5月30日，數數課堂特邀盛趣游戲數據分析專家黎湘艷老師坐鎮第五期直播。
黎湘艷老師向學員們分享了歷經超50多款產品沉淀下來的數據分析思維，讓大家對數據分析的崗位理解從一個日常節點，展開成為可以預測產品、行業走向的方向標。
/以下為直播當天文字實錄/
我在《游戲數據分析實戰》開頭寫的第一句話是：
“作為數據分析師，最大的成就感莫過于自己的分析報告推動了業務的開展，并在業務開展過程中證實了其合理性，這也正是數據分析師的價值所在。”
今天的課程中我將講述：作為一名分析師，如何構建自己的分析體系，讓自己的數據分析結果，成為可以切實推動業務發展的驅動力。
下面是今天的課程內容：
01 數據為治之而非統之
我平時做過很多驅動業務的工作，主要圍繞產品、市場和運營三大業務場景。我的工作分別為游戲、IP引進把關、為游戲立項把關、為游戲研發把關、為資源投放把關、為市場營銷把關、為游戲運營把關。
1.IP把關I IP引進價值分析、引進/自研游戲成功率預測
當公司要引進一個IP時，我們通常都會先對IP的價值進行分析（包含用戶價值，商業價值，內容價值，戰略價值）。
我們會評估該IP是否值得引進，引進的價格區間是多少。例如我們之前想引進一個日本市場的國民級IP，但是經過一系列調查，發現這個IP在中國市場算一個小眾IP。除此之外，我們內部還有一個新游戲成功率模型， 可以根據新游戲的相關信息進行成功率預測。
2.立項把關I 精準定位目標用戶，評估不同研發方案的利弊，預估靠譜流水
“精準定位目標用戶”的目的是要做“精準開發”，首先要知道我們的目標用戶有哪些，找到用戶未滿足的需求，做到極致。我們一般通過爬蟲的數據、問卷調研的數據、競品游戲的數據，以及整個市場的數據來分析。
比如：策劃組糾結是做MOBA競技玩法、吃雞玩法，還是考慮融合Roguelike+關卡自適應功能等等，我們通常會分析各種玩法的利弊。當研發方向確定時，我們會預估相應流水等等，這些都是為游戲立項把關。
3.研發把關I 個性埋點，點對點找出問題；付費模塊、爆率設計的優化
在游戲研發階段，我們會拉策劃對齊整個測試的數據預期，發現不符合預期的地方，和策劃一起定位問題。比如，他們對于玩法、養成、商業化、職業等游戲玩法的預期參與度是多少？策劃有什么樣的預期和關注點。
然后我們會重點監控這幾個模塊的數據，發現不符合預期的地方，就拉著策劃一起定位問題，比如玩法參與率發現十分不符合預期，那就去分析用戶行為，用戶屬性。
我們數據分析師的宗旨是：“針對具體的病治病，不做綱領性建議。”
4.投入把關I 評估產品質量；構造收入、活躍預測框架和模型，優化買量
游戲測試階段，可以根據游戲數據進行產品質量評級，給出最優市場投放建議，也會分析買量的效果數據，為買量優化提供數據參考。
關于市場把關及運營把關，我在《數數課堂·第四期 I 一個運營人的數據分析成長史》有過詳細的介紹，感興趣的朋友可以去看看。
02 數據分析的“六脈神劍”
數據分析的定義就是從數據中提取有用的信息，并指導實踐。下面我舉一個例子來梳理一下具體流程：
需求背景：某游戲進行版本更新，在版本更新節點進行了視頻和微博投放，需要對投放效果進行分析。
1.明確需求
首先要明確這次分析的需求就是看投入的游戲數據有哪些變化，投放的ROI是多少。
2.收集數據
從公司內部數據庫可以收集到人數、收入、留存等數據，從公司外部（微博、視頻網站）可以收集到點擊量、評論數、彈幕和評論內容數據。
3.處理數據
處理數據就是采用適當的統計方法對收集的數據繼續清洗，提取有用的信息和規律。常用手段有，sql統計用戶留存、等級、用戶數、收入等數據，或者用python爬取外部數據。
4.分析數據
主要采用對比法、分組法、結構分析法、文本分析法，得出廣告投放前后的數據變化，視頻類投放和微博類投放的效果差異，以及用戶評論的關鍵信息。
5.展現數據
買量投放需要用到折線圖展現人數和收入的變化、柱狀圖展現微博和視頻投放的效果差異，用詞云圖展示玩家評論的關鍵信息。
6.報告撰寫
有標題，導語，結論和詳細分析四部分。這篇報告，我們一般會在開頭就給出核心結論，活動投入多少，帶來多少新增，跟活動前相比有什么變化，帶來了多少收益，新用戶成本是多少，ROI是多少。
03 數據分析≠數據驅動業務
如果要實現數據驅動業務，不論是模型，還是數據分析結論，其結果都要進行評估。
評估下來其結論是合理、可用的，項目團隊會將其作為進行運營、市場活動方案設計的決策參考依據之一。如果不可以用，則分析師需要重新梳理需求，按上述過程重新走一遍。
數據是否能對項目真正產生積極影響，取決于數據結論是否能擊中業務痛點以及報告對象對數據的重視程度。
比如說：
1.預熱期的用戶調研能找到目標用戶的特點，促使發行人員會參考分析報告結果確定時間、地點及宣傳方式；
2.封測期間的用戶調研能了解用戶對游戲各項功能的體驗評價及相關建議，促使研發人員采納，以數據反哺研發；
3.測算最優市場費用能幫助項目合理分配資源，避免資源浪費；
4.市場投放效果分析能監控廣告投放效果數據并分析各媒體的特性，促使發行人員通過數據去發現問題，調配資源，使其效果最大化；
5.流失用戶分析能找到用戶流失點，促使研發人員根據數據來優化游戲；
6.付費習慣分析能找到付費用戶的特點，促使運營人員根據數據制定相關的活動，從而吸引更多的人來付費。
總體而言，數據是否會產生積極影響不在于數據本身，而在使用數據的人。如果數據分析師做的分析報告或模型沒有經過評估，其數據結論或建議沒有得到業務方的使用或幫助業務方決策，那么其工作只是做了數據分析的基本工作，并沒有實現數據驅動業務。
04 核心數據指標
一家公司有了數據分析體系，就能更有效率的支持業務，但想要構建全面的數據分析體系，首先要找到對你的業務最核心、最關鍵的數據指標。
“指標是對業務質量進行衡量的標準，也能指導內部產品、市場、運營的工作。”一般來說，每個行業都有其核心數據指標。
比如互聯網電商行業的商品點擊率、購買率、退貨率、客單價可能是他們關注的主要指標；而游戲行業，轉化率、留存率、付費率、ARPU、ARPPU、CPC、CPA、CPR、CPL、LTV 和ROI是我們重點關注的指標。
除此之外，還有新增用戶數、活躍用戶數、收入等等，這些都是數據指標，這里我就重點來說舉例說明下需要計算才能得出的這些關鍵的指標。
1.留存率
可分為“每日留存率”和“加權留存率”。通過這張表我們可以看到，次日留存率就是指新用戶在首次登錄后在第二天再次登錄游戲的比例。
次日加權留存率指的是某一段時間內的新增用戶在第二天的留存數量除以這段時間段內的新增用戶總量。
PS：為什么要用加權留存率？
使用加權留存率的原因是，當人數變化大時，數據會產生偏差，加權之后數據更穩定。比如：第一天新用戶100人，次留50%，第二天新用戶10人，次留90%， 那我們說這款游戲的次留是多少，是50%？還是90%？還是取平均值70%，還是取加權值53.64%？答案是取加強留存率53.64%。
圖中下面的那張表，是根據歷史游戲的測試數據得出的留存率與游戲質量的關系，大家可以參考一下。當然，不同類型的留存率是有差異的，這里并沒有做區分，能做一個大致的參考。
2.CPL
我收集了近40款端游和30款手游開測節點的CPL數據，得出2008-2019年廣告投放CPL變化趨勢，供大家參考。
說明下，可以將CPL理解成買量成本，但是不同的類型游戲的買量成本差異很大，比如卡牌游戲買量成本可能只有20元，MMO游戲的買量成本可能超過200元。這里取的是樣本游戲的平均值，重點是想給大家看一個趨勢。
3.LTV & CPA
這里列舉了某游戲公測投放期用戶導入成本與收益數據。
從這張圖可以看出：
（1）9月10日～23日，LTV(在這里用arpu表示了)遠高于CPA，說明用戶收益高于用戶成本，效果較為理想；
（2）10月1日～8日，進行分眾框架樓宇廣告投放，LTV遠低于CPA，說明用戶收益低于用戶成本，效果不理想。
另外我們看到用戶的30天ARPU曲線和60天曲線非常接近，幾乎重合，說明這款游戲的長留存很低，用戶生命周期很短。
LTV是非常重要的數據，是買量的指南針。一旦LTV（也就是用戶在游戲中的價值）大于買量成本，就意味著產品已經回本。大家在計算的時候，要考慮到渠道分成。比如用戶終身LTV是200，買量成本也是200，如果有渠道分成（假設是50%），那我們的收益其實只有100，是小于200的買量成本。
4.ROI(投資回報率)
這里列舉了某款游戲在iOS渠道買量的投放效果。
從這張圖可以看出，市場投放5天內ROI 51%，30天內ROI 71%，55天內ROI 75%，近3個月仍沒有收回成本，30天后的ROI日趨平穩，預計后續ROI不會高于80% 。數據分析的工作不是總結歷史和預測未來嘛，這就是預測未來的一個案例，提早告訴領導，這次投放是否能收回成本。
05 常用數據指標
前面提到了關鍵的數據指標，我們現在來看一下日常分析過程中要用到的指標，這些數據指標盡管沒有核心數據指標那么重要，但是它們是協助我們深挖核心數據指標動態變化規律的重要參考：
1.收入指標
我們做收入分析的時候，會關注有多少人付費，付費金額有多少，付費率，ARPPU、ARPU，最后通過這些收入，以及相應的成本計算，可以給我們帶來多少利潤率。
2.活動效果分析
不管是線上活動還是線下活動，我們會關注活動參與人數、參與次數、參與比例，活動轉化率。（有多少人轉化為付費用戶等）
3.渠道分析
我通常會用綜合評價法來分析渠道的綜合排名，其中就會用到新增用戶、活躍用戶、付費金額、留存率、ARPU、LTV等等這些指標。當然，我們知道渠道的作用主要是拉新的，所以我們首先要考察的是渠道帶來的新增用戶數是多少，然后再看這些用戶的留存、付費、LTV等，來判斷渠道的用戶質量好不好。
我們做買量的時候，就會要經常分析渠道的用戶，哪個渠道的用戶少了、質量差了，就要第一時間反饋。最后看ROI，基本上就是根據LTV和買量成本的關系來計算。
4.用戶類型指標
我們在給用戶做分析的時候，會關注他是新用戶還是老用戶、是活躍用戶還是流失用戶，或者是流失回歸用戶，也可以根據用戶來源判斷他是MMO用戶還是卡牌用戶等等。
5.廣告投放效果指標
投放金額金額、曝光數、CPM（千人成本，平均每一千人分別聽到或者看到某廣告一次一共需要多少廣告成本）、點擊數、點擊率、轉化率、CPL、ROI
6.用戶價值指標
是指用戶在游戲中的價值，如果要看總價值，直接看LTV就可以。但是如果要將用戶價值細分，可以用到RFM模型中的三個指標：分別是最近一次充值時間、充值頻率、充值金額、LTV等。請大家注意，但凡是有投入，有成本的地方，我們都會關注ROI這里只是列舉了常用分析指標，在實際工作中，會遇到很多很多的指標。
06 構建全面的數據分析體系
我以用戶和收入相關因素拆解指標的兩個案例為例，來梳理我在分析過程中是如何通過相關因素拆解來做數據分析的。
▍版本更新
版本更新效果好不好，主要看兩個數據：人數&收入。
人數和收入有沒有增加以及增加了多少是運營最關心的問題。那么由人數和收入展開來分析，就有很多細分的維度。
比如：
1.活躍用戶人數上漲
是新用戶漲了還是老用戶漲了？
如果是新用戶，那么是廣告帶來的還是自然增長的？
廣告帶來的用戶和自然新增的用戶留存率是多少？
對比可分析出廣告用戶的質量，廣告帶來的用戶CPL和ROI是多少？多久能收回成本？
自然新增用戶是否有除了版本以外的運營活動刺激？
如果有，和歷次活動效果對比有哪些差異？
老用戶里面，有多少是活躍的老用戶？有多少是流失回歸的老用戶？回歸率是多少？
跟之前短信召回、版本相比，回歸率是否有提升？
2.收入數據提升
收入的構成結構是怎樣的？
如果是時長收費游戲，看時長和道具收入的比重分別為多少？
道具這塊，看道具收入的排名，哪個道具、禮包最受用戶青睞？
除了人數和收入，版本更新的內容也值得去分析，例如新的職業、新的玩法、新的任務和副本用戶的參與度，或者更為系統的分析，例如用戶消耗了這個版本的多少內容。
比如說，如果一個版本預設用戶可以體驗一個月，結果更新14天的時候，就有部分用戶體驗到了80%的內容，說明用戶比較“肝”，針對這個情況，就可以加快更新進度了。
▍漏斗轉化
這是某游戲在某渠道上線第一天的數據，可以按照漏斗拆解用戶指標：
左邊是每一個環節的轉化情況，右邊是整體的轉化情況，從左邊每一步環節轉化，可以看出從點擊到下載，以及從下載到安裝的轉化率很低，損失了一半的轉化，這個時候就可以針對這個環節去查找原因，比如是不是客戶端包體太大，網絡異常，還是因為下載完成后沒有提醒安裝等等。
從整個環境來看，從點擊廣告進入游戲的轉化率只有9.8%，付費轉化率只有0.5%，也就是說10萬個用戶點擊廣告，最終進入游戲的用戶只有9800人，最終付費的只有500人。
假設一個點擊成本是1元（為什么我假設1元呢，關于點擊成本，不同的游戲，不同的渠道不一樣，幾毛錢的也有過，幾塊錢的也有過，這里假設就1元），那么10次點擊消耗10萬元，付費的這500人的arpu做到200元可以回本（不考慮渠道分成）。假設渠道分成比例是50%，那么付費用戶的arpu要做到400元才能回本。400元的arppu，就有些難度了。
07 主要的分析框架及方法
數據分析體系里面，除了有數據指標，還有分析框架和方法。
▍分析框架
無論是個人還是公司，均可以通過常用的框架來完善數據分析，這就是框架的作用。
這里先介紹幾個常用的框架：用戶行為理論、5W1H分析法、AARRR模型、PRAPA模型、RFM模型。
1.用戶行為理論
我們有一款游戲，是在官網上進行了激活碼售賣，只有先購買激活碼才能成功登陸游戲。
那么，根據用戶在官網購買激活碼的行為，會有幾個步驟轉化，這幾個步驟能對應到市場營銷的5A模型，也能對應到用戶的行為理論。
用戶首先是要先打開官網引導頁，用戶能找到這個網頁，說明他了解這個網站，可以觀測的指標有網站的UV，有多少人瀏覽了，PV瀏覽了多少次，以及訪問來源，這些用戶是從哪些渠道進來的，是百度搜索，還是其他媒體。
其次，在官網引導頁里面有進入官網的按鈕，點擊這一步進來的人，說明他被吸引了，他是喜歡的，他對這個活動是有興趣的，可以觀測的指標有頁面平均停留時長、跳出率、頁面偏好，搜測熱詞等，可以觀測用戶對官網的哪一塊內容有興趣。
在官網頁面中，如果點擊且進入了激活碼購買頁面，說明用戶想進一步了解，想購買激活碼，可以觀測的指標有注冊用戶數、登陸用戶數，因為用戶在購買之前需要注冊賬號。
當用戶支付購買了激活碼，說明用戶行動了，可以觀測的指標有購買激活碼的訂單數量，用戶轉化率。最后，購買激活碼的用戶可以進入游戲了，如果他們認為游戲好玩，會擁護這款游戲，會推薦給其他人，可以觀測的指標有活躍用戶數（區分日活、周活、月活），活躍用戶比例，留存率、流失率。
2.5W1H
我們從5W1H的分析思路去梳理流失原因的話，流程如下：
What，發生了用戶流失；
Who，是誰流失了，是新用戶流失，還是老用戶流失；是學生，還是上班族其他職業的用戶流失，游戲中哪個職業更容易流失；
Where，在哪里流失的，是在哪個地圖流失的、哪個地域流失的；
When，什么時候流失，是新手期、中期還是高級期；
Why，是為什么流失呢，是因為游戲有卡點，任務不會做，還是副本打不過，還是社會關系薄弱，沒有朋友一起玩；
How，用戶流失了，怎么辦，來個版本更新吧，或者活動來彌補版本的缺陷吧；
3.AARRR模型
這個模型是硅谷的一個風險投資人在2008年創建的，也叫海盜模型。
在我看來，這個模型跟端游時代的prapa模型有一些相似之處。
在游戲里面，第一步是獲取用戶，獲取之后要讓用戶登陸游戲在游戲中活躍，活躍后可能會留存下來，留存下來之后，可能會付費，就會產生收入，如果成為忠實用戶后可能會推薦給他的朋友，這個模型的最后一步就是推薦。
這個步驟也是用戶的行為模型，每一步都會很多點可以分析，可以優化。其實將這個模型倒過來看，就是一個漏斗圖，看哪個環節轉化低了，可以針對性的找原因。
4.Prapa模型
這個模型是我們公司在2003年的時候向行業推出的，通過這個模型，可以完整地了解一款網絡產品投入/產出的關系。
P－promotion：投入（包括市場費用、運維費用、銷售費用、其他費用等）
R－register：注冊用戶
A－active:活躍用戶
P－pay：付費用戶
A－ARPU：用戶消費額
因為跟前面的指標有很多相似的地方，就不展開說明了。
5.RFM模型
RFM模型是用戶價值模型，是衡量客戶價值和客戶創利能力的重要工具和手段，就是根據用戶活躍程度和交易金額的貢獻，進行用戶價值細分的一種方法。
主要有三個指標：
R - 最近一次充值時間
F - 充值頻率
M - 充值金額
將用戶分為“重要價值、重要發展、重要挽留、一般價值”四大類。
RFM模型可以參考用戶價值數據，設計出用戶積分活動，構建用戶權益體系，尊享福利社，維持當前狀態并做好流失預警。
▍分析方法
除此之外，分析的方法有很多種，我在這里例舉了14種比較常用的分析方法。為了加深理解，舉一個例子，把以上的14種分析方法都用到。
例如，有一款游戲某一天的收入上漲了，要找原因，為什么收入上漲了？
1.對比分析法
對比前一周或前一個月或一年的收入，收入上漲了多少；
2.分組分析法
對付費用戶進行分組，分為大R、中R和小R；
3.結構分析法
大、中、小R的人數和消耗金額占總付費人數和總金額的比例；
4.平均分析法
大、中、小R的人均消耗金額（ARPPU）；
5.交叉分析法
大、中、小R參與活動情況，比如大型會戰的情況、裝備持有情況、元寶（鉆石）消耗情況等，讓我們可以從總分的角度來觀察數據；
6.漏斗分析法
從賬號到登陸、留存、付費的各個環節的轉化，有可能會發現收入上漲的這幾天用戶留存、付費轉化率比以前高；
7.矩陣分析法
將用戶分類，比如分成高付費高活躍、高付費低活躍、低付費高活躍、低付費低活躍四個象限，根據四象限結果，可以對每個象限或者矩陣采取相應的對策；
8.綜合評級分析法
評價每個付費用戶在游戲里面的付費潛力。比如，取用戶在游戲里面近7天付費金額、半年付費金額、1年的付費金額，把這些指標轉換成一個綜合指標進行排名，根據排名來評估付費潛力。
有可能會發現，有部分賬號近7天的付費金額排名靠前，但是1年的付費金額排名比較靠后，這些用戶有可能是流失回歸玩家；
9.5W1H
我們還可以進一步分析，為什么這些用戶流失了會回歸游戲呢，是因為什么原因呢？可以用5W1H法，找出什么類型的玩家在什么時間什么地點因為什么原因而回歸；
10.相關分析法
找到了用戶流失回歸的原因，同樣也可以分析這些用戶之前為什么流失，可以通過一些指標來分析和用戶流失的相關性。比如，是打行會戰的挫敗感太強了？游戲物價貶值太快？公會成員解散了？等等，把這些原因的數據指標找到后，看這些指標和流失的相關性，相關性越高則流失概率越高；
11.回歸分析法
把相關性高的指標找出來以后，將這些指標作為自變量，是否流失作為因變量，用邏輯回歸，可以得出用戶流失概率；
12.聚類分析法
可以區分PVP高活躍玩家，PVP低活躍玩家，PVE高活躍玩家，PVE低活躍玩家；
13.方差分析
該方法可以配合聚類分析法找出異常值，把異常值找出來并剔除，聚類分析出來的結果會更精準；
14.時間序列分析法
可以預測該游戲未來的收入趨勢。
08 總結
其實，我之前做分享的時候，說過如何成為一名優秀的數據分析師，后來慢慢發現，優秀這個詞很難定義，我們考量的更多的綜合能力，這個綜合能力包含數據思維（就是定量化的思維方式）、業務理解能力（需要不斷學習和積累）、數據分析的工具（都會使用哪些工具）、分析方法和模型、可視化的技能、報告撰寫。有好的分析結論，也要能輸出出來。
當然了，分析師的這些技能很難面面俱到，我們一般會根據業務需求來挑選合適的分析師：比如，我要找一個對接研發項目，幫助調優的，我盡量會找玩游戲多的，且有從制作游戲角度考慮問題而不是玩家角度考慮的分析師；如果要我找一個建模做預測的人,那我會盡量找偏向數據挖掘的，業務方面弱一點也沒關系。
以上僅為本次直播的部分內容回顧，更多精彩課程回放和課件，可以掃描下方二維碼獲取。
09 QA環節
想請問下老師對渠道（游戲中心/平臺）的優化思路？
如果是手游的渠道優化，我們主要看素材的吸量情況，不同的素材對不同渠道的轉化是有很大的差別的，這個是需要依據歷史數據做優化。
這個優化是存在試錯期的，只有經過一段時間的嘗試后，才能提取優化方案。
想問一下一般LTV的計算方法？
LTV就是用戶在游戲中創造的價值，例如說新用戶一天的LTV就是一天的“新用戶在游戲中的付費/新用戶數量”，以此類推七天、一個月的LTV計算方式。
這個計算方法同理可以套用到不同的用戶群上。
LTV有沒有辦法根據前兩天的數據來預估？
如果你有同類產品的數據，或者有該產品封測、內測期間的數據，是可以做到比較準確的預估的。
如果沒有參考數據，僅用兩天的數據做預測，其誤差值會比較大。
可以說一下預測模型怎么做嗎？在項目初期就能做出預測模型嗎？
我在課程及書中，提到過在立項期制作預測模型來推算未來數據變化，但其前提是我們擁有同類型產品的數據，或者可以抓取同類競品的數據。
如果只有兩三天的數據，趨勢線是沒法做出來的。如果有歷史數據，就可以參考歷史數據的趨勢來做。
游戲長期付費不行，不知道怎么找原因？
還是需要看具體問題具體分析，雖然大家都是游戲，但是游戲品類、受眾、場景都是不同的，就算是同品類的游戲，都會因為游戲中的體驗差異，導致其會引發的問題不相同。
用戶不付費，可能是數值方面的問題、付費驅動力不夠，也有可能是付費系統設計出現問題。
老用戶數據和新進用戶數據需要分開分析嗎？
如果是買量的話，我們會分開分析，去研究買來的這一批新用戶的質量如何。版本更新、留存分析我們都會做新用戶、老用戶的區分。
是否要分開分析，更多是看分析的需求，不同的場景所需要的用戶分群是不同的。
問下老師如果想獲取某一類游戲的數據，那數據來源和行業標準要怎么獲取？
某一類的游戲數據，主要看你想獲取哪一部分。
比如App Store的排名可以爬取，也可以購買App Annie的產品，他有排名、營收、下載量等比較私密的數據。如果你想獲取b站、taptap、百度指數的數據，也可以用爬蟲來做。
如何針對流失用戶做調研分析？
流失用戶的調研分析，你需要通過問卷把用戶可能流失的原因都整理出來做相關提問，回收問卷后再做詳細分析，例如看看是個人時間比較少，還是對游戲中的某個模塊不太滿意。
問卷分析會是比較直接、快捷的方法。
流失預警模型一般有哪些數據，應該怎么從0開始做起？
你要找到跟流失原因相關的數據指標，尋找的方法就是剛才我所說的問卷調查等方法。找到原因后，再去建模、得到流失概率，然后我們再將預測的數據和歷史數據作比較，去看預測數據的準確率，再一點點調整。
一款已經上線推廣的游戲做ab測試有沒有好的方法技巧和需要注意的問題？
A/B測試也有它的必要性，例如自動戰斗與非自動戰斗放在一起，玩家更喜歡哪個？這個就需要用A/B測試提取用戶行為數據來做分析。
但做A/B測試是有代價的，首先研發的壓力就非常大，他們需要針對不同用戶群開發出兩個完全不同的版本，這個會影響他們的工作進度的，特別是工作計劃非常緊張的時候，A/B測試會是一個下下策。
其次，做完之后的數據可能存在滯后性，這個數據僅代表這個測試點在這個版本是有效的，不代表它會在未來的版本是長期適用的。產品設計是有設計軸心的，當你的A/B測試動到的是產品設計軸心，現在的數據可能沒問題，但未來將要推出的內容將失去依附的核心設計體驗，可能會導致產品出現問題。
A/B測試是一個需要慎重考慮的東西。
