遊戲數據分析的藝術 pdf epub mobi txt 電子書 下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

於洋，餘敏雄，吳娜，師勝柱 著

圖書標籤:

• 遊戲數據分析
• 數據挖掘
• 遊戲開發
• 數據可視化
• 用戶行為
• 遊戲運營
• 商業智能
• 統計分析
• 機器學習
• 玩傢分析

齣版社： 機械工業齣版社

ISBN：9787111507802

版次：1

商品編碼：11729570

品牌：機工齣版

包裝：平裝

叢書名： 數據分析與決策技術叢書

開本：16開

齣版時間：2015-08-01

用紙：膠版紙

頁數：409

編輯推薦

　　

　　中國遊戲數據分析領域的標杆性著作，由來自國內尖端的數據分析機構和遊戲公司的專業數據分析師撰寫，西山居CEO作序推薦
　　首次係統地給齣瞭一套完善的遊戲數據指標和遊戲數據分析方法，涵蓋用戶、運營、收入、內容、渠道等各個業務層麵

內容簡介

　　《遊戲數據分析的藝術》是中國遊戲産業的開創性著作，具有裏程碑意義，它首次係統講解瞭如何對遊戲行業的數據進行分析，在行業裏竪起瞭一根標杆。作者是來自TalkingData等國內尖端的數據分析機構和西山居這樣的知名遊戲公司的專業數據分析專傢，對遊戲數據從不同的業務角度進行瞭詮釋。本書詳細剖析瞭遊戲數據分析相關的指標、方法論、內容挖掘、數據挖掘、軟件使用、遊戲設計、運營策劃、渠道推廣、收入解讀、用戶分析和留存分析等。對於産品設計、開發、運營、推廣以及遊戲行業的人纔培養都將帶來巨大的推進作用。
　　《遊戲數據分析的藝術》一共12章：第1章從宏觀上介紹瞭遊戲數據分析的重要意義、方法論、流程，以及遊戲數據分析師的定位；
　　第2章詳細解讀瞭遊戲數據分析的各項數據指標，部分指標在遊戲行業裏都屬於首次提齣，為行業建立瞭規範；
　　第3章詳細講解和示範瞭各種遊戲數據報錶的製作方法；
　　第4章講解瞭基於統計學的數據分析方法以及它在遊戲數據分析中的應用；
　　第5~9章詳細地、全方位地講解瞭遊戲的用戶數據分析、運營數據分析、收入數據分析、渠道數據分析、內容數據分析，不僅有方法論和技巧，而且有大量的實際案例，這部分內容是本書的核心；
　　第10~12章講解瞭R語言的核心技術以及如何利用R語言對遊戲數據進行分析，同時也附有大量案例。

作者簡介

　　於洋，TalkingData高級谘詢總監，主導TalkingDataUniversity計劃。曾在金山軟件公司任職遊戲數據分析師，從事遊戲及移動應用數據分析、産品數據體驗優化、金融機構運營及數據培訓。先後服務於多傢銀行、保險、證券、移動運營商、移動互聯網公司。小白學數據分析專欄作者，撰寫一本《移動遊戲數據運營指標白皮書》和《移動應用數據指標白皮書》。

　　餘敏雄，金山軟件公司西山居數據中心數據分析專傢，從事遊戲數據挖掘和數據化運營分析多年，研究領域包括大型端遊、頁遊以及移動遊戲，擁有貫穿遊戲立項、研發、測試、正式運營和穩定運營整個遊戲生命周期各個階段的豐富經驗。主要關注統計分析與數據挖掘在遊戲行業的實踐應用，如遊戲用戶行為預測、推薦係統、反作弊、用戶研究、社交網絡與交易網絡分析等，是遊戲行業數據化運營的倡導者與踐行者，同時是中國統計網數據分析培訓師，在企業員工培訓中也擁有豐富經驗。

　　吳娜，曾服務於久遊遊戲和中國移動集團等公司，現擔任電信集團互聯網數據挖掘工程師，因其豐富的市場運營和數據分析工作經驗，能準確有效定位業務問題和數據方法論，精通數理統計、常用編程語言、常用數據挖掘工具和Hadoop分布式平颱，現於上海交通大學計算機係就讀研究生，研究方嚮互聯網金融。

　　師勝柱，就職於中國很大的安卓遊戲渠道360手機遊戲，擔任戰略分析師。曾擔任TalkingData高級谘詢顧問以及上海中軟國際Windows技術支持工程師。在TalkingData期間主攻遊戲數據分析、遊戲運營以及移動遊戲市場的分析工作。為多款遊戲撰寫深度評測分析、産品體驗優化報告以及專題數據分析報告等。學分析論壇，愛分析微信公眾賬號（i-analysis）以及移動數據分析博客的創辦者。

目錄

序
前言
第1章　瞭解遊戲數據分析
1.1　遊戲數據分析的概念
1.2　遊戲數據分析的意義
1.3　遊戲數據分析的流程
1.3.1　方法論
1.3.2　數據加工
1.3.3　統計分析
1.3.4　提煉演繹
1.3.5　建議方案
1.4　遊戲數據分析師的定位
1.4.1　玩傢-遊戲用戶
1.4.2　分析師
1.4.3　策劃-遊戲設計者
第2章　認識遊戲數據指標
2.1　數據運營
2.2　數據收集
2.2.1　遊戲運營數據
2.2.2　遊戲反饋數據
2.2.3　收集方式
2.3　方法論
2.3.1　AARRR模型
2.3.2　PRAPA模型
2.4　數據指標
2.4.1　用戶獲取
2.4.2　用戶活躍
2.4.3　用戶留存
2.4.4　遊戲收入
2.4.5　自傳播
第3章　遊戲數據報錶製作
3.1　運營現狀
3.1.1　反饋指標
3.1.2　製作報錶
3.2　趨勢判斷
3.2.1　關鍵要素
3.2.2　製作報錶
3.3　衡量錶現
3.3.1　關鍵數據
3.3.2　製作原則
3.4　産品問題
3.4.1　兩個問題
3.4.2　分析案例
3.5　一個問題、三個原則和圖錶的意義
3.5.1　一個問題
3.5.2　三個原則
3.5.3　圖錶的意義
第4章　基於統計學的基礎分析方法
4.1　度量數據
4.1.1　統計描述
4.1.2　分布形狀類型及概率應用
4.1.3　常用統計圖
4.1.4　概率抽樣、樣本量估計和實驗設計
4.2　分類數據分析
4.2.1　列聯錶分析
4.2.2　無序資料分析
4.2.3　有序分類資料分析
4.2.4　分類數據分析案例
4.3　定量數據分析
4.3.1　假設檢驗與t檢驗
4.3.2　方差分析與協方差分析
4.4　時間序列數據分析
4.4.1　時間序列及分解
4.4.2　時間序列描述統計
4.4.3　時間序列特性的分析
4.4.4　指數平滑
4.5　相關分析
4.5.1　定量資料相關分析
4.5.2　分類資料相關分析
參考文獻
第5章用戶分析
5.1　兩個問題
5.2　分析維度
5.3　新增用戶分析
5.3.1　黑色一分鍾
5.3.2　激活的用戶
5.3.3　分析案例-注冊轉化率
5.4　活躍用戶解讀
5.4.1　DAU的定義
5.4.2　DAU分析思路
5.4.3　DAU基本分析
5.4.4　分析案例-箱綫圖分析DAU
5.5　綜閤分析
5.5.1　分析案例-DNU/DAU
5.5.2　使用時長分析
5.6　斷代分析
5.7　LTV
5.7.1　LTV的定義
5.7.2　LTV算法局限性
5.7.3　用戶平均生命周期算法
5.7.4　LTV使用
第6章留存分析
6.1　留存率的概念
6.1.1　留存率的計算
6.1.2　留存率的三個階段
6.1.3　留存率的三要素
6.2　留存率的分析
6.2.1　留存率的三個普適原則
6.2.2　留存率分析的作用
6.2.3　留存率分析操作
6.3　留存率優化思路
6.4　留存率擴展討論
第7章收入分析
7.1　收入分析的兩個角度
7.1.1　市場推廣角度
7.1.2　産品運營角度
7.2　宏觀收入分析
7.3　付費轉化率
7.3.1　付費轉化率的概念
7.3.2　APA和DAU對付費轉化率的影響
7.3.3　真假APA
7.3.4　付費轉化率的引申
7.3.5　付費轉化率的影響因素
7.4　ARPU
7.4.1　ARPDAU
7.4.2　DAU 與 ARPU
7.5　ARPPU
7.5.1　ARPPU的由來
7.5.2　平均惹的禍
7.5.3　首次付費與ARPPU
7.6　APA
7.6.1　APA分析
7.6.2　付費用戶的劃分
7.6.3　付費頻次與收入規模
7.6.4　付費頻次與付費間隔
7.7　分析案例-新增用戶付費分析
7.7.1　新增用戶留存
7.7.2　付費轉化率
7.7.3　留存用戶中付費用戶的收入
7.7.4　ARPU
7.7.5　新增用戶的收入計算
第8章渠道分析
8.1　渠道的定義
8.2　渠道的分類
8.3　渠道分析的意義
8.3.1　最佳渠道是運營之外使産品的利益最大化的方式
8.3.2　品牌的力量不容小覷
8.4　建立渠道數據分析體係
8.4.1　建立數據監控體係
8.4.2　渠道推廣分析的閉環
8.5　分析案例-遊戲渠道分析
第9章內容分析
9.1　營銷分析與推送
9.1.1　理解用戶
9.1.2　營銷方式-推送
9.2　流失預測模型
9.2.1　數據準備
9.2.2　數據建模
9.3購買支付分析
9.3.1場景分析
9.3.2輸入法的局限
9.3.3　批量購買的設計
9.3.4　轉化率
9.4版本運營分析
9.4.1把握用戶的期待
9.4.2地圖
9.4.3　武器
9.4.4新道具
9.4.5其他更新
9.5長尾理論實踐
9.5.1概念
9.5.2顧尾不顧頭
9.5.3長尾與二八法則
9.5.4尾部的挖掘
9.5.5案例-FPS遊戲的長尾策略
9.6活動運營分析
9.6.1理解活動運營
9.6.2活動數據分析
第10章R語言遊戲分析入門
10.1R語言概述
10.2新手上路
10.3R語言數據結構
10.3.1嚮量
10.3.2矩陣
10.3.3數組
10.3.4　數據框
10.3.5列錶
10.4R語言數據處理
10.4.1類型轉換
10.4.2缺失值處理
10.4.3排序
10.4.4去重
10.4.5數據匹配
10.4.6分組統計
10.4.7數據變換
10.4.8創建重復序列rep
10.4.9創建等差序列seq
10.4.10隨機抽樣sample
10.4.11控製流
10.4.12創建函數
10.4.13字符串處理
10.5基礎分析之"數據探索"
10.5.1數據概況理解
10.5.2單指標分析
10.5.3雙變量分析
第11章R語言數據可視化與數據庫交互
11.1R語言數據可視化
11.2常用參數設置
11.2.1顔色
11.2.2點和綫設置
11.2.3文本設置
11.3低級繪圖函數
11.3.1標題
11.3.2坐標軸
11.3.3網格綫
11.3.4圖例
11.3.5點綫和文字
11.3.6par函數
11.4高級繪圖函數
11.5R語言與數據庫交互
第12章R語言遊戲數據分析實踐
12.1玩傢喜好對應分析
12.1.1對應分析的基本思想
12.1.2　玩傢購買物品對應分析
12.1.3討論與總結
12.2玩傢物品購買關聯分析
12.2.1算法介紹
12.2.2物品購買關聯分析
12.2.3討論與總結
12.3基於密度聚類判斷高密度遊戲行為
12.3.1案例背景
12.3.2DBSCAN算法基本原理
12.3.3數據探索
12.3.4數據處理
12.3.5模型過程
12.3.6多核並行提高效率
12.3.7討論與總結
12.4網絡關係圖分析應用
12.4.1網絡圖的基本概念
12.4.2創建網絡關係圖
12.4.3畫網絡關係圖
12.4.4網絡關係分析與應用
12.4.5討論與總結

前言/序言

　　為什麼要寫這本書
　　無法衡量，就無法改進。
　　每一個産品都是藝術品，遊戲是産品，故遊戲也是藝術品。然而産品需要用戶，用戶與産品都需要衡量，深入地分析並解決問題，提升産品，經營用戶。
　　遊戲伴隨互聯網的發展逐步成為重要的産業，這其中誕生瞭像暴雪這樣的公司，同時也誕生瞭像西山居這樣的民族品牌。我們的技術越來越好，我們的界麵越來越炫，我們的設計策劃力量也在不斷成長。各種針對這個行業的書籍層齣不窮，然而我們卻發現，在越來越注重産品運營的今天，當一切走嚮瞭數字化後，我們的産品數據分析和數據建設，在大多數的從業者當中，卻是極度匱乏和無助的。
　　從當初寫“小白學數據分析”開始，就承載瞭一種使命，一種要將行業數據分析不斷完善和發展的使命。迄今為止，這個行業還沒有一本書是係統地梳理和講解遊戲數據的概念和運用的。伴隨大數據和移動互聯網的發展，移動互聯網創造瞭更加公平和廉價的創業機會，大數據給予瞭大傢更多利用數據驅動變革的思考，參與到其中的人越來越多。數據開始得到越來越多人的重視和建設，令人欣喜的是，我們看到很多的渠道、發行商、開發者開始用數據說話，開始注意ROI，開始關注留存率，這是一種好的現象，說明數據開始發揮價值和影響。不過，留存率也好，ARPU也好，被玩壞瞭，被麯解，存在瞭多重標準，這使得眾多的從業者，尤其是很多新人難以區分這些標準，難以理性和客觀地分析這些數據。很多時候，我們都缺少一個像電商中SKU這樣一個高度統一認識的指標，也從未有詳細的材料或者書籍對遊戲數據分析進行全麵的闡述。
　　數據分析是以解決問題為先。
　　數據分析注重的是結果轉化，理論和知識最終服務於方案和最終的效果。遊戲可以看作是一件藝術品，然而這樣一件藝術品是需要受眾的，要經營受眾，我們就需要去衡量，去改進。在這個過程中，所使用的軟件不是最關鍵的，使用的算法也不是最關鍵的，解決問題的方法纔是最關鍵的，並有切實落地的方案以及對於最終效果的反饋和改進措施。不隻是對於遊戲數據分析是這樣的，對於其他領域的數據分析也是如此。本書除瞭解決基本認識、方法之外，還有更多對於業務理解的思考，從解決問題入手，以遊戲為最佳切入點，輻射整個數據分析領域，並完成大部分理論和基礎數據的解讀分析。
　　讀者對象
　　這是一本關於遊戲數據分析的書籍，但是其中所包括的知識、方法、指標、理論是可以服務於整個互聯網的，以下人員均可閱讀和使用本書。
　　遊戲産品運營人員。
　　遊戲數據分析人員。
　　移動應用産品運營人員。
　　移動應用數據分析人員。
　　産品營銷推廣人員。
　　産品體驗設計人員。
　　産品數據挖掘及平颱建設人員。
　　數據分析愛好者。
　　如何閱讀本書
　　本書從組織、策劃、收集到創作曆經瞭3年時間，由4位來自不同領域的作者共同完成，其中於洋完成瞭第1章、第2章、第3章、第5章、第6章、第7章和第9章的創作，餘敏雄完成瞭第10章、第11章和第12章的創作，吳娜完成瞭第4章的創作，師勝柱完成瞭第8章的創作。
　　本書分為兩大部分：
　　第一部分貫穿瞭從基本的遊戲數據分析概念、分析師的定位、數據指標認識、遊戲數據分析方法論、統計學運用、渠道流量經營到具體産品每個階段的數據運營知識。
　　第二部分則是重點闡述運用R語言和數據挖掘的知識，深入探討遊戲數據分析的高階知識。
　　勘誤和支持
　　除封麵署名外，本書在創作過程中得到王巍、薑長嵩的支持，他們提供瞭大量的內容。由於作者的水平有限，編寫時間倉促，書中難免會齣現一些錯誤和不準確的地方，望各位讀者批評指正。為方便溝通，我們特意創建瞭在綫網站，讀者有任何問題可在該網站進行留言，同時書中未完全闡述之內容，將在該網站上繼續為各位讀者進行解答。另外我們也將定期更新該網站上的文章。如果您有更多寶貴建議，歡迎發送郵件，或者關注本書微信公共賬號，期待能夠得到您的真摯反饋。
　　緻謝
　　首先感謝西山居CEO鄒濤為本書所作的序，作為曾經的金山人，深感榮耀。
　　感謝TalkingDataCEO崔曉波，在我職業生涯中所給予的啓迪和平颱，作為TalkingData的一員，有幸參與到偉大的數據事業之中，倍感自豪。
　　感謝TalkingData、西山居，他們為行業做瞭一件非常偉大的事情，從此遊戲數據分析也是一個真正落地的方嚮，TalkingData為行業的數據發展做齣瞭産品和方法的指引，而西山居則將多年的沉澱與積纍奉獻於公眾。同時也感謝所有一直以來支持遊戲數據分析發展的眾多遊戲公司。
　　感謝在本書創作過程中給予我們幫助的金山西山居薑長嵩、暢遊王巍、遊戲數據挖掘與分析QQ群每一位參與遊戲數據分析建設的熱心網友，感謝TalkingData閆輝和於海亮，他們的産品設計和研發，使得行業進入瞭快速發展軌道，還有諸多未提到的朋友，感謝他們長期對遊戲數據分析的支持和貢獻。感謝所有付齣艱辛努力的作者，餘敏雄、吳娜、師勝柱，他們的全力支持和參與，使得本書順利齣版。
　　感謝機械工業齣版社華章公司楊福川的信任，他陪伴我一同等待瞭3年時間；感謝辛苦改稿的編輯薑影。因為有瞭他們的支持、鼓勵和幫助，本書纔能得以順利齣版。
　　最後感謝傢人，感謝你們一直以來的理解、陪伴和支持。
　　謹以此書獻給親愛的傢人。
　　於洋

《遊戲數據分析的藝術》 第一章：揭開數據的麵紗——遊戲數據分析的起源與意義 在數字娛樂日益蓬勃的今天，遊戲已不再是單純的消遣，而是蘊含著巨大商業價值與文化影響力的産業。而在這片充滿無限可能的星辰大海中，數據，如同無聲的指揮棒，引導著遊戲開發、運營、市場推廣的每一個決策。本書的誕生，正是源於對這一核心要素的深刻洞察。我們不再滿足於憑經驗或直覺來判斷遊戲的成敗，而是尋求一種更為科學、係統的方式來理解玩傢、優化體驗、提升收益。 遊戲數據分析，顧名思義，就是運用一係列統計學、計算機科學、以及領域特定知識的方法，從遊戲中産生的海量數據中提取有價值的信息，從而為遊戲的長遠發展提供決策支持。它的意義遠不止於簡單的數字堆砌，而是對遊戲生命周期各個環節的精細化管理和智能化升級。 迴溯曆史，最早的遊戲開發往往依賴於開發者的直覺和用戶反饋。然而，隨著遊戲規模的擴大、玩傢群體的增長，這種方式的局限性日益凸顯。玩傢的行為模式變得復雜多樣，遊戲內部的經濟係統、社交互動也愈發精妙。如何精準地捕捉玩傢的喜怒哀樂，如何洞察遊戲設計中的微小瑕疵，如何預測未來的趨勢，單純依靠經驗變得力不從心。 數據的齣現，為我們提供瞭前所未有的視角。每一次點擊、每一次購買、每一次社交互動，都化為可量化的信息，記錄著玩傢的每一次選擇。這些信息匯聚起來，便構成瞭遊戲世界的“脈搏”。遊戲數據分析師，便是負責解讀這“脈搏”的專傢，他們通過對這些數據進行清洗、整理、建模、可視化，將冰冷的數字轉化為生動的故事，揭示玩傢行為背後的邏輯，以及遊戲運行的規律。 本書將帶您深入探究遊戲數據分析的方方麵麵。我們將從基礎的概念入手，厘清數據分析在遊戲行業中的定位。我們會探討數據分析如何貫穿遊戲的整個生命周期：在遊戲設計階段，它能幫助我們預判機製的受歡迎程度，優化新手引導，規避潛在的體驗問題；在遊戲上綫後，它能幫助我們監測遊戲健康度，識彆活躍玩傢和流失玩傢，分析付費點和經濟係統，為運營策略提供精準依據；在市場推廣階段，它能幫助我們評估廣告投放效果，理解用戶獲取成本，製定更有效的營銷方案。 更重要的是，本書將強調“藝術”二字。數據分析並非一套僵化的公式，而是一門需要創造力、洞察力和人文關懷的學問。理解數據背後的玩傢，理解遊戲的情感訴求，理解商業目標與玩傢體驗之間的平衡，是數據分析走嚮卓越的關鍵。我們將不僅僅傳授技術，更緻力於培養一種分析思維，一種從數據中發現規律、解決問題、激發創新的能力。 第二章：數據基石——遊戲數據采集與處理 任何精彩的分析都離不開可靠的數據。在本章，我們將深入探討遊戲數據采集與處理這一至關重要的基礎環節。它就像是建造摩天大樓的地基，穩固與否直接決定瞭整個大廈的安全性與高度。 2.1 數據采集的源頭與類型 遊戲世界是一個龐大而復雜的信息網絡，數據無時無刻不在産生。首先，我們需要瞭解這些數據都來自哪裏，以及它們都包含哪些類型。 用戶行為數據： 這是最核心的數據，記錄瞭玩傢在遊戲中的一切操作。例如： 登錄/退齣數據： 玩傢何時進入遊戲，何時離開，時長如何。 角色行為數據： 角色創建、等級提升、技能使用、任務完成、副本挑戰、戰鬥記錄等。 交互數據： 與NPC的對話、與其他玩傢的聊天、交易、組隊、公會活動等。 UI/UX數據： 玩傢點擊界麵的哪些區域、花費瞭多長時間在特定界麵，是否遇到操作睏難。 遊戲經濟數據： 衡量遊戲內部經濟係統的健康度，例如： 貨幣流轉數據： 虛擬貨幣的産生（産齣）與消耗（消費）情況，包括金幣、鑽石、各種道具等。 交易數據： 玩傢之間的交易、與NPC的交易、拍賣行數據等。 付費數據： 充值金額、購買道具、付費玩傢的消費習慣、生命周期價值（LTV）等。 遊戲技術數據： 關注遊戲的穩定性和性能，例如： 性能數據： 幀率（FPS）、加載時間、卡頓情況、網絡延遲（ping值）等。 崩潰/錯誤數據： 遊戲齣現崩潰、bug的頻率和具體場景。 設備/環境數據： 玩傢使用的設備型號、操作係統、網絡環境等。 社交數據： 關注玩傢之間的社交互動，例如： 好友關係： 加好友、刪除好友、好友互動頻率。 公會/戰隊數據： 加入/退齣公會、公會活躍度、公會戰績。 排行榜數據： 玩傢在各類排行榜上的排名變化。 營銷/渠道數據： 追蹤遊戲推廣的效果，例如： 渠道來源： 玩傢通過哪個渠道下載和注冊遊戲。 廣告投放數據： 點擊率、轉化率、用戶獲取成本（CAC）。 召迴數據： 針對流失玩傢的召迴活動效果。 2.2 數據采集的關鍵技術與架構 要高效地采集如此海量的數據，我們需要構建一套 robust 的數據采集係統。 埋點技術（Tracking/Logging）： 這是最基礎的采集方式。在遊戲客戶端和服務器端，開發者會在關鍵的事件點（如點擊按鈕、完成任務、觸發戰鬥等）植入代碼，當事件發生時，這些代碼會將相關信息發送到數據收集服務器。 客戶端埋點： 記錄玩傢在設備上的直接操作。 服務器端埋點： 記錄遊戲邏輯的執行結果，更安全、可靠。 數據傳輸協議： 如何將埋點産生的數據高效、安全地傳輸到後端服務器。常用的協議有HTTP/HTTPS，或者更輕量級的UDP協議。 數據收集平颱： 接收來自客戶端和服務器端的海量數據，並進行初步的緩衝和路由。這通常是一個分布式係統，能夠處理高並發的寫入請求。 數據存儲： 采集到的原始數據需要被存儲起來，供後續分析使用。 日誌文件： 原始日誌可以先存儲在分布式文件係統中（如HDFS）。 數據庫： 結構化的數據可以存儲在關係型數據庫（如MySQL）或NoSQL數據庫（如HBase, MongoDB）中，用於快速查詢。 數據倉庫/數據湖： 對於PB級的數據，通常會構建專門的數據倉庫或數據湖，用於長期存儲和復雜分析。 2.3 數據清洗與預處理 原始采集到的數據往往是“髒”的，充斥著錯誤、冗餘、缺失等問題，直接使用會嚴重影響分析結果的準確性。因此，數據清洗和預處理是必不可少的環節。 數據去重： 排除重復的記錄，尤其是在分布式係統中，同一事件可能被多次發送。 數據格式化： 統一數據的時間戳格式、數值單位、字符串編碼等。 缺失值處理： 識彆並處理數據中的缺失值。常見的策略包括： 刪除： 刪除包含缺失值的記錄或字段（謹慎使用，可能丟失信息）。 填充： 使用均值、中位數、眾數、前/後一個有效值，或通過模型預測來填充。 異常值檢測與處理： 識彆那些與大多數數據顯著不同的異常值。 統計方法： 如Z-score，IQR（四分位數範圍）。 可視化方法： 箱綫圖（Box Plot）。 處理方式： 截斷（Clipping）、替換、刪除等。 數據校驗： 檢查數據的邏輯一緻性，例如，玩傢的等級是否符閤遊戲規則，交易金額是否在閤理範圍內。 數據轉換： 對原始數據進行必要的轉換，以便於後續分析。 編碼： 將分類變量（如性彆、國傢）轉換為數值形式。 標準化/歸一化： 將數值特徵縮放到相似的範圍，避免量綱的影響。 特徵工程： 根據業務理解，從原始數據中衍生齣新的、更有意義的特徵。例如，計算玩傢的日均遊戲時長，或者玩傢在付費行為發生前的行為序列。 2.4 數據質量保障 良好的數據質量是數據分析的生命綫。我們需要建立一套完善的數據質量保障體係。 數據質量監控： 建立自動化的監控機製，實時監測數據的異常波動、缺失率、錯誤率等指標。 數據血緣追蹤（Data Lineage）： 瞭解數據的來源、經過哪些處理步驟，以及最終流嚮哪裏，這對於排查問題至關重要。 元數據管理： 維護清晰的數據字典，記錄每個字段的含義、數據類型、來源、計算邏輯等。 數據治理： 建立數據相關的規章製度和流程，明確數據的所有權、責任人和使用規範。 第三章：解析玩傢——用戶畫像與行為分析 理解你的玩傢，是遊戲成功的核心。本章將深入探討如何通過數據構建精細的用戶畫像，並深入剖析玩傢在遊戲中的各種行為模式。 3.1 用戶畫像的構建 用戶畫像，就是為玩傢“畫像”，描繪齣他們的特徵、偏好、需求以及行為習慣。它不是一個靜態的標簽集閤，而是一個動態的、多維度的用戶視圖。 畫像的維度： 基礎屬性： 年齡、性彆、地域（推測或注冊信息）。 遊戲行為： 活躍度（日/周/月）、遊戲時長、主要遊戲時段、遊玩頻率、偏好玩法（PVE/PVP、休閑/硬核）、遊戲內角色等級、擁有的稀有道具等。 消費行為： 付費習慣（是否付費、付費頻率、平均付費金額、付費偏好）、付費點（喜歡購買什麼類型的道具）。 社交行為： 是否加入公會、好友數量、與好友的互動頻率、是否參與社交活動。 興趣偏好： 對遊戲內特定係統（如養成、收集、探索）的偏好程度。 設備與技術： 使用的設備類型、操作係統、網絡環境。 用戶畫像的構建方法： 規則引擎： 基於預設的規則，將玩傢劃分到不同的標簽組。例如，“活躍度高”+“付費意願強”+“偏好PVP”=“核心付費PVP玩傢”。 聚類分析（Clustering）： 使用無監督學習算法（如K-Means），根據玩傢的各項特徵，自動將玩傢分成若乾個具有相似特徵的群體。這有助於發現隱藏的玩傢群體，而非僅憑經驗劃分。 標簽係統： 為每個玩傢打上多維度的標簽，方便檢索和篩選。 用戶畫像的應用： 個性化推薦： 根據用戶畫像，嚮玩傢推薦他們可能感興趣的遊戲內容、活動或商品。 精準營銷： 針對不同畫像的玩傢群體，推送定製化的廣告和福利，提高轉化率。 內容優化： 根據不同玩傢群體的偏好，調整遊戲內容的設計和優先級。 流失預警： 識彆具有流失傾嚮的玩傢畫像，並采取針對性的挽留措施。 3.2 玩傢行為分析 理解玩傢的行為，纔能洞察玩傢的需求和遊戲的問題。 用戶生命周期分析（User Lifecycle Analysis）： 用戶獲取（Acquisition）： 分析不同渠道的用戶質量，評估獲客成本（CAC）。 用戶激活（Activation）： 玩傢首次體驗遊戲，完成新手引導，對遊戲産生初步認知。分析玩傢在新手階段的流失率、關鍵行為轉化率。 用戶留存（Retention）： 玩傢在遊戲中的持續活躍。這是衡量遊戲健康度的最重要指標之一。 次日留存、三日留存、七日留存、月留存： 評估玩傢的短期和長期留存能力。 留存麯綫： 可視化不同時間點玩傢的留存比例，分析留存下降的原因。 留存用戶畫像： 分析留存玩傢與非留存玩傢在畫像上的差異。 用戶活躍（Engagement）： 玩傢在遊戲中的投入程度。 DAU/MAU（日/月活躍用戶數）： 衡量遊戲整體的活躍度。 ARPPU（每付費用戶平均收入）、ARPU（每用戶平均收入）： 衡量遊戲的盈利能力。 遊戲時長、會話次數、關鍵行為頻率： 衡量玩傢的投入深度。 用戶付費（Monetization）： 玩傢在遊戲內的消費行為。 付費率： 付費玩傢占總玩傢的比例。 LTV（生命周期價值）： 衡量一個用戶在整個遊戲生命周期內為遊戲帶來的總價值。這是衡量遊戲商業模型健康度的重要指標。 付費點分析： 分析哪些付費點最受歡迎，哪些付費道具的銷售額最高。 用戶推薦（Referral）： 玩傢嚮他人推薦遊戲。 邀請成功率、被邀請用戶激活率。 漏鬥分析（Funnel Analysis）： 跟蹤用戶完成某個目標（如完成新手任務、購買道具、通關副本）過程中，經過一係列連續步驟的轉化率。 例如： 玩傢進入商城 -> 瀏覽商品 -> 將商品加入購物車 -> 支付成功。漏鬥分析可以找齣轉化率最低的環節，並進行優化。 路徑分析（Path Analysis）： 分析玩傢在遊戲中的導航路徑，瞭解他們是如何在遊戲的不同模塊之間跳轉的。 例如： 玩傢在完成某個任務後，通常會去哪裏？是去商城、去副本、還是和朋友聊天？ 留存驅動因素分析： 識彆哪些行為或特徵與高留存率相關。 例如： 是否在遊戲中加好友，是否加入公會，是否完成瞭特定的新手引導任務，這些行為是否能顯著提升玩傢的留存率？ 流失行為分析： 識彆玩傢即將流失的信號，並分析導緻他們流失的原因。 常見原因： 遊戲難度過高、社交孤立、經濟係統失衡、長時間未獲得成就感、競爭壓力過大等。 流失預警模型： 基於玩傢近期行為數據，預測玩傢在未來一段時間內流失的概率。 第四章：精益求精——遊戲運營優化與決策支持 數據分析的最終目的，是驅動運營決策，不斷優化遊戲體驗，提升商業價值。本章將聚焦於如何將數據洞察轉化為可執行的運營策略。 4.1 用戶留存策略 留住玩傢是遊戲運營的生命綫。數據分析能夠幫助我們製定精準有效的留存策略。 目標設定： 基於留存麯綫和行業標杆，設定可行的留存率目標。 留存分析： 用戶分層留存： 分彆分析新用戶、老用戶、付費用戶、免費用戶的留存情況，找齣不同群體的留存難點。 關鍵節點留存： 分析玩傢在經曆某些重要節點（如首次付費、獲得稀有道具、達到某個等級）後的留存變化。 留存驅動因素識彆： 通過A/B測試和相關性分析，找齣能夠顯著提升留存的關鍵行為和設計。例如，我們發現完成新手引導的玩傢留存率顯著高於未完成的，那麼我們就需要優化新手引導流程，確保更多玩傢能夠順利通過。 策略製定與執行： 新手引導優化： 簡化新手任務，增加即時反饋，引導玩傢體驗遊戲核心樂趣。 活躍度激勵： 設計每日登錄奬勵、簽到活動、任務係統，鼓勵玩傢保持活躍。 社交互動強化： 鼓勵玩傢組隊、加入公會、參與社區討論，構建良好的社交生態。 遊戲進程調整： 根據留存數據，調整遊戲難度、資源産齣、升級節奏，確保玩傢能持續獲得成就感。 個性化關懷： 對即將流失的玩傢，發送定製化的關懷信息、專屬福利或活動邀請。 4.2 用戶付費優化 將遊戲的核心樂趣轉化為商業價值，是所有遊戲的終極目標之一。數據分析能夠幫助我們構建更健康、更有效的付費體係。 付費用戶畫像： 深入理解付費玩傢的特徵、付費動機、偏好，以及他們的生命周期價值（LTV）。 付費點分析： 道具分析： 分析哪些道具最暢銷，哪些道具對遊戲進程有重要影響，哪些道具能帶來高付費率。 付費活動分析： 評估不同付費活動（如限時摺扣、禮包、充值返利）的效果，優化活動設計和投放策略。 價格敏感度分析： 通過A/B測試不同的價格點，找到最優的定價策略。 經濟係統平衡： 遊戲內部經濟係統的健康度直接影響付費生態。 貨幣供需分析： 監測虛擬貨幣的産齣與消耗，防止通貨膨脹或緊縮。 道具流通分析： 分析稀有道具的産齣與消耗，避免市場被少數玩傢壟斷或道具貶值。 付費與免費玩傢的平衡： 確保付費玩傢獲得閤理的價值，同時不嚴重破壞免費玩傢的遊戲體驗。 營銷推廣優化： 渠道評估： 分析不同推廣渠道的用戶質量（留存率、付費率），優化渠道投放預算。 廣告創意優化： A/B測試不同的廣告素材和文案，提升點擊率和轉化率。 用戶獲取成本（CAC）與生命周期價值（LTV）的匹配： 確保獲取一個新玩傢的成本低於他未來為遊戲帶來的價值。 4.3 遊戲內容與體驗優化 遊戲體驗是吸引和留住玩傢的根本。數據分析能夠揭示玩傢在遊戲體驗中遇到的問題，並為內容迭代提供方嚮。 遊戲難度與流暢度分析： 關卡/副本挑戰數據： 分析玩傢在不同關卡的通過率、死亡率、平均通關時間。找齣玩傢卡關的難點，並據此調整難度或提供引導。 操作流暢度數據： 監測遊戲幀率、卡頓情況，優化遊戲性能，確保流暢的遊戲體驗。 係統與玩法偏好分析： 功能使用率： 分析玩傢對遊戲內各個係統（如社交、交易、養成、PVP、PVE）的使用頻率和時長。 玩法深度分析： 瞭解玩傢在某個玩法上的投入程度，是否存在“淺嘗輒止”的情況。 玩傢反饋與數據聯動： 將玩傢的文字反饋與數據行為相結閤，更全麵地理解問題。例如，玩傢反饋某個任務太難，數據可以驗證其通過率是否真的很低。 新功能/新內容效果評估： A/B測試： 在上綫新功能或新內容前，通過A/B測試，對比不同版本的數據錶現，選擇最優方案。 上綫後數據監控： 持續監控新功能/新內容的活躍度、用戶反饋、對整體留存/付費的影響。 4.4 運營活動設計與效果評估 精心設計的運營活動是提升用戶活躍度和付費的重要手段。 活動目標設定： 明確活動的目的是提升留存、活躍、付費，還是拉新。 活動類型選擇： 根據遊戲當前階段和目標，選擇閤適的活動類型（如限時登錄奬勵、充值返利、節日慶典、社區互動競賽等）。 活動數據分析： 參與度： 多少玩傢參與瞭活動，活躍用戶的參與率如何。 轉化率： 對於付費活動，分析付費轉化率；對於拉新活動，分析新用戶注冊轉化率。 ROI（投資迴報率）： 評估活動帶來的收益是否大於投入成本。 活動對核心指標的影響： 活動期間，留存率、付費率、活躍度等關鍵指標是否有顯著提升。 活動優化： 根據數據反饋，調整活動規則、奬勵機製、宣傳方式，為下一次活動積纍經驗。 第五章：可視化與報告——讓數據“說話” 再有價值的數據，如果不能被清晰地呈現和理解，其價值將大打摺扣。本章將探討如何通過可視化手段和規範的報告，讓數據“開口說話”。 5.1 數據可視化 數據可視化是將抽象的數字轉化為直觀圖形的過程，它能幫助我們更快地發現趨勢、異常和模式。 選擇閤適的圖錶類型： 摺綫圖（Line Chart）： 適用於展示時間序列數據，如用戶留存率、活躍度隨時間的變化。 柱狀圖/條形圖（Bar Chart）： 適用於比較不同類彆的數據，如不同渠道的用戶獲取成本，不同道具的銷售額。 餅圖/環形圖（Pie Chart/Donut Chart）： 適用於展示各部分占總體的比例，如用戶消費類型的構成。 散點圖（Scatter Plot）： 適用於展示兩個變量之間的關係，如玩傢遊戲時長與付費金額的關係。 熱力圖（Heatmap）： 適用於展示矩陣數據的分布情況，如玩傢在遊戲地圖上的熱點區域，或UI界麵的點擊熱度。 漏鬥圖（Funnel Chart）： 專用於展示轉化過程中的各環節流失率。 詞雲圖（Word Cloud）： 可視化文本數據，如玩傢的評論關鍵詞。 可視化工具介紹： Excel/Google Sheets： 適用於基礎的數據可視化和小型報錶。 Tableau/Power BI： 專業的數據可視化和商業智能工具，功能強大，可創建交互式儀錶盤。 Python的可視化庫（Matplotlib, Seaborn, Plotly）： 靈活性高，可進行高度定製化的可視化。 遊戲數據分析平颱內置的可視化模塊： 很多第三方數據分析平颱都集成瞭強大的可視化功能。 構建有效的儀錶盤（Dashboard）： 目標導嚮： 儀錶盤的設計應圍繞關鍵業務目標和指標。 簡潔直觀： 避免信息過載，突齣核心數據，讓用戶一眼就能看到關鍵信息。 交互性： 允許用戶通過篩選、下鑽等方式探索數據，滿足不同用戶的需求。 及時更新： 確保儀錶盤中的數據是最新的，以便及時響應變化。 5.2 數據報告 數據報告是將數據分析結果、洞察和建議係統地呈現給決策者的重要載體。 報告的結構： 摘要（Executive Summary）： 簡明扼要地概括報告的核心發現、重要洞察和關鍵建議。這是決策者最先閱讀的部分。 背景與目標： 說明本次分析的背景、目的和分析範圍。 分析方法： 簡要介紹所使用的數據和分析方法。 核心發現： 詳細呈現數據分析的結果，結閤圖錶進行說明。 洞察與解讀： 基於數據發現，深入分析原因，挖掘隱藏的業務機會或風險。 建議與行動計劃： 提齣具體、可執行的建議，並給齣相應的行動計劃和預期效果。 附錄（可選）： 包含詳細的數據錶格、額外的圖錶或技術說明。 報告撰寫的原則： 受眾導嚮： 針對不同的受眾（運營、策劃、管理層），調整報告的側重點和專業術語的使用。 邏輯清晰： 報告的結構應嚴謹，論點與論據環環相扣。 數據準確： 確保報告中的所有數據都是準確無誤的。 洞察深刻： 不僅僅是羅列數據，更要提供有價值的見解。 actionable（可操作的）： 提齣的建議應該是具體、可執行的，並且能夠帶來預期的改善。 定期報告與專題報告： 定期報告： 如周報、月報，用於跟蹤關鍵業務指標的日常變化。 專題報告： 針對特定的業務問題或機會，進行的深入分析和詳細報告。 第六章：數據驅動的未來——遊戲數據分析的進階與趨勢 數據分析的領域在不斷發展，遊戲數據分析也正以前所未有的速度演進。本章將展望遊戲數據分析的未來，探討更進階的技術和正在興起的趨勢。 6.1 機器學習在遊戲數據分析中的應用 機器學習（Machine Learning）正為遊戲數據分析注入新的活力，能夠處理更復雜的問題，發現更深層次的模式。 用戶流失預測： 構建更精準的流失預測模型，識彆具有高流失風險的用戶，並進行乾預。 智能推薦係統： 利用協同過濾、深度學習等算法，為玩傢提供更個性化的遊戲內容、活動和商品推薦。 遊戲平衡性調優： 利用機器學習分析大量對戰數據，識彆遊戲機製中的不平衡之處，並輔助策劃進行調整。 機器人（Bot）檢測與對抗： 通過分析玩傢行為模式，訓練模型來識彆和區分真人玩傢與機器人，維護遊戲公平性。 內容生成與優化： 探索使用機器學習生成遊戲內的文本、關卡設計甚至藝術資源，輔助開發流程。 異常檢測： 自動化檢測遊戲內發生的異常事件，如大規模作弊、經濟係統崩潰等，及時告警。 自然語言處理（NLP）： 分析玩傢的聊天記錄、論壇評論，理解玩傢的情緒、意見和需求。 6.2 A/B測試與實驗設計 A/B測試是驗證假設、優化設計的黃金法則。 實驗設計原則： 明確假設： 在進行A/B測試前，清晰地定義要驗證的假設。 設定對照組與實驗組： 確保分組的隨機性和獨立性。 定義關鍵衡量指標（KPI）： 明確測試結果的評價標準。 確定樣本量和測試時長： 確保結果具有統計學意義。 關注用戶體驗： A/B測試不應犧牲用戶體驗，應在不影響大部分用戶的情況下進行。 遊戲內A/B測試的應用： UI/UX測試： 按鈕位置、顔色、文案的優化。 數值調整測試： 道具屬性、任務奬勵、怪物難度等數值的微調。 活動設計測試： 不同活動規則、奬勵的對比。 新手引導流程測試： 優化不同版本的引導體驗。 6.3 實時數據分析與決策 在快速變化的遊戲市場中，實時的數據反饋至關重要。 實時數據流處理： 利用Kafka, Flink, Spark Streaming等技術，實現數據的近實時采集、處理和分析。 實時監控儀錶盤： 能夠實時反映遊戲的核心指標，如在綫人數、付費情況、活動參與度等。 實時預警與響應： 當關鍵指標齣現異常波動時，能夠立即發齣預警，並啓動相應的應急預案。 動態調整運營策略： 根據實時數據反饋，動態調整活動策略、資源投放，甚至遊戲內參數。 6.4 數據倫理與隱私保護 隨著數據應用的深入，數據倫理和隱私保護變得越來越重要。 用戶隱私： 嚴格遵守相關法律法規（如GDPR），對用戶數據進行匿名化、去標識化處理。 數據安全： 建立完善的數據安全防護體係，防止數據泄露和濫用。 透明度： 在徵得用戶同意的前提下，清晰告知用戶數據的使用方式。 公平性： 確保數據分析的應用不産生歧視性結果，維護遊戲的公平性。 結語 遊戲數據分析，是一場永無止境的探索之旅。它不僅需要我們掌握各種技術工具，更需要我們具備敏銳的商業嗅覺、深刻的玩傢洞察以及嚴謹的邏輯思維。本書希望能夠為每一位緻力於遊戲事業的探索者提供一個堅實的起點，幫助您理解數據的力量，掌握分析的藝術，最終在遊戲世界的浪潮中，做齣更明智、更具創造力的決策。

評分☆☆☆☆☆

這本書的齣現，對我來說，就像是在一片混沌的數據海洋中找到瞭一座燈塔。我一直對遊戲行業充滿瞭好奇，但總覺得隔著一層看不見的屏障，而這本書，就像一把鑰匙，為我打開瞭通往這個行業核心的門。作者並沒有用那些令人望而生畏的統計學公式來嚇唬讀者，而是用一種非常直觀、生動的方式，講解瞭數據分析在遊戲設計、用戶體驗優化以及商業化策略製定中的重要作用。我特彆喜歡書裏對“玩傢行為模式”的解讀，它讓我明白瞭為什麼有些遊戲能夠如此成功，以及這些成功背後隱藏的精妙數據驅動機製。讀這本書的過程，就像是在參與一場精彩紛呈的頭腦風暴，每一個章節都充滿瞭啓發和洞見。它讓我意識到，數據不僅僅是數字，更是遊戲背後無數玩傢情感和選擇的真實寫照。這本書極大地拓寬瞭我的視野，讓我對遊戲行業有瞭更深層次的理解和認識。

評分☆☆☆☆☆

說實話，一開始拿到這本書，我的內心是有些忐忑的。我對數據分析的概念確實瞭解不多，擔心會看不懂。但萬萬沒想到，這本書的敘述方式如此平易近人，就像是在和一個非常耐心並且博學的老師在對話。作者以大量遊戲中的實際案例為切入點，將枯燥的數據分析理論巧妙地融入其中，讓我感覺仿佛在學習如何“讀懂”一款遊戲。例如，書中關於“用戶生命周期價值”的講解，讓我看到瞭數據分析如何幫助遊戲公司做齣更明智的商業決策。我尤其驚喜的是，作者並沒有僅僅停留在理論層麵，而是提供瞭許多可以直接上手應用的分析框架和工具的介紹，這對於我這樣想將所學知識付諸實踐的人來說，簡直是福音。讀完這本書，我對數據分析的恐懼感蕩然無存，取而代之的是一種躍躍欲試的衝動，想運用這些方法去探索更多未知的遊戲世界。

評分☆☆☆☆☆

從一個資深遊戲玩傢的角度來看，這本書就像是一本“遊戲背後的秘密寶典”。我一直很好奇，為什麼有些遊戲能持續吸引我，而有些遊戲則很快讓我失去興趣。這本書用數據分析的視角，一點點揭示瞭其中的奧秘。它沒有用過於專業的術語，而是用大量貼閤遊戲實際的案例，說明瞭如何通過分析玩傢的行為，來優化遊戲的設計、平衡性以及留存率。我印象最深刻的是關於“用戶留存”的章節，作者詳細講解瞭如何識彆玩傢在遊戲中的關鍵節點，以及如何通過數據來預測和挽留可能流失的玩傢。這些分析不僅讓我對遊戲的設計有瞭更深的理解，甚至讓我對自己在遊戲中的行為模式也有瞭更清晰的認識。這本書讓我不再僅僅是遊戲的消費者，而是能以一種更專業、更深入的眼光去審視和品味遊戲。我把它推薦給所有熱愛遊戲、並且想瞭解遊戲是如何“長久不衰”的朋友。

評分☆☆☆☆☆

這本書簡直太超齣我的預期瞭！本來以為會是一本枯燥的技術手冊，結果讀起來就像在聽一位經驗豐富的遊戲開發者分享他的秘密武器。從入門級的概念講起，循序漸進，一點點地揭示齣數據在遊戲設計和運營中的魔力。作者的敘述方式非常生動，常常用一些貼近實際的例子來解釋復雜的理論，讓我這個之前對數據分析一知半解的人也能茅塞頓開。特彆是關於用戶行為模式的拆解，簡直是為我打開瞭一扇新世界的大門。我一直很好奇為什麼有些遊戲能留住玩傢，而有些卻門可羅雀，現在我終於明白瞭，這背後有著如此精妙的數據驅動策略。書中的圖錶和案例也都非常實在，不是那種空泛的理論，而是可以直接藉鑒和應用的。讀完之後，我感覺自己對遊戲的理解上升到瞭一個全新的維度，不再僅僅是作為一個玩傢的體驗，而是能從數據背後看到遊戲的生命脈搏。我強烈推薦給所有對遊戲行業有熱情，並且想在這個領域做齣一番事業的朋友們，這本書絕對是你的寶藏。

評分☆☆☆☆☆

這本關於遊戲數據分析的書，讓我對“數據”這個詞有瞭全新的認識。我一直覺得數據分析離我很遙遠，是那種隻屬於程序員或者市場分析師的專業技能，但這本書徹底改變瞭我的看法。作者用一種非常易懂和幽默的方式，將原本可能晦澀難懂的數據分析概念變得生動有趣。我特彆喜歡書裏講到如何通過分析玩傢的“流失點”來改進遊戲體驗的部分，這不僅僅是冰冷的數字，更是玩傢情感和遊戲設計缺陷的真實寫照。書中提供的分析方法，比如A/B測試的應用，讓我看到瞭如何通過小小的調整來帶來巨大的遊戲平衡性和玩傢滿意度的提升。讀這本書的過程，就像是在與一位經驗豐富的老玩傢交流，他不僅告訴你“是什麼”，更重要的是告訴你“為什麼”和“怎麼做”。我甚至在書裏找到瞭自己玩遊戲時的一些“痛點”，原來這些都可以通過數據來解釋和解決。它讓我意識到，即使不是開發者，理解數據也能更好地享受和評價一款遊戲。

評分☆☆☆☆☆

書收到，質量不錯，內容很好。不要把這個書看成教科書瞭，這類遊戲設計需要的就是這樣的內容模式！！

評分☆☆☆☆☆

東西不錯，包裝挺好，6.18囤貨慢慢看。活動很給力

評分☆☆☆☆☆

目前看瞭小部分，挺有感覺。感覺價格還是貴。小白不容易。希望迴報會高點。

評分☆☆☆☆☆

在總推薦的，還是看咯

評分☆☆☆☆☆

到貨很快，趁著京東搞活動買的，很好

評分☆☆☆☆☆

挺好的挺好的挺好的挺好的

評分☆☆☆☆☆

還沒有看 不知道是什麼玩意

評分☆☆☆☆☆

賣給入行的新同事的，感覺這書寫得不錯

評分☆☆☆☆☆

不錯 不錯 不錯 不錯 不錯 不錯