一、关于数据
数据可以分为两类，一类为运营指标数据。一类为业务行为数据。
1.运营指标数据
比如DAU,PCU,LTV,ROI等常用的代表游戏目前线上运营状态的一些数据指标，用单个指标或者多个指标组合来反映游戏目前的线上运营状态，指标之间一般都有关联，通过相关定义转换计算获得。
举例：从游戏的用户数、收入和广告费三个常见简单数据来计算相关指标，用来衡量广告(用户)质量情况。(同理可衡量渠道质量情况)
2.业务行为数据
①数据获取：
用户在游戏体验过程中，被抓取的行为数据。如用户进行一场战斗，完成一次购买，达成一个任务等等。在每一个目标完成的同时，会产生大量的过程数据，这些数据在经过筛选的情况下，将有用的数据通过数据日志记录，并存入数据库用来进行查询并分析。
关于行为数据的ETL----在数据被记录到查询的过程，已经完成了大部分的数据ETL。因为日志需求已经在被执行前进行过业务模型的行为匹配筛选了，尽量关联到相关系统的行为模型，让记录的日志数据不零散，不冗余，目的是为了能在后期用SQL查询数据的时候效率更高(随着用户数量的增加，运营时间的推进，行为数据量会到达一定量级)，数据提取更方便，以便留更多的时间来分析数据。
②数据查询：
在已经被记录的行为数据库中，用SQL进行查询。
为了保证数据的准确性和时效性，数据库查询权限应该是全数据表。因为数据需灵活提取，所以在非必要的情况下，一般不会麻烦程序同学帮助提取数据(原因就好像计算机进程在执行的时候突然被挂起)。
特殊情况：除数据入库时，未按常规结构，且数据比较分散，在分库分表的情况下，需要查询数据量大且相关性较为复杂的目标数据的情况下，可能会需要BI童鞋或者服务端童鞋协助写Shell脚本或者其他脚本实现数据提取，但是这种情况一般较为罕见。
3.市场调研数据
一些市场的调研数据，也可以被记录被分析，并得出一些结论，调研数据结论的有效性取决于调研数据的有效性。
二、关于分析
1.分析运营指标数据
通过每日的指标数据记录，进行单指标横向对比，或者多指标关联差异，联系实际，找出相对明显的规律，如周六的用户活跃一般都是一周内最高的，最适合开启付费活动等。
2.分析业务行为数据
①游戏行为数据--玩家在参与相关游戏系统时产生的行为数据
这部分数据，用于分析玩家在游戏中的体验，是否在策划的期望内。若在期望内或高于期望，皆大欢喜。若不低于期望，则从玩家行为数据反映脱离策划期望的原因，分析玩家的行为倾向，估测偏离原因，进行数据验证，客观给予策划一定的参考数据和相关建议(在对游戏设计有一定理解的情况下)，以便改进相关的游戏系统。比如游戏中多职业设计是否平衡、关卡难度是否合理、PVP体验是否达标、游戏内经济(资源)系统是否正常等等。主要是用来改善目前的游戏设计情况，让游戏通过数据支持来获得更好的迭代，更贴合玩家需求和策划预期。
做这部分分析的前提是，对游戏本身的游戏性有深入的理解，对游戏设计有一定的理解。
②运营活动数据--玩家参与运营活动产生的行为数据
主要用来衡量运营活动的质量。在活动进行前，数据也可以提供相关的支持，比如玩家更需要什么，更不需要什么，以便针对性的做活动投入。这部分数据对游戏商业化帮助较大。
运营活动的偏向(拉新，拉付费，拉活跃)不影响数据支持的有效性。
数据分析只能在一定程度上提高现有的游戏体验，在运营活动中提前规避一些不必要的风险，在市场调研中给予相关的数据结论，始终遵守数据为辅，产品为主的理念。