行业解决方案游戏数据运营解决方案.docx

行业解决方案游戏数据运营解决方案.docx

《行业解决方案游戏数据运营解决方案.docx》由会员分享，可在线阅读，更多相关《行业解决方案游戏数据运营解决方案.docx（9页珍藏版）》请在冰豆网上搜索。

行业解决方案游戏数据运营解决方案

游戏数据运营解决方案

背景

行业综述

随着游戏行业市场竞争局面的扩大，玩家对于品质的要求越来越高，游戏项目的生命周期越来越短，直接影响项目的投入产出比，通过数据运营则可以有效的延长项目的生命周期，对各个阶段的业务走向进行精准把控。

而随着流量成本的日益上升，如何构建经济、高效的精细化数据运营体系，以更好的支撑业务发展，也变得愈发重要起来。

在这样的背景下，越来越多的游戏企业加入到数据运营行列，也促进了大数据产业生态链的发展，第三方数据公司TalkingData、Dataeye、友盟、热云数据等就是在这一个时代中快速成长起来的。

但同时受限于业务理解，通用平台往往无法满足游戏企业的定制化需求，所以随着业务的发展，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，目前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，在深度学习层面目前趋近空白。

业务需求及痛点分析

按照游戏领域的行业细分，不同类型的公司对数据化运营的业务需求各有侧重，构建数据化运营平台的技术手段也表现为不同的方式。

按照行业属性，可以将生态中的公司分为游戏研发商、游戏渠道商、游戏研发商三类，根据业务特点他们对于数据运营的需求也各有侧重，从表现形式讲，基础指标集、客户画像、精准投放&效果分析、智能算法等等，不一而足。

而从实现数据运营的技术手段来分析，也分别表现出不同的特征，各阶段使用的技术栈、驱动因素及演进方向，可以简单通过下图来表述：

而在这样的业务背景下，传统来料加工、被动响应的数据处理架构，显然无法匹配数据化运营的分析需求，主要存在的问题：

1、数据来源单一，缺少精准用户画像，运营策划、实施不能”投其所好”，用户转化率低；

2、平台沉淀、积累了大量的数据，但是通过数据驱动业务创新、辅助决策方面没有经验，导致数据→业务价值的转化率低；

3、开发定制化，项目实施周期长，响应需求速度慢，无法有效支撑业务的灵活变化；

4、数据的应用场景单调，大多只是止于简单的看指标、报表，对于机器学习等复杂场景缺少技术储备；

阿里云整体解决方案

功能架构

基于阿里云大数据平台，构建一站式数据运营支撑平台。

重点简介：

1、数据采集+数据总线，丰富业务数据源：

基于开源框架封装的多种数据采集工具，按需选用以支持不同类型的异构数据采集，丰富业务数据来源，同时配合阿里云提供的流式数据处理服务（DataHub），轻松构建基于流式数据的高可用，低延迟，高可扩展，高吞吐的分析和应用；

2、数据处理/数据存储，支持不同场景的数据化运营需求：

数据处理/数据存储作为总线数据的消费端，提供面向不同应用场景（实时分析、OLAP、离线计算、智能算法等）的数据计算/存储引擎，支持不同层次、视角的数据化运营需求；

3、数据消费，发挥数据在业务创新、辅助决策方面的价值：

基于底层的数据计算能力，在应用侧通过阿里云提供的可视化大屏（DataV）、数据分析配置工具（QuickBI）轻松构建不同场景的数据分析应用，充分发挥数据的业务价值

数据运营平台基础数据框架

重点简介：

1、Datahub：

a）实时、高吞吐的并发数据处理能力；

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储

b）性能优越，关键指标超越storm6~8倍

c）优化执行引擎，计算任务资源消耗低

主要支持实时数据处理、分析等应用场景；

3、MaxCompute：

a）PB级超大规模数据的计算及存储

b）支持丰富的计算模型

c）数据自动冗余多份，高可用性保障

主要支持多维分析（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

为了更加全面的了解业务情况、用户行为偏好，需要对积累的游戏数据做多维度的深度探查，以挖掘数据中蕴含的业务价值。

这一类场景的普遍特点是：

1、数据量大

2、计算复杂度高

3、分析视角&可视化的要求灵活多变

4、允许一定的数据时延

常见的产品形态有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、业务预测等）等。

实现此类场景的基本产品技术架构如图：

架构重点简介：

1、数据库：

按照不同的应用场景、数据规模，可以选用合适的计算/存储引擎；

2、OLAP分析&数据可视化：

QuickBI提供拖拽式、所见即多得的OLAP分析&报表的配置及可视化能力，无需代码开发，可快速实现数据化运营的分析场景；

3、数据挖掘：

机器学习提供可视化方式的算法配置平台，快速实现机器学习、模型训练、智能算法（预测、偏好分析等）等高复杂度的数据应用场景；

同时，对于应用侧提供灵活的可集成能力，可以完全使用可视化配置，也可组合使用定制开发的方式实现。

实时分析

实时分析更多应用在监控关键的业务指标，以及时获知游戏运营的动态，指导业务部门及时调整业务策略，快速响应业务的变化，这一类场景的普遍特点是：

1、单位时间内数据量中小规模

2、计算复杂度一般

3、并发&数据实时性要求高等

常见的产品形态：

运营实时监控、PV、UV、消费金额、在线人数、区域分布等业务核心指标实时监控等。

实现此类场景的基本产品技术架构如图：

架构重点简介：

1、实时数据处理：

通过阿里云流式数据总线（DataHub）+流计算平台（StreamCompute）的组合，构建高可用、高并发、可弹性扩容的实时数据处理、计算模块；

2、实时数据分析：

通过DataV平台提供的多种可视化控件，可以快速实现大屏类的实时分析场景，同时如果有定制要求，也可只使用底层数据源的计算能力，通过自建web端应用的方式提供实时数据分析能力。

方案优点总结

针对前文总结的几个业务痛点，提供对应的能力支撑，分别描述：

1、业务数据来源单一

a）支持多种数据类型；

b）高可用、多并发流式数据总线，保障数据处理效率；

c）根据不同的应用场景，按需选用合适的存储/计算引擎；

2、应用场景单调，数据→业务价值转化率低

a）游戏行业模型抽象/核心指标体系构建；

b）常见业务分析场景总结、提炼、固化；

c）通过工具支持模型训练、机器学习（客户画像、精准投放、用户行为预测）等复杂场景，无需代码开发；

3、开发运维的效率低

a）IAAS层应用、计算资源基于云平台提供的弹性能力，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的配置能力，无需代码开发；