GameMakers的這集節目，找了幾位遊戲公司資訊長，探討如何建立遊戲數據資料庫。我自己不是技術專業，雖然待過幾家大公司但也沒經手討論建構資料庫的過程，有些技術術語理解過程中有點障礙，但還是提供一點整理與看法和大家分享。
遊戲業的變化一直很快，對數據資料的要求可說走在行業的前端。早期遊戲公司對於數據只有簡單的儲存與翻看要求，現在的數據已經能協助遊戲業做出客製化分析、預測玩家的行為甚至Playtika能因此做到"千人千面".....即依據每位玩家的數據，給予最適合的遊戲功能、玩法與機率。
因此，數據儲存、整理、與工具的選擇就成了很重要的關鍵。訪談中被多次提起的是Snowflake，這是個雲資料儲存運算工具，可以整合所有來自不同的資料源，工具的使用上有許多好處，技術方面我就不多加說明，特點是他的"儲存"資料費用很便宜，也適合中小型團隊，但與會者也提到，其查詢資料的費用雖然單位小，但當玩家資料累積越來越多時，花費金額就會比你想像中高很多。
其他的工具還有提到Amplitude、Firebase、Appsflyer、Grafana等。但不要期望用一個數據資料分析工具就能完美解決所有的問題。每個工具都有長處或短處，多個工具搭配使用延伸需求外，還能減少風險，或是交叉驗證數據的準確度。
小公司剛成立時，通常會以既有市場的工具為主，這些工具便宜但客製化程度也會比較低。當公司成功的遊戲越來越多時，就有把所有數據來源標準化進行統一分析的需求，這時就要考慮那些能高度客製化的服務。
訪談最後讓三位來賓提出對於資料分析的建議，很值得反思。
ANDRE認為最重要的是「誰來確保資料的準確性」。很多數據，會因為查詢方式的不同，需求的不明確導致資料錯誤。即使資料本身即使沒有問題，也會因為使用方式，觀點不同，產生完全不同的結論。譬如， 某日新增玩家的留存是20%，而這些玩家普遍首日駐留在等級10級，看起來等級10級是造成流失的關鍵，但如果LV10玩家中有9成以上隔日會繼續玩下去，那問題顯然不是光看等級這麼簡單。
即使大家看到的數據都正確，分析人員看一層、看兩層、看多個來源，判斷角度，都會賦予數據不同的意義，最終還是回到每個人本身的專業素養。
CAURAV則認為在公司還小的時候，就應該思考整個數據資料的建置，如此在公司擴大，組建更龐大的數據分析架構時，才能盡量減少過度時期所要付出的成本。
但我認為現實上，小團隊的遊戲要先能夠成功且長線經營，才有進一步建構更完整數據系統的必要性；不過，至少可以先確認各種工具的彈性與容錯率，以及對未來自建數據系統會不會造成阻礙，會不會產生搬遷困難，這些都可以先進行考慮。
OLIVER的觀點則是我最認同的。即使建立再好的數據分析系統，公司無法建立相對應的決策文化也沒意義。怎樣從數據中找到有價值的資訊，並想辦法放大其價值，才是建立一整套系統背後的關鍵。
呈如我們在粉絲團常強調的，看數據、分析數據、和做出行動是完全不同的概念，而大多數人的數據分析旅途都止步在前兩站。
希望以上對你有所啟發。
數據分析架構 在 【製造數據科學】EP3 分析架構與數據預處理 - YouTube 的推薦與評價
《製造 數據 科學》教學解析分享會─ 李家岩教授精選5集《製造 數據 科學》教學解析，由台灣大學資管系教授李家岩博士精擘詳析製造 數據 科學的要義、應用與 ... ... <看更多>