数据分析 python 用途-数据分析有什么作用？

相比大家传统理解的“数据分析即复盘”，其实数据分析还有更深层次的“驱动业务”能力。

数据分析不只是分析师独占的工作，策划、运营都需要根据自己的业务需求，将对自己工作具有指导意义的数据汇总整理成为一套行之有效的分析体系。不过在大谈方法论前，我先以游戏行业为例，谈谈：

“数据分析在业务驱动的过程当中扮演怎样的角色”。

01 数据为治之而非统之

通常数据分析工作主要围绕产品、市场和运营三大业务场景。

以个人经验谈来说，我数据分析工作的分别为游戏、IP引进把关、为游戏立项把关、为游戏研发把关、为资源投放把关、为市场营销把关、为游戏运营把关。 />IP把关

IP引进价值分析、引进/自研游戏成功率预测。

当公司要引进一个IP时，我们通常都会先对IP的价值进行分析（包含用户价值，商业价值，内容价值，战略价值）。

我们会评估该IP是否值得引进，引进的价格区间是多少。例如我们之前想引进一个日本市场的国民级IP，但是经过一系列调查，发现这个IP在中国市场算一个小众IP。

除此之外，我们内部还有一个新游戏成功率模型， 可以根据新游戏的相关信息进行成功率预测。立项把关

精准定位目标用户，评估不同研发方案的利弊，预估靠谱流水。

“精准定位目标用户”的目的是要做“精准开发”，首先要知道我们的目标用户有哪些，找到用户未满足的需求，做到极致。我们一般通过爬虫的数据、问卷调研的数据、竞品游戏的数据，以及整个市场的数据来分析。

比如：策划组纠结是做MOBA竞技玩法、吃鸡玩法，还是考虑融合Roguelike+关卡自适应功能等等，我们通常会分析各种玩法的利弊。

当研发方向确定时，我们会预估相应流水等等，这些都是为游戏立项把关。研发把关

个性埋点，点对点找出问题；付费模块、爆率设计的优化。

在游戏研发阶段，我们会拉策划对齐整个测试的数据预期，发现不符合预期的地方，和策划一起定位问题。

比如，他们对于玩法、养成、商业化、职业等游戏玩法的预期参与度是多少？策划有什么样的预期和关注点。

然后我们会重点监控这几个模块的数据，发现不符合预期的地方，就拉着策划一起定位问题，比如玩法参与率发现十分不符合预期，那就去分析用户行为，用户属性。

我们数据分析师的宗旨是：

“针对具体的病治病，不做纲领性建议。”投入把关

评估产品质量；构造收入、活跃预测框架和模型，优化买量。

游戏测试阶段，可以根据游戏数据进行产品质量评级，给出最优市场投放建议，也会分析买量的效果数据，为买量优化提供数据参考。

02 数据分析≠驱动业务

如果要实现数据驱动业务，不论是模型，还是数据分析结论，其结果都要进行评估。

如果其结论是合理、可用的，项目团队会将其作为运营、市场活动方案设计的决策参考依据之一。

如果不可以用，则分析师需要重新梳理需求，按上述过程重新走一遍。数据是否能对项目真正产生积极影响，取决于数据结论是否能击中业务痛点以及报告对象对数据的重视程度。 />

比如说：预热期的用户调研

能找到目标用户的特点，促使发行人员会参考分析报告结果确定时间、地点及宣传方式。封测期间的用户调研

能了解用户对游戏各项功能的体验评价及相关建议，促使研发人员采纳，以数据反哺研发。测算最优市场费用

能帮助项目合理分配资源，避免资源浪费。市场投放效果分析

能监控广告投放效果数据并分析各媒体的特性，促使发行人员通过数据去发现问题，调配资源，使其效果最大化。流失用户分析

能找到用户流失点，促使研发人员根据数据来优化游戏。付费习惯分析

能找到付费用户的特点，促使运营人员根据数据制定相关的活动，从而吸引更多的人来付费。

总体而言，数据是否会产生积极影响不在于数据本身，而在使用数据的人。

如果数据分析师做的分析报告或模型没有经过评估，其数据结论或建议没有得到业务方的使用或帮助业务方决策，那么其工作只是做了数据分析的基本工作，并没有实现数据驱动业务。