行业解决专项方案游戏数据运营解决专项方案.docx
《行业解决专项方案游戏数据运营解决专项方案.docx》由会员分享,可在线阅读,更多相关《行业解决专项方案游戏数据运营解决专项方案.docx(9页珍藏版)》请在冰豆网上搜索。
![行业解决专项方案游戏数据运营解决专项方案.docx](https://file1.bdocx.com/fileroot1/2022-10/25/399912ba-dc83-40be-96f9-63cb68c7ba96/399912ba-dc83-40be-96f9-63cb68c7ba961.gif)
行业解决专项方案游戏数据运营解决专项方案
游戏数据运行处理方案
背景
行业综述
伴随游戏行业市场竞争局面扩大,玩家对于品质要求越来越高,游戏项目标生命周期越来越短,直接影响项目标投入产出比,经过数据运行则能够有效延长项目标生命周期,对各个阶段业务走向进行正确把控。
而伴随流量成本日益上升,怎样构建经济、高效精细化数据运行体系,以愈加好支撑业务发展,也变得愈发关键起来。
在这么背景下,越来越多游戏企业加入到数据运行行列,也促进了大数据产业生态链发展,第三方数据企业TalkingData、Dataeye、友盟、热云数据等就是在这一个时代中快速成长起来。
但同时受限于业务了解,通用平台往往无法满足游戏企业定制化需求,所以伴随业务发展,最终还是要选择自建数据分析平台——因为技术门槛、资源投入等原因,现在大部分游戏企业只实现了数据统计,少部分企业实现了数据挖掘,在深度学习层面现在趋近空白。
业务需求及痛点分析
根据游戏领域行业细分,不一样类型企业对数据化运行业务需求各有侧重,构建数据化运行平台技术手段也表现为不一样方法。
根据行业属性,能够将生态中企业分为游戏研发商、游戏渠道商、游戏研发商三类,依据业务特点她们对于数据运行需求也各有侧重,从表现形式讲,基础指标集、用户画像、正确投放&效果分析、智能算法等等,不一而足。
而从实现数据运行技术手段来分析,也分别表现出不一样特征,各阶段使用技术栈、驱动原因及演进方向,能够简单经过下图来表述:
而在这么业务背景下,传统来料加工、被动响应数据处理架构,显然无法匹配数据化运行分析需求,关键存在问题:
1、数据起源单一,缺乏正确用户画像,运行策划、实施不能”投其所好”,用户转化率低;
2、平台沉淀、积累了大量数据,不过经过数据驱动业务创新、辅助决议方面没有经验,造成数据à业务价值转化率低;
3、开发定制化,项目实施周期长,响应需求速度慢,无法有效支撑业务灵活改变;
4、数据应用场景单调,大多只是止于简单看指标、报表,对于机器学习等复杂场景缺乏技术贮备;
阿里云整体处理方案
功效架构
基于阿里云大数据平台,构建一站式数据运行支撑平台。
关键介绍:
1、数据采集+数据总线,丰富业务数据源:
基于开源框架封装多个数据采集工具,按需选择以支持不一样类型异构数据采集,丰富业务数据起源,同时配合阿里云提供流式数据处理服务(DataHub),轻松构建基于流式数据高可用,低延迟,高可扩展,高吞吐分析和应用;
2、数据处理/数据存放,支持不一样场景数据化运行需求:
数据处理/数据存放作为总线数据消费端,提供面向不一样应用场景(实时分析、OLAP、离线计算、智能算法等)数据计算/存放引擎,支持不一样层次、视角数据化运行需求;
3、数据消费,发挥数据在业务创新、辅助决议方面价值:
基于底层数据计算能力,在应用侧经过阿里云提供可视化大屏(DataV)、数据分析配置工具(QuickBI)轻松构建不一样场景数据分析应用,充足发挥数据业务价值
数据运行平台基础数据框架
关键介绍:
1、Datahub:
a)实时、高吞吐并发数据处理能力;
b)数据自动冗余多份,高可用性保障;
c)数据流吞吐能力动态伸缩,按需弹性等能力;
2、StreamCompute:
a)支持类SQL语法,深度整合多类云数据存放
b)性能优越,关键指标超越storm6~8倍
c)优化实施引擎,计算任务资源消耗低
关键支持实时数据处理、分析等应用场景;
3、MaxCompute:
a)PB级超大规模数据计算及存放
b)支持丰富计算模型
c)数据自动冗余多份,高可用性保障
关键支持多维分析(T+1,OLAP)、报表/分析专题、机器学习等应用场景;
产品技术架构
离线分析
为了愈加全方面了解业务情况、用户行为偏好,需要对积累游戏数据做多维度深度探查,以挖掘数据中蕴含业务价值。
这一类场景普遍特点是:
1、数据量大
2、计算复杂度高
3、分析视角&可视化要求灵活多变
4、许可一定数据时延
常见产品形态有OLAP报表(多维分析、用户行为分析等)、分析专题(游戏角色平衡等)、数据挖掘(用户画像、业务估计等)等。
实现这类场景基础产品技术架构图:
架构关键介绍:
1、数据库:
根据不一样应用场景、数据规模,能够选择适宜计算/存放引擎;
2、OLAP分析&数据可视化:
QuickBI提供拖拽式、所见即多得OLAP分析&报表配置及可视化能力,无需代码开发,可快速实现数据化运行分析场景;
3、数据挖掘:
机器学习提供可视化方法算法配置平台,快速实现机器学习、模型训练、智能算法(估计、偏好分析等)等高复杂度数据应用场景;
同时,对于应用侧提供灵活可集成能力,能够完全使用可视化配置,也可组合使用定制开发方法实现。
实时分析
实时分析更多应用在监控关键业务指标,以立即获知游戏运行动态,指导业务部门立即调整业务策略,快速响应业务改变,这一类场景普遍特点是:
1、单位时间内数据量中小规模
2、计算复杂度通常
3、并发&数据实时性要求高等
常见产品形态:
运行实时监控、PV、UV、消费金额、在线人数、区域分布等业务关键指标实时监控等。
实现这类场景基础产品技术架构图:
架构关键介绍:
1、实时数据处理:
经过阿里云流式数据总线(DataHub)+流计算平台(StreamCompute)组合,构建高可用、高并发、可弹性扩容实时数据处理、计算模块;
2、实时数据分析:
经过DataV平台提供多个可视化控件,能够快速实现大屏类实时分析场景,同时假如有定制要求,也可只使用底层数据源计算能力,经过自建web端应用方法提供实时数据分析能力。
方案优点总结
针对前文总结多个业务痛点,提供对应能力支撑,分别描述:
1、业务数据起源单一
a)支持多个数据类型;
b)高可用、多并发流式数据总线,保障数据处理效率;
c)依据不一样应用场景,按需选择适宜存放/计算引擎;
2、应用场景单调,数据à业务价值转化率低
a)游戏行业模型抽象/关键指标体系构建;
b)常见业务分析场景总结、提炼、固化;
c)经过工具支持模型训练、机器学习(用户画像、正确投放、用户行为估计)等复杂场景,无需代码开发;
3、开发运维效率低
a)IAAS层应用、计算资源基于云平台提供弹性能力,按需伸缩,无需人工介入;
b)PAAS层提供指标、报表、分析页面等分析场景配置能力,无需代码开发;