文档介绍：游戏数据运营解决方案
背景
行业综述
随着游戏行业市场竞争局面的扩大,玩家对于品质的要求越来越高,游戏项目的生命周期越来越短,直接影响项目的投入产出比,通过数据运营则可以有效的延长项目的生命周期,对各个阶段的业务走向进行精准把控。而随着流量成本的日益上升,如何构建经济、高效的精细化数据运营体系,以更好的支撑业务发展,也变得愈发重要起来。
在这样的背景下,越来越多的游戏企业加入到数据运营行列,也促进
了大数据产业生态链的发展,第三方数据公司TalkingData、Dataeye、友盟、热云数据等就是在这一个时代中快速成长起来的。但同时受限于业务理解,通用平台往往无法满足游戏企业的定制化需求,所以随着业务的发展,最终还是要选择自建数据分析平台——因为技术门槛、资源投入等原因,目前大部分游戏企业只实现了数据统计,少部分企业实现了数据挖掘,在深度学****层面目前趋近空白。
业务需求及痛点分析
按照游戏领域的行业细分,不同类型的公司对数据化运营的业务需求各有侧重,构建数据化运营平台的技术手段也表现为不同的方式。
按照行业属性,可以将生态中的公司分为游戏研发商、游戏渠道商、游戏研发商三类,根据业务特点他们对于数据运营的需求也各有侧重,从表现形式讲,基础指标集、客户画像、精准投放&效果分析、智能算法等等,不一而足。
而从实现数据运营的技术手段来分析,也分别表现出不同的特征,各阶段使用的技术栈、驱动因素及演进方向,可以简单通过下图来表述:
而在这样的业务背景下,传统来料加工、被动响应的数据处理架构,显然无法匹配数据化运营的分析需求,主要存在的问题:
数据来源单一,缺少精准用户画像,运营策划、实施不能”投其所好”,用户转化率低;
平台沉淀、积累了大量的数据,但是通过数据驱动业务创新、辅助决策方面没有经验,导致数据à业务价值的转化率低;
开发定制化,项目实施周期长,响应需求速度慢,无法有效支撑业务的灵活变化;
数据的应用场景单调,大多只是止于简单的看指标、报表,对于机器学****等复杂场景缺少技术储备
;
阿里云整体解决方案
功能架构
基于阿里云大数据平台,构建一站式数据运营支撑平台。
重点简介:
数据采集+数据总线,丰富业务数据源:基于开源框架封装的多种数据采集工具,按需选用以支持不同类型的异构数据采集,丰富业务数据来源,同时配合阿里云提供的流式数据处理服务(DataHub
),轻松构建基于流式数据的高可用,低延迟,高可扩展,高吞吐的分析和应用;
数据处理/数据存储,支持不同场景的数据化运营需求:数据处理/数据存储作为总线数据的消费端,提供面向不同应用场景(实时分析、OLAP、离线计算、智能算法等)的数据计算/存储引擎,支持不同层次、视角的数据化运营需求;
数据消费,发挥数据在业务创新、辅助决策方面的价值:基于底层的数据计算能力,在应用侧通过阿里云提供的可视化大屏(DataV)、数据分析配置工具(Quick BI)轻松构建不同场景的数据分析应用,充分发挥数据的业务价值
数据运营平台基础数据框架
重点简介:
Datahub:
实时、高吞吐的并发数据处理能力;
数据自动冗余多份,高可用性保障;
数据流吞吐能力动态伸缩,按需弹性等能力;
pute:
支持类SQL语法,深度整合多类云数据存储
性能优越,关键指标超越storm6~8倍
优化执行引擎,计算任务资源消耗低
主要支持实时数据处理、分析等应用场景;
pute:
PB级超大规模数据的计算及存储
支持丰富的计算模型
数据自动冗余多份,高可用性保障
主要支持多维分析(T+1,OLAP)、报表/分析专题、机器学****等应用场景;
产品技术架构
离线分析
为了更加全面的了解业务情况、用户行为偏好,需要对积累的游戏数据做多维度的深度探查,以挖掘数据中蕴含的业务价值。这一类场景的普遍特点是:
数据量大
计算复杂度高
分析视角&可视化的要求灵活多变
允许一定的数据时延
常见的产品形态有OLAP报表(多维分析、用户行为分析等)、分析专题(游戏角色平衡等)、数据挖掘(用户画像、业务预测等)等。
实现此类场景的基本产品技术架构如图:
架构重点简介:
数据库:按照不同的应用场景、数据规模,可以选用合适的计算/存储引擎
;
OLAP分析&数据可视化:Quick BI提供拖拽式、所见即多得的OLAP分析&报表的配置及可视化能力,无需代码开发,可快速实现数据化运营的分析场景;
数据挖掘:机器学****提供可视化方式的算法配置平台,快速实现机器学****模型训练、智能算法(预测、偏好分析等)等高复杂度的数据应用场景;
同时,对于应用侧提供灵活的可集成能力,可以完全使用可视化配置,也可组合使用定制开发的方式实现。
实时分析
实时分析更多应用