10月24日 9577 2017 10月25日 7225 1950 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 时间 日活跃用户 10月14日（公测） 25000 10月15日 9655 10月16日 9867 10月17日 9944 10月18日 7337 10月19日 6240 10月20日 5211 10月21日 5111 10月22日 5269 10月23日 8630 10月24日 9577 10月25日 7225 此时我们再来分析日活跃这组数据 1