目錄：
- 項目時間：2019-04 - 2019-08
- 技術架構：Hadoop+Flume+HBase+Kafka+Sqoop+Spark+Zookeeper+JDBC+Hive+Mysql
- 項目描述：
- 該系統是一個用戶行爲分析系統。系統的主要用戶爲公司內部的PM和運營人員，用戶根據自己的需求去分析某一 類客戶的流量數據。根據分析結果，PM可以優化產品設計，運營人員可以爲自己的運營工作提供數據支持。用戶在系統界面中選擇某個分析功能對應的菜單，並進入對應的任務創建界面，然後選擇篩選條件和任務參數，並提交任務。在接收到用戶提交的任務之後，根據任務類型選擇其對應的Spark作業，啓動一條子線程來執行Spark-submit命令以提交Spark作業。Spark作業運行在Yarn集羣上，並針對Hdfs中的海量數據使用SparkSQL進行計算，最終將計算結果寫入Hdfs中。另外還集成Flume，Kafka和Spark,利用SparkStreaming，進行實時分析。用戶通過系統界面查看任務分析結果，將結果返回給界面進行展現。
- 遊戲數據的構成分爲四個層面：
- 第一層是論壇媒體的數據，這是遊戲外的數據
- 廣告投放量分析
- 渠道合作分析
- 第二層是運營數據（其他作用）
- 結論一：在手遊題材方面，手遊公司應該向角色扮演類、休閒益智類、卡牌類遊戲方向靠攏，而由於手機屏幕與PC相比過小、遊戲操作樣式較少等特性，適當減少體育類等題材的遊戲，並非單純地將PC上火爆的遊戲平移到手機上。
- 結論二：在推廣策略方面，手遊公司依然應該注重應用分發平臺這個渠道，畢竟絕大部分用戶是通過這個平臺來獲知並下載遊戲。在過去一段時間內，手遊公司在廣告推廣方面無所不用其極——地鐵站、視頻廣告、應用內植入等等，我們都能看到手遊的身影，但調查結果顯示，此舉效果存疑。
- 結論三：在收費制度方面，應該謹慎考慮“下載付費”的策略。畢竟在互聯網、移動互聯網時代，“免費”的理念已經深入身心，“下載付費”會阻礙用戶進入到遊戲中。
- 結論四：在遊戲設計方面，用戶對遊戲製作的精美程度並無太高的要求，但對裝備、闖關等有較高的付費需求。手遊公司應該在這些方面多加考慮，例如，如何將遊戲關卡設計的更巧妙，如何將裝備對遊戲的影響力做的更好，同時也兼顧平衡。
- 結論五：一直以來，手遊輕量化一直是行業的整體現象，因爲手遊本來就佔據着用戶的碎片化時間，不應該過重。但通過數據顯示，超過三成的用戶每天要在手游上花費超過2個小時的時間，這一部分手遊“重度用戶”對重度遊戲存在需求。
- 結論六：從消費的角度看，超過半數的用戶已經開始習慣付費，且多數用戶並不計劃改變過去一年的消費習慣——這意味着手遊行業不用擔心大規模的付費用戶流失。
- 第三層是玩家的行爲數據
- 第四層是業務常規數據
- 第一層是論壇媒體的數據，這是遊戲外的數據
- 離線分析：
- 分析哪些數據
- 新區註冊人數和時段的關係
正式開區前通過預約的方式進行註冊，在開區當前進去遊戲和時間關係的比例
開區當天註冊的人數
開區之後註冊的人數及時間的關係 - 用戶在註冊之後，活躍度分析
- 用戶遊戲在線時間及時段分析
- 區組金錢充值和合區的分析
- 新區註冊人數和時段的關係
- 分析的過程
- 其他開發人員：遊戲的日誌產生消息。
- 本人：
- 用戶註冊產生的日誌信息（賬號信息（哪種賬號）、註冊時間、）
- 每次進入遊戲及退出遊戲產生的日誌信息（賬號信息、進入時間、退出時間、地點、分配的上線區組、登陸的設備）
- 遊戲內的日誌。
- 分析的結果
- 新區註冊人數和日期的關係圖
- 活躍度
- 遊戲下載渠道分析
- 用戶消費比例、消費因素分析及比例
- 分析哪些數據
- 實時分析：
- 責任描述
- 參與產品需求分析，技術方案選型，hadoop等開發環境的搭建；
- 編寫、測試、優化MR程序對Flume收集上傳到HDFS的數據進行清洗與過濾；
- 通過編寫Hive HQL程序從時間、地域、瀏覽器等多個維度對pv，uv，活躍用戶數、新註冊用戶數、二跳率等指標進行多維度分析統計;
- 編寫Sqoop命令週期性或採用增量方式將處理好的結果表數據導入到MySQL中。
- 在數據中心經理指導下，接收、分析、實現來自需求部門的數據需求；
- 與數據中心運維工程師，數據中心架構師協同，進行日常數據問題審計、查證、處理。
詳細說明：
- 離線分析系統
- 遊戲玩家
1 新增玩家
1.1 新增設備激活：當日新增加的激活設備量。新增玩家賬戶：當日新增加的玩家帳戶數
1.2 玩家轉化：安裝遊戲的玩家中（即激活設備）有註冊賬戶的玩家比例，1人多次註冊，只記1次有效轉化。例如：共5臺激活設備，其中3臺每人1次註冊，1臺沒有註冊，1臺註冊了3次賬戶，共註冊了6個不同賬戶；註冊轉化率=（3+1）/5=80%，而不是用6次註冊/5臺設備
1.3 單設備賬戶數量分析（小號分析）：您所選時間內激活的設備，到當前爲止的註冊賬號數目分佈情況。通過小號分析能幫助瞭解多少比例的設備會反覆註冊多個賬戶，多少比例至今還未進行註冊，分析刷小號情況
1.4 玩家賬戶類型：新增玩家帳號的帳戶類型分佈情況。比如遊戲廠商自有賬號、匿名賬號、QQ賬號、新浪微博賬號等等
1.5 地區：新增玩家帳號的地區分佈情況
1.6 渠道：新增玩家帳號的渠道分佈情況，每個玩家始終歸入首次設備激活時的渠道。比如ios、安卓。
1.7 性別：新增玩家帳號的玩家性別情況，根據您的遊戲中傳入的性別確定玩家的性別
1.8 年齡：新增玩家帳號的年齡分佈情況，根據您傳入的年齡確定玩家的年齡段 - 活躍玩家
2.1 DAU（Daily Active User）日活躍用戶：在當天登錄過遊戲的用戶。有效反映和衡量一款遊戲核心用戶數。
2.2 WAU（Weekly Active User）周活躍用戶：當日的最近一週（含當日的倒推7日）活躍玩家，將進行過遊戲的玩家按照帳戶進行排重。
2.3 MAU（Monthly Active User）月活躍用戶：當日的最近一月（含當日的倒退30日）活躍玩家，將進行過遊戲的玩家按照帳戶進行排重。
2.4 DAU/MAU：可體現玩家的總體粘度，衡量這30天內每日活躍玩家的交叉重合情況。此比例越趨近於1，代表月活躍中有更多玩家多日活躍；比例越趨近0，則代表大量玩家只在一日中活躍。當比例小於0.1時，遊戲的自傳播性將很差。DAU/MAU×30也用於大致衡量玩家平均每月活躍天數。
2.5 活躍玩家已玩天數：所選時期的活躍玩家的活躍日期減新增日期的日數差（即其已進行遊戲的天數）的分佈情況。
2.6 活躍玩家等級：所選時期每日活躍玩家的等級分佈情況，由每日數據組成的時期趨勢可觀測等級的總體走勢。
2.7 活躍玩家地區：所選時期排重活躍玩家的地區分佈情況。
2.8 活躍玩家渠道：所選時期排重活躍玩家的渠道分佈情況，渠道按照其最初新增時的渠道確定。
2.9 活躍玩家性別：所選時期排重活躍玩家的性別情況。
2.10 活躍玩家年齡：所選時期排重活躍玩家的年齡分佈情況。 - 玩家留存
3.1 新增賬戶留存率：某日新增的玩家/設備中，在該日後的第N日中，還有進行遊戲的玩家/設備比例。
例如：5月3日新增玩家爲100人，這100人中有24人在5月10日這一天內還有玩過遊戲，5月3日的7日留存率=24/100=24%
3.2 激活設備留存率：某日新增的玩家/設備中，在該日後的第N日中，還有進行遊戲的玩家/設備比例。
例如：5月3日新增玩家爲100人，這100人中有24人在5月10日這一天內還有玩過遊戲，5月3日的7日留存率=24/100=24%
3.3 留存用戶分析：
用戶羣：次日留存用戶，7日留存用戶，30日留存用戶
分析方式：新增日的等級，新增日的遊戲次數，新增日的遊戲時長，新增日是否付費，玩家性別，玩家年齡。
- 遊戲玩家
- 實時在線分析系統
- 付費轉化
4.1 新增付費玩家：當日新增加的充值玩家。
4.2 累計付費玩家：截至當日，累計的充過值的玩家數。
4.3 總體付費率：截至當日，累計付費玩家佔累計總玩家的比例（累計付費玩家/累計玩家帳戶）。
4.4 新玩家-首日付費率：所選時期的新增玩家中，在新增當日即進行充值的玩家數和其佔比。
4.5 新玩家-首周付費率：某自然週中進行付費的玩家（排重）佔該自然周活躍玩家的比例。
4.6 新玩家-首月付費率：某自然月中進行付費的玩家（排重）佔該自然月活躍玩家的比例。
4.7 新玩家首付的遊戲天數：所選時期內的新增付費玩家，按照其已經玩遊戲的天數（首付日期-新增日期）進行分佈。
4.8 新玩家首付的累積遊戲時長：所選時期內，玩家首次付費時在遊戲中累計的遊戲時長分佈情況。
4.9 玩家首付等級：所選時期內，玩家首次付費時的等級分佈情況。
4.10 玩家首付金額：玩家在遊戲中首次充值時，支付的單比金額的分佈情況。
4.11 首付充值包類型：玩家在遊戲中首次充值時，所選擇的充值包的類型分佈情況 - 國內第三方數據服務提供商DataEye發佈《手遊玩家秋冬節假日行爲分析報告》。報告顯示：節假日對於手遊玩家活躍有明顯的促進作用，新增用戶也有所增加；手遊玩家在中秋、國慶、元旦、春節這些有假期的節日中，爲獲得節日獎勵，將更多的精力投入到遊戲中，因此其每日累計遊戲時長也有所增加。
- 付費轉化
- 玩家遊戲時長分佈均勻
- 絕大部分用戶通過分發渠道推薦下載手遊
- 花錢玩手遊的人更多
- 多數人消費預算不會變化
- 爲升級裝備而付費的人居多
