导语:
必凡把“埋点自己提、数据自己查、效果自己验”写进了策划实操手册。过去习惯等数据组出表的业务团队,开始自己验证对产品和玩家的观察,再把结果带进讨论。
借助 ThinkingAI Agentic Engine 的 AE-CLI,必凡把数据分析能力接入了团队日常使用的 Agent。制作人可以沿着业务问题继续追问,团队也把跑通的分析方法留下来,换个项目接着用。

ThinkingAI 是面向企业的数据智能与企业智能体平台,提供数据分析平台与 Agentic Engine,通过自然语言取数、工具连接、多智能体协作和 Skill 沉淀等能力,帮助企业把智能数据分析、用户行为分析和 A/B测试等场景接入日常决策,提升效率并持续驱动增长。
投放复盘时,渠道和素材的效果差异会影响下一步的预算安排。必凡团队会结合渠道、版本等维度继续分析:
“帮我拉上周各投放渠道的新增用户、次日留存、付费率,按渠道和版本两个维度拆,输出成表格。” |
过去,分析得从现成看板找起。已有口径的数据,翻找、导出、整理一次需要 10–20 分钟;看板没有覆盖的角度,要向数据团队提出需求,部分低优先级需求需要数天。考虑到排期,有些疑问被搁下,有些先用近似口径代替。
用上 AE-CLI 后,必凡这两类日常取数需求的处理时间缩短到了 1–3 分钟。

拿到结果后,制作人可以继续追问版本、渠道和付费分层;策划也能直接问:“查下新手引导第 1→2→3 步的转化率。”问题不用先转述给数据团队,业务团队可以沿着自己的思路继续核对。必凡发现,团队自发查数的频率明显上升。
“数据视野从‘看板决定’变成‘问题决定’。”
这一变化也让用户行为分析和 A/B测试不再停留在结果汇总:团队可以沿版本、渠道、玩家分层和关键路径持续追问,更快把数据转化为下一步产品与增长动作。
过去,每换一个月份或渠道,必凡的分析师都要重新整理 SQL 和表格,再画一遍回收曲线。现在,借助 AE-CLI 取数和脚本计算,这套分析被做成了覆盖四个项目的回收看板,按周生成并送到飞书群。负责人打开链接,就能对照各渠道的实际累计 ROI 和保守、正常、乐观三版回收预估。
看板发出当天,投放负责人便用实时数据独立跑模型,对照前一期预估复核回收判断。业务负责人看到其中一个渠道组合存在回收风险,也提出要专项复盘该组合的回收模型。

在必凡,巡检发现的异常会进入日会、周会的行动项。在安排下一步工作之前,制作人和策划还要看清:付费、活跃、留存等变化,发生在哪个模块、哪个分层,是否值得继续追查。
过去,团队逐张打开报表、对比数据,每个项目每天需要投入约 20–30 分钟。现在,Agent 通过 AE-CLI 批量取得报表数据,按团队设定的规则检查,只把异常整理成简报发到飞书项目讨论群;没有异常,就不额外出报告。
巡检方案也在持续迭代。一个项目纳入检查的指标,从早期的 24 项增加到后续版本的 67 项。

例如版本数据下滑时,团队会从简报中的可疑项出发,按版本、渠道或用户分层继续核对,再对照版本发布记录查找相关改动,安排修复优先级。简报给出了讨论的起点,制作人和策划可以把精力用在追查原因、判断该先处理什么上。
一条日常工单里,玩家反馈:早上 8:19,活动还显示剩余 4 小时 42 分;到了 8:37,入口却消失了。研发需要查清这段时间里客户端和服务端分别发生了什么。
必凡已有的 Bug 排查机器人,能够查询服务端日志、代码和活动配置。但要知道玩家在客户端上报过哪些事件,过去还需要人工到数据后台查找、筛选。
接入 AE-CLI 后,机器人可以按玩家和时间范围查询客户端事件,把这部分记录补进原来的排查过程,与服务端日志、活动配置交叉核对。

这次工单的后续排查中,客户端上报的活动启动时间与服务端开启时间能够对应;入口消失之前,还出现了会话离开和重连超时。研发由此有了继续检查断线重连后客户端状态、入口刷新逻辑的线索。
客服、运营提交玩家反馈后,研发可以按玩家和时间范围复查事件记录,再与服务端信息核对。后续沟通有了具体的记录和排查线索,团队也能据此收窄排查范围。
必凡最初由一个人试用 AE-CLI,后来逐步推广到多个项目组。如今,20–30 人已经用起来,制作人、策划、研发、运营和分析师都在其中。
必凡把高频场景提前做成模板,让团队成员可以从自己的业务问题入手,不必先学命令。
团队把验证过的分析方法整理成可复用的 Skill,换个项目可以接着用。前期摸索的经验,也就留在了团队里。
周报要用的数据,其实有一部分已经算好了。借助 AE-CLI 梳理一个项目的数仓时,必凡的分析师找到了日活、留存、付费构成等指标的现成结果表,便把这些表接进周报,减少逐个模块重新写 SQL 的工作。
过去,取数、出图和修改文字分开进行,容易出现“图是新的,结论还是上期的”。现在,分析师按需生成周报、月报时,图表和按规则生成的短结论都来自同一份计算结果,随新一期报告一起更新,减少了分别修改图表和文字的反复。
过去,口径不一致往往要到会上对不上数才被发现。同样一句“付费率”,有人按新增用户算,有人按活跃用户算。
必凡把关键口径整理进知识库,先确认定义再取数,把口径核对放在业务讨论之前。

日常查询由发起人先核对结果量级,关键结论再请数据团队复核。复杂口径、多表关联的查询,继续由专业人员支持。最终决策由制作人、投放负责人作出。
把 AI 用进日常工作,需要对新技术的好奇,也需要对业务的耐心。
必凡愿意把这两件事放在一起:从实际问题出发检验工具,再把摸索出的经验整理成团队能够沿用的方法。这份认真,让 AI 的使用与团队对产品、玩家的理解有了更深的结合。
对于游戏企业,团队的判断力也需要这样积累。更多人的观察能够被数据验证,一个项目的经验能够被其他项目借鉴,讨论问题时,就能用上更丰富的业务认识。
当数据分析平台与企业智能体真正进入业务流程,AI 的价值也就由一次分析,延伸到团队共同学习、共同判断和持续增长的过程。
未来,ThinkingAI 期待与必凡继续探索 AI 在游戏业务中的应用,让平台的分析能力与团队的业务经验结合得更深。

扫一扫,或长按识别二维码
关注艾瑞网官方微信公众号
