离职腾讯创业4年，又获2500万A＋轮融资，他解决了运营的什么痛点？(3)

导语：同时，吕承通还透露，他们发现一个很有意思的规律，就是雷达图（代表了游戏公司的数据使用情况）面积越大的企业与做出成功产品之间存在很大的正相关性，也就是说，公司雷达图的面积越大，做出的产品成功率、赚钱概

　　同时，吕承通还透露，他们发现一个很有意思的规律，就是雷达图（代表了游戏公司的数据使用情况）面积越大的企业与做出成功产品之间存在很大的正相关性，也就是说，公司雷达图的面积越大，做出的产品成功率、赚钱概率是高于雷达图面积小的公司的概率。

　　这也说明如果游戏企业数据用得好，作出符合市场需求产品的概率就越大。

　　让运营策划像玩我的世界一样玩数据

　　在实际学习使用TA平台之后我能强烈感受到，日常工作中接触到的数据，与通过这个系统能调用出来的数据之间，到底有多大的差别。一个是模糊笼统被限死的几个粗数，另一个则是可以细到单点又能串联出大量不同纬度的数据。

　　而由于TA平台的底层逻辑与业务封装是剥离开来的，使得这套系统在分析功能上具备了极高的自由度，对于会玩数据的分析者来说，几乎可以实现自己想实现的任何维度的数据分析。但同时，也让这套系统有了一定程度的门槛。

　　吕承通把它比喻成就像玩《我的世界》一样分析数据：“刚进入这套数据体系的时候是一片空白，所有的体系都由自己去搭建。每个人都可以创建自己的数据报表后台。”

　　要活用这套系统，则需要运用到其中的分析模型。TA系统最常用的一项分析模型是用户行为分析中的事件分析模型，它主要针对目标前后两个事件之间的关联来进行分析，所有的玩家行为都定义为事件。

　　根据这个思路，在事件分析中又可以通过增加筛选条件，实现更细节的数据分析。比如分析某三个道具在iOS系统上的每日使用总量，可以选定分析对象为消费道具，追加筛选条件“iOS平台”且“道具ID为指定三个”ID分组，即可获得数据表和图标结果。

　　其中，只要数据还能细分，筛选条件就可以根据埋点的维度和分析师的需要，不断追加。比如看不同等级用户使用这些道具的量级。

　　不同渠道用户使用这些道具的量级等等。

　　通过这些基础操作，系统实时计算玩家的行为数据，生成分析师需要的、指定好的、任意的可视化数据结果，而且可以实时生成最新的数据。

　　此外另一个常用分析模型是留存分析，它相当于是两个事件的关联性分析。

　　比如游戏行业常说的次留、三留、七留、三十留，看起来是多个数据，但可以定义初始事件为新增用户新增设备，注册回访事件为登录，分析这两个数据，就可以得到新增用户每天的登录比率，对应每天的留存情况。

　　同样，通过增加筛选条件，可以进行分组，看不同渠道的留存，不同设备系统的留存。

　　如果改变筛选条件，将初始事件换成登录，那么之后回访事件是再次登录的情况，就相当于是活跃用户的留存。同样根据时间、设备、系统、区服等一系列条件，就可以筛选出具体某个条件下的活跃用户留存情况。

　　每日登录行为，与时间多少无关。在事件分析中，只需要选择新增用户这一对象，筛选他们的每日登录行为，就可以得到对应每一天的留存情况。

　　还有一种常见的分析手段是用户群下钻分析，比如通过事件分析得到结果，12月10日有201人使用了一种道具，那么就可以点击人数查看对应的用户分别是哪些。

　　除了查看这些人群的细分属性之外，还可以点击角标为该组人群进行分组，分组完成后，又可以通过不同分析模型中指定这一群组为用户属性，来看他们后续的不同游戏行为表现，做更具针对性的数据分析。

　　比如查看这群用户在付费后七天内的活跃情况。