数据分析是什么？
依据“业务理解”和“数学算法”对海量信息数据进行计算，提炼出有价值的信息。
为什么要进行数据分析？
通过数据分析获取有价值的信息：帮助我们
- 事先验证假设，辅助决策
要决定本次活动用什么道具作为奖励：查询玩家道具存量，以稀缺的道具作为奖励 - 事后验收结果，发现规律
通过结果数字判断这次活动做得是好是坏。
怎么进行数据分析？
基于对业务的理解而开展
营收类活动公式：活动收入 = 活跃玩家数 * 付费率 * 每付费玩家平均收入
从上述3个因素入手，提高任一因素都将改善活动效果，具体方式如下
- 增加流量曝光：提升参与人数
- 优化文案、图片：提升付费率
- 简化参与步骤（降低参与成本）、增多支付渠道、经营其他影响活动参与度的事件：让KOL（关键意见领袖）帮助完成销售
最重要的：玩家是真的需要得到本次活动的奖励（需求真实存在）
数据思维
漏斗
从玩家接触到活动到最终完成活动分为若干步骤，每一步都会损失一部分玩家（转化率）。
通过数据得到各步的具体数据，形成漏斗，优化该漏斗（越陡峭越好）
精细化运营
将玩家按活跃度+付费度分为4类（不仅适用于该处，在面对其他问题时，也应从多维度进行分类，以便认清现实、进行判断、决策）
- 高活跃高付费
- 低活跃高付费
- 高活跃低付费
- 低活跃低付费
上述4类中，在资源有限的情况下，关注程度从高到低（最后一类可无视）
将道具按价格+购买频率分为4类
- 高价格高频率：刚需，不打折
- 高价格低频率：打折甚至送，吸引购买
- 低价格高频率：开发出升级版同类道具（变相提价）
- 低价格低频率：思考原因，尝试加强
不预设结论，错误归因
争论的原因：争论双方的经验和看问题的角度不同
一旦有了预设结论，就很可能会去寻找能证明自己结论正确的信息，忽略其他信息
不轻易归因：机翼论
- 被维修的战斗机中弹大都集中在机翼上，不代表应加强机翼
- 真实情况是座舱和尾翼发动机中弹的飞机直接坠毁了，这两个地方才是应加强的
启示
- 来自玩家最大的不满呼声并不代表流失玩家的真实态度（流失玩家直接走了，不发表不满）
- 某类道具特别受欢迎未必因为其本身，还应考虑时机、玩家在某特定时段的需求（不应直接将该道具作为下次活动的奖励来吸引玩家参与）
培养数据敏感度
培养习惯：数据变化（上升、下降）时，找到原因（总结归纳，与人交流，想办法论证），以便下次设计方案时能更有针对性，增大获得更好的结果的可能性
