使用ChatGPT提升数据分析能力和效率

前言

比尔·盖茨说：“chatgpt像互联网发明一样重要，将会改变世界。”使用一段时间chatgpt后，可以发现chatgpt是能极大的提高工作效率的工具。在游戏运营中，数据分析和数据科学是非常重要的一环。

有了chatgpt，对于不会数据分析技能的运营同学，也可以进行常见的数据分析，作为工作效率的极大提升。对于会数据分析的运营同学和专职数据分析同学，可以使用chatgpt替代日常中数据分析开发工作，将重心更多的聚焦分析和业务工作。

本文就列举了4种常见的游戏运营中的数据分析场景，包括数据提取，数据分析，聚类，预测等，使用chatgpt辅助完成分析工作。

在使用chatGPT的过程中，我也会思考，有了chatgpt，好像我们的工作内容有一部分被取代了，是否说明我们的价值也相应被取代了呢？

我认为未来的时代，我们确实应该和chatgpt一样，持续进化。作为一个数据分析师或者游戏运营的价值，应该体现在：

• 更深的业务理解能力
• 更广的知识体系和知识运用能力（分析能力，算法能力，心理学，社会学，经济学）
• 数据敏感度和创造力
• 更熟练的chatgpt使用能力

提取数据

提取数据是非常常见的工作，这里介绍了如何使用chatgpt辅助生成提取数据sql代码。

准备工作

输入要用到的表和字段，这些信息可以询问数据同学。举个例子，这里用到三张数据表：

用户登录表eliot_db::yuanshen_userlogin,表是静态分区表，分区字段datadate，包括字段：userid，登录时间logdate 用户付费表eliot_db::yuanshen_userpay,表是静态分区表，分区字段datadate, 包括字段：userid，最近7天付费金额weekpaymoney 用户信息表eliot_db::yuanshen_userinfo,表是静态分区表，分区字段datadate, 包括字段：userid，年龄iage

输入chatgpt：

描述提取需求

我们想要提取最近30天活跃用户，包括每个用户的最近7天付费金额，和年龄信息。然后过滤18岁以下用户。可以这么输入chatgpt：

chatgpt输出的hive代码：

如果你具备一定的hive代码能力，检查下代码。以上chatgpt给出的代码完全没有问题。

在idex中执行代码

将代码复制到idex中，执行代码，等待结果：

检查错误

有时候代码执行会报错，可以直接把错误信息让chatgpt查询

复制红字部分，输入给chatgpt

报错原因是因为表名或者库名不对，可以检查核对后，修改一下代码。

数据分析

数据分析也是比较常见的工作，包括游戏用户群的各项指标的分布和趋势等。同样的，我们可以让chatgpt生成分析代码。

用户付费能力分布

我们想要看特定用户付费金额分布情况，比如用户范围是最近30天活跃过的用户，年龄18~60岁。看最近7天付费金额分布情况，按每10元一个区间划分分布。

这里有一个需要明确的需求点要指明给chatgpt：如果我们取最近30天活跃过的用户，那么用户最近7天没有付费，不能把这部分过滤掉，将付费金额设置为0。

将需求输入给chatgpt：

chatgpt返回的hive代码：

这个代码检查一下，也是完全没问题的，在idex执行就行。

得到结果后我们想检验下结果是否正确，可以将所有付费分布的用户数加和，得到我们定义的用户范围的用户数。

然后输入一个求用户数的代码需求给chatgpt：

WeChatWorkScreenshot_849e9956-8ce9-4293-b004-ce8648550248

对比两个用户数，无误说明之前我们的需求结果应该没问题。

不同年龄段用户的付费能力分布情况

进一步，我们计算一个更复杂的分布问题，假如我们想看不同年龄段的用户的付费区间分布情况，我们继续输入需求：

WeChatWorkScreenshot_868f8ee1-02e2-49d7-9b37-ccd956acfe73

chatgpt给出的hive代码：

同样的在idex执行代码，然后核对检查下。

聚类

聚类是我们做游戏用户画像工作中常用的方法，比如用户玩法偏好，付费偏好等等。这里，我们用chatgpt辅助生成聚类代码。

聚类之前，需要准备好用户特征表，可以用之前列举的用户提取和分析方法，让chatgpt生成代码，跑出用户包文件。

举一个例子，我们想看原神用户玩法偏好画像，我们可以根据我们对游戏业务的理解能力，生成这样的一张用户特征表：

userid，主线剧情推进度zhuxian_rate，支线任务完成数renwu_num，深渊获得星数shenyuan_num，大地图探索度ditu_rate，七圣召唤比赛数zhaohuan_num。

生成聚类代码

输入需求：

chatgpt生成的代码：

检查了代码，基本没有问题。

执行聚类代码

点开idex，打开jupyter：

选择python3.7新建一个启动页，重命名为yuanshen_kmeans.ipynb，将代码复制进去

然后将用户表文件放到目录中：

WeChatWorkScreenshot_449ecd96-b7ed-44e8-88aa-4a11f6189a37

最后点击执行，等待输出聚类结果。

解读结果

得到聚类结果后，我们会进一步分析用户画像，比如我们可以关联输出的聚类结果用户包，分析每个类别用户的其他特征指标情况等。

我们还需要分析每个类别用户的这些主要特征指标聚心结果，基于游戏业务理解，描述用户画像。

我一时兴起，将聚类结果输入给了chatgpt，请它帮忙描述下每类用户的画像。

它概括的居然还不错

WeChatWorkScreenshot_e2097d0d-e087-47b0-b6a9-04c6bc331ca6

预测

预测也是我们在游戏数据分析工作中经常会遇见的工作场景，包括道具销量预测，KPI指标预测，用户流失预测等等。

我们可以让chatgpt生成预测工作全过程的代码，帮忙我们快速得到预测结果。

举个例子，我们想预测原神1个月后上线的复刻胡桃和夜兰的池子流水收人，我们需要先准备两部分数据：

1.历史上线的角色池子收入数据yuanshen_juese_water_data.csv，和对应的每个池子的特征字段数据，比如：用户活跃数actusers，用户付费payusermoney，角色属性juese_feature_id，已拥有角色用户数have_juese_users等。

2.需要预测的池子的特征字段数据yuanshen_juese_water_predict.csv，用户活跃数，用户付费，角色属性，已拥有角色用户数等。

生成预测代码

输入需求

chatgpt给出的代码

执行代码并评估效果

执行代码后，输出了预测结果，可以用于评估待上线的角色池子的流水水平。

当然，我们需要评估预测模型的准确度是否在我们的误差承受范围内，因此我们需要分析下模型效果。

模型看上去是比较准确的，并且通过回归模型，我们可以发现，角色的属性信息，是比较能影响角色池子流水收人的。

因此，这个特征是在商业化探索上值得我们进一步分析的。

因果推断

更进一步，我们在工作中也会有一些因果推断的问题，比如分析某个策略或指标对用户留存，活跃的影响等等。

简单的因果推断问题，我们也可以让chatgpt快速生成代码。

举个例子，我们想分析钓鱼这种休闲玩法，是否能促进玩家的在线时长，我们需要先准备这样的数据：