電競游戲數據的來源與收集模式分析

中國傳媒大學南廣學院 周 靈 王莉莉

電競游戲的數據運營首先需要科學的方法論的指導，其次需要結合業務的數據指導和技術開發環節來完成，以王者榮耀為典型代表的移動端電競游戲和產品逐漸趨于互聯網化，更要求重視電競用戶的反饋和體驗，更好地經營用戶使得基于流量獲取的數據運營達到新階段。要實現精細化的運營，需要把握以下三個關鍵環節：數據、用戶和市場，其中數據化運營是最關鍵最基礎的環節。

一、電競游戲的運營數據

結合傳統的數據分析方法，完整的電競游戲數據分析流程包括：（1）電競游戲數據分析方法論的確定，包括對問題、目標、方法和工具的概述；（2）電競游戲數據加工；（3）電競游戲數據的統計分析；（4）提煉演繹；（5）電競游戲運營建議方案

電競游戲數據分析第一步非常重要的工作就是業務理解，在此基礎上才能進行后續的工作，將電競游戲的數據進行分解如下：

圖1 電競游戲數據分解

首先，基礎統計。描述宏觀情況，解決電競用戶從哪里來、活躍度、收入等情況，數據指標的構建建立在基礎統計分析維度上。

其次，行為方式分析。針對目標用戶群，根據用戶行為進行分析，擴展及保留用戶群，提供服務滿足用戶的需求。

第三，挖掘用戶價值。將用戶作為運營的中心，盡可能挖掘用戶潛在價值，并通過用戶的維系，提升用戶規模和收益。

二、電競游戲的反饋數據

電競游戲數據分解的方式除了從運營分析數據的角度進行，還有另一種方式是通過游戲反饋數據，這種方式關注用戶對游戲的體驗。

電競游戲的數據來源包括數值反饋數據和需求反饋數據。反饋數據分為兩大類，數值和需求。

關于數值。電競游戲本身是一個通過數值構建的虛擬社會，整體的運算邏輯是基于數值的，因此和電競游戲內容相關的數據都屬于數值反饋數據，例如用戶的關卡、等級和注冊轉換等就屬于此類數值反饋數據。而這類數據的優化和改善將從根本上提升電競游戲的體驗，進而降低電競游戲用戶的流失率，提升用戶數量。

關于需求。在構建的電競游戲虛擬社會中，通過電競游戲為用戶創造很多需求，典型的就是電競消費需求，尤其是在目前免費游戲盛行的情況下，運營商需要最大限度激發用戶的消費能力和游戲內容透支能力，因此，掌握用戶的需求反饋數據將有效幫助開發者優化游戲，進一步提升游戲的收入。

三、電競游戲的數據收集模式

目前電競游戲數據的收集主要采用客戶端數據收集和服務端數據收集兩種模式。

（一）客戶端數據收集

客戶端數據收集主要依靠在客戶端中植入SDK，將收集到的數據自動上傳至服務器。種種方式多數采用第三方數據分析服務的SDK來完成，比如TalkingData Game Analysis、Kontagent、Flurry等，利用此種收集方式，游戲開發者不再需要進行復雜的業務數據歸納，按照SDK接口完成接入調用，通過在Web端提供的分析系統，完成大量的數據分析工作。使用這種數據收集方式的優點是：省去系統開發時間，標準數據定義和接口設計，方便和行業數據進行對比。同時，對于部分較為復雜的分析，諸如電競用戶分群、營銷推送、多維數據鉆取分析等，可以通過這些平臺輕松完成。當電競游戲公司開發或者運營多款游戲時，種種方式能最大程度上對游戲數據進行標準化，借助較短的時間來進行大量游戲項目數據的平臺繼承和基礎數據分析工作，從而避免了因為每款游戲的數據結構不同而造成得數據分析系統的二次或者多次開發，也不再需要因為對接一款游戲的數據而設計一個定制的統計數據分析系統。

（二）服務端數據收集

服務端的數據收集多數通過電競用戶游戲日志或者數據庫本身來完成。這種數據收集方式的缺點在于：對于移動游戲而言是不完善的，因為移動游戲的大量行為在客戶端觸發。如果目前移動游戲使用服務端數據收集方式，很難統計和定位用戶的游戲時長、終端異常情況和網絡情況，尤其是對于單機游戲，難以完成數據收集分析，因為單機游戲多數是沒有服務端的。

服務端的數據收集和分析要求團隊整體對游戲數據有明確的需求和規劃能力，且通過服務器端建立的數據分析系統并不具備復用能力，因為每一款游戲有獨立的服務器端，并且其數據表結構都不同，在游戲數量增加后，每款游戲的服務器端不同，出現更多數據表結構，若要根據這些結構特性去完成對每一款游戲的分析系統建設，其工作量是巨大的。

對于移動電競游戲而言，無論使用SDK接入，還是服務端統計，其數據的準確度都是相對的。以SDK為代表的統計分析，可以大量完成客戶端信息的上傳和分析，而服務端受到網絡等因素制約，用戶信息無法上報時就會被舍棄，兩種模式各有利弊，不存在那種數據收集統計模式更精確的說法。

[1]李悟.Sportradar US執行官:電競數據如何推動行業發展[J].電子競技,2016(6):78-79.

[2]李航.統計學習方法[M].北京:清華大學出版社(第1版),2012:60-63.

[3]Morik K,K pcke H.Analysing customer churn in in-surance data-a case study[M].Knowledge Discovery in Databases:PKDD 2004.Springer Berlin Heidelberg,2004:325-336.