几百个数据采集点、数百亿级数据量，手游产品的数据分析是怎么做的?数据分析的基础模型涵盖方差分析、因子分析、回归分析、主成分分析、聚类分析、逻辑回归、用户细分等等，游戏运营的数据分析通常依据AARRR海盗法则相对精简，业内专注对留存、付费及活跃的几个常用数据的分析。
这里我们将介绍在游戏数据分析领域常用的5种数据分析模型。通过这些模型，分析师可以把数据与玩家行为、市场投放、运营活动、节假日等因素结合起来，了解用户行为波动的峰值、时段、原因，从而指导决策。
一、事件分析
1、事件分析的定义
事件分析是用来分析某一行为发生数量与趋势变化的模型，用户(USER)在项目上的任意行为定义为事件(EVENT)。事件可以通过埋点进行采集，利用采集到的数据直接对某一事件进行统计、计算、归类、展示时，称为事件分析。
2、事件分析的作用
利用事件分析模型的统计、计算、归类和展示能力，可以分析一段时间内，指定群体产生特定行为的趋势情况。从而对事件的影响和走势变化能够宏观把控，优化决策。
3、事件分析的业务场景
实际分析过程中，通过事件选框选择待分析的事件组，通过维度进行多分组同时展示，通过筛选条件下钻限制指定群体特征。通过时间、分析频率确定分析的适当范围，通过图表样式适应需要的表达形式。
以游戏付费事件举例来说，可以解决如下问题：
(1)每日的总流水金额趋势图，今日实时的流水情况。
(2)上周各渠道的每日流水趋势，各渠道的流水分布情况。
(3)来自上海的用户，最近一月人均付费金额的变化趋势。
(4)对比上海和北京的用户，最近半年在购买会员卡上的付费次数与金额情况。
二、留存分析
1、留存分析的定义
留存分析是一种专门分析用户参与情况、活跃情况的模型。
留存分析考查进行过某项初始行为的用户，在一段时间后进行回访行为的人数和比例，并可以对留存或者流失的具体用户进行下钻跟踪。
2、留存分析的作用
通过初始行为和回访行为的设置，可以灵活分析不同初始行为下，用户的整体参与程度、回访情况。根据回访行为的表现情况进行分析，探索和寻找“流失点”，从而对事件的影响能进行宏观把控，优化决策。
3、留存分析的业务场景
实际分析过程中，先确定需要分析的初始事件和回访事件，并通过筛选条件下钻限制指定群体特征。结合待分析的时间区间可得到在特定时间后的留存表和留存率趋势。
以新用户获取到消费转化举例来说，可以解决如下问题：
(1)新用户登录后的次日，登录活跃的人数和占比情况。
(2)新用户登录后的7日内，消费转化，且消费金额达到200元的人数和占比情况。
(3)上海新用户登录后的1个月内，实现消费转化的人数和比例每日趋势变化。
(4)一线城市新用户登录后的1个月内，进行登录，且消费金额达到200元的人数和占比情况。
(5)新用户登录后的次日，没有登录活跃的人数和名单。并查看他们的行为轨迹。
三、漏斗分析
1、漏斗分析的定义
漏斗分析是一种分析用户一系列行为流程的转化模型。
漏斗分析考查指定用户群组，在完成了一系列行为流程后的转化人数和转化率，通过它可以分析每一步行为过后的转化情况。
2、漏斗分析的作用
利用漏斗的特性，可以帮助分析师快速掌握一段时间内产品在各个步骤环节中的转化情况，并且可以对不同分组的用户漏斗情况进行对比。从而达到找到转化短板、查缺补漏、优化转化流程的目的。
3、漏斗分析的业务场景
实际分析过程中，先选定需要分析的行为步骤组，确定每一个步骤的特定筛选条件，并且可以对不同分组的用户漏斗情况进行对比。根据每个步骤的转化情况进行分析，从而达到找到转化短板、查缺补漏、优化转化流程的目的。
漏斗分析创建的越细致越能找到重关联的事件可优化的短板，从而实现精细化运营。
以渠道投放到消费转化举例来说，可以按如下步骤创建简易的漏斗：
渠道投放——新用户获取——用户登录——开始新手教学——完成新手教学——开始战斗——充值消费
(1)可以分析上述每一步的单步转化情况，确定漏斗短板。
(2)可以对比不同渠道的用户在各步骤的转化差异，从而优化投放策略。
(3)策略优化后，可以监测各步骤转化率的变化，从而确定优化的效果。
可以下钻分析完成或流失用户的行为序列，从而找到转化共性。
四、用户群分析
1、用户群的定义
用户群是一种将具有相同用户属性或行为特征的人汇总并归类的分析手段。
用户群模型利用用户的属性或行为特征，定期将特定人群归类。归类后的人群可以作为各个模型中筛选活用的基础。
2、用户群的作用
将具有共同特征的人组成用户群后，可以通过各种分析模型宏观了解人群的群特征，并微观洞察具体用户的行为序列轨迹。利用用户群在行为上的对比，来发现哪些因素影响短、中、长期的留存及收入，以对用户群进行精细化运营和定制营销策略。
3、用户群分析的业务场景
实际运用过程中，先选定需要限定的用户属性或行为特征，并根据需求选定用户群列表是否需要动态更新。利用设置好的用户群，可以在其他模型中灵活运营。
以游戏场景来说，可以创建如下的简易用户群：
(1)大R玩家：用户累计付费超过2000元
(2)新手期玩家：在最近7天做过用户注册事件，且用户等级小于20
(3)首日充值用户：用户充值次数大于等于1次，且收否首日充值为真
(4)节日活动参与用户：参与活动类型为节日活动，且大于等于1次
(5)近期流失核心用户：在最近7天没做过任意事件，且在最近14天做过任意事件大于等于1次，且用户等级大于30
五、属性分析
1、属性分析的定义
属性分析是一种专门分析用户属性的统计与分布情况的模型
属性分析模型按照用户属性进行归类，可以同时查看不同分组值用户的统计数与分布情况。如查看用户在各省的分布情况、用户的年龄分布情况等。
2、属性分析的作用
利用属性的统计与分布模型，可以快速描绘出整体用户群的用户画像。多角度、全方位的掌握指定用户群的特征，宏观上把握整体用户的组成与偏好，从而为精细化运营提供依据。
3、属性分析的业务场景
实际运用过程中，先选定需要分析的用户属性项目，再选择进行分组查看的属性如省份。最后选择合适的分组值与图表样式即能呈现需要的用户画像，为精细化运营提供依据。
以游戏场景来说，可以得到如下的用户画像信息：
(1)各省份用户数量的分布情况
(2)20岁以下用户，在不同玩法下的消费钻石情况。
(3)在多个渠道上，各种机型的分布数量情况
对比大R、中R、小R群体，在用户等级上的分布情况
对各种类型产品的数据分析与运营，手游产品的应用方案都有很好的参考价值。相比较而言，手游产品事件点多(动辄几百个数据采集点)、数据量大(动辄数据量几十亿、百亿级别)，在如此大量的数据情况下，如果能够细分用户群组、活用分析模型，就有机会找到数据驱动运营或产品调优的最好方式。