相比大家傳統理解的「資料分析即覆盤」，其實資料分析還有更深層次的「驅動業務」能力。
「資料分析在業務驅動的過程當中扮演怎樣的角色」。
01 資料為治之而非統之
通常資料分析工作主要圍繞產品、市場和運營三大業務場景。
以個人經驗談來說，我資料分析工作的分別為遊戲、ip引進把關、為遊戲立項把關、為遊戲研發把關、為資源投放把關、為市場營銷把關、為遊戲運營把關。 />ip把關
ip引進價值分析、引進/自研遊戲成功率**。
當公司要引進乙個ip時，我們通常都會先對ip的價值進行分析（包含使用者價值，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**區間是多少。例如我們之前想引進乙個日本市場的國民級ip，但是經過一系列調查，發現這個ip在中國市場算乙個小眾ip。
除此之外，我們內部還有乙個新遊戲成功率模型， 可以根據新遊戲的相關資訊進行成功率**。立項把關
精準定位目標使用者，評估不同研發方案的利弊，預估靠譜流水。
「精準定位目標使用者」的目的是要做「精準開發」，首先要知道我們的目標使用者有哪些，找到使用者未滿足的需求，做到極致。我們一般通過爬蟲的資料、問卷調研的資料、競品遊戲的資料，以及整個市場的資料來分析。
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，這些都是為遊戲立項把關。研發把關
個性埋點，點對點找出問題；付費模組、爆率設計的優化。
在遊戲研發階段，我們會拉策劃對齊整個測試的資料預期，發現不符合預期的地方，和策劃一起定位問題。
比如，他們對於玩法、養成、商業化、職業等遊戲玩法的預期參與度是多少？策劃有什麼樣的預期和關注點。
然後我們會重點監控這幾個模組的資料，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，那就去分析使用者行為，使用者屬性。
我們資料分析師的宗旨是：
「針對具體的病治病，不做綱領性建議。」投入把關
評估產品質量；構造收入、活躍**框架和模型，優化買量。
遊戲測試階段，可以根據遊戲資料進行產品質量評級，給出最優市場投放建議，也會分析買量的效果資料，為買量優化提供資料參考。
02 資料分析≠驅動業務
如果要實現資料驅動業務，不論是模型，還是資料分析結論，其結果都要進行評估。
如果其結論是合理、可用的，專案團隊會將其作為運營、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。資料是否能對專案真正產生積極影響，取決於資料結論是否能擊中業務痛點以及報告物件對資料的重視程度。 />
比如說：預熱期的使用者調研
能找到目標使用者的特點，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。封測期間的使用者調研
能了解使用者對遊戲各項功能的體驗評價及相關建議，促使研發人員採納，以資料反哺研發。測算最優市場費用
能幫助專案合理分配資源，避免資源浪費。市場投放效果分析
能監控廣告投放效果資料並分析各**的特性，促使發行人員通過資料去發現問題，調配資源，使其效果最大化。流失使用者分析
能找到使用者流失點，促使研發人員根據資料來優化遊戲。付費習慣分析
總體而言，資料是否會產生積極影響不在於資料本身，而在使用資料的人。
如果資料分析師做的分析報告或模型沒有經過評估，其資料結論或建議沒有得到業務方的使用或幫助業務方決策，那麼其工作只是做了資料分析的基本工作，並沒有實現資料驅動業務。
python資料分析
以網路爬蟲為例，網路爬蟲是乙個自動提取網頁的程式，爬蟲是搜尋引擎的第一步，也是最容易的一部。網頁搜尋，建立索引，查詢排序 用c c 效率高，速度塊，適合通用搜尋引擎做往往爬取。但是它的缺點也特別明顯 開發慢，寫起來又臭又長的。而python無論在資料分析還是在指令碼自動化編寫尚都是簡單，易學的。良好...
python資料分析
陣列間的算術運算 npwhere pandas的使用 np.random.rand 3,4 產生乙個3行4列的矩陣 0 1之間的 in 32 data1 1,2,3,4.0 in 34 arr1 np.array data1 in 35 arr1 out 35 array 1.2.3.4.in 37...
python資料分析
1.資料分析的含義與目標 2.python與資料分析 3.python資料分析大家族 4.python環境搭建 一 numpy 功能 ndarray 多維操作 線性代數 官網 numpy是python語言的乙個擴充程式庫。支援高階大量的維度陣列與矩陣運算，此外也針對陣列運算提供大量的數學函式庫。nu...