运营预警数据监控一.ppt

运营预警数据监控一.ppt

《运营预警数据监控一.ppt》由会员分享，可在线阅读，更多相关《运营预警数据监控一.ppt（17页珍藏版）》请在冰豆网上搜索。

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。

我的邮箱常规数据源用户数据源用户数据源pACU：

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pPCU：

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p活跃用户等级分布活跃用户等级分布：

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p付费用户付费用户：

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p消费用户消费用户：

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p新增账号数新增账号数：

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pAPA：

建立时间序列的数据源，观察游戏对消费用户的黏着度p回流回流ID：

建立截面数据源，观察运营活动对老用户的挖掘能力。

销售数据源销售数据源服务器元宝囤积量服务器元宝囤积量：

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。

游戏数据源游戏数据源n商城道具囤积量商城道具囤积量：

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n商城道具人均拥有量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预警数据的分析以周以周/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（以下方式的分析（根据观察者的需求来分析数据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12585256310月15日9655202210月16日9867223410月17日9944236810月18日7337219510月19日6240196210月20日5211179510月21日5111166910月22日5269159510月23日8630198210月24日9577201710月25日72251950图1-1箱线图分析：

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：

u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u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。

u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，假设当我们修改数据，假设10月月14日那天公测，再使用箱线图来观察日那天公测，再使用箱线图来观察这组数据时，情况又不一样这组数据时，情况又不一样时间日活跃用户10月14日（公测）2500010月15日965510月16日986710月17日994410月18日733710月19日624010月20日521110月21日511110月22日526910月23日863010月24日957710月25日7225此时我们再来分析日活跃这组数据u1号数据（即10月14日）出现极限值，说明在这一天游戏发生什么重大事件，即开公测，所以我们需要在日期上备注特殊事件，以方便我们了解引起数据变化的原因u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。

图1-5箱线图小解箱线图小解用箱线图观察是否有离群点或者极端值时，应注意观察本组多数数据波动是否较为正常，说白了就是观察下这组数据的大概情况是否正常，如果一组数据中有少数不正常的数据，通过箱线图可以观察到特殊点，如果一组数据中多数为不正常的数据，可能无法满足观察特殊点的需要。

SPSS箱线图中离群点为超出四分位差1.5倍距离的数值。

统计学中离群点为超出平均数N个标准差的范围的数值。

这个数值并非随意而定，其中运用的是统计学知识。

当一组数据为对称分布时，约有68%的数据在平均数1个标准差的范围之内约有95%的数据在平均数2个标准差的范围之内约有99%的数据在平均数3个标准差的范围之内当一组数据未不对称分布时，至少有75%的数据落在平均数2个标准差范围之内至少有89%的数据落在平均数3个标准差范围之内至少有94%的数据落在平均数4个标准差范围之内根据以上情况可以看出，如果某数值为离群点，那么该数值确实存在异常之处。

注：

关于标准差，平均数等统计学知识，想了解详情的同学请自行查询统计学下面我们将使用另一种方式来重新分析这下面我们将使用另一种方式来重新分析这2组数据，首先我们将星组数据，首先我们将星期加入到时间标签中，然后使用下面的方法来分析期加入到时间标签中，然后使用下面的方法来分析星期时间日活跃用户最高在线星期四10月14日125852563星期五10月15日96552022星期六10月16日98672234星期日10月17日99442368星期一10月18日73372195星期二10月19日62401962星期三10月20日52111795星期四10月21日51111669星期五10月22日52691595星期六10月23日86301982星期日10月24日95772017星期一10月25日72251950曲线图分析：

曲线图分析：

在用曲线图分析时，面对不同坐标值数据值，一定要记得使用主次坐标轴来分开查看，同时加上数据标签，以方便我们观察。

通常情况下，日活跃用户数会影响会最高在线数，但是其中的关系可能是怎样的呢？

这个图表上的数据到底告诉了我们一些什么信息呢？

哪些信息又是我们无法从箱线图上得到的？

图2-1u总体上看，日活跃用户的趋势和最高在线的趋势是成正比的，2者的趋势几近相同u14日到15日，下降曲线非常陡峭，说明14号-15号是特殊时间段，而实际上也正是如此，这2组数据取自于新服，14号是开新服的日期，而当前国内游戏的次日流失率是非常高。

u14日数据为这段数据的最高值，原因在于14日是新服开放时间，而新服的效应又无法同游戏内测或者公测相比，所以这个值在箱线图中是无法看出来。

如果我们分析一个不成熟游戏内测时期的数据，其结果很可能如图1-5一样。

u16，17日的曲线为上升，如排除除时间因素以外的其他因素来看，就是16，17为周末的原因，因此我们分析数据时应尽可能的结合所有因素。

u23，24日的曲线如同16，17日，同时也印证了周末人数回暖的现象。

图2-2每日数据分析小结关于如何分析每日数据，这里只是举了几个简单的例子，还有很多的分析方法可以去探索。

同时分析数据也需要根据观察者的需求去分析，才能保证数据被分析出来后有所用每日数据无法代表总体数据的特征，想要更加精准的掌握数据特征，必须综合全面的因素以及足够多的样本量