从我的经验来看，数据分析更适合做归纳总结，而不太能推导出确定性因果。所以我会对每次调整都做详细记录，比如某次我将 slots 的回收率从 3% 调到 5%，在不改变波动结构的前提下，观察用户的局数、游戏时长和留存是否变化，最终关注的还是收入和 LTV 是否回正。 我的一个判断原则是：其实很多时候我们心里已经大致知道调整后的方向，AB 测试只是为了验证，并不需要“贪心”地求出最优解。测试的用户量我通常希望在 1000 人以上，测试周期也会拉到能观察同比/环比的时间，必要时记录下结果，过一段时间回看是非常关键的。

我个人在项目中一般定义短期为 2 周左右，长期大概是 2 个月。短期数据上升需要具体看哪些指标，比如流水盘子变大了，可能是牺牲了回收率；如果增长的不是核心指标，那提升就没有实质意义。比如流水涨了 100 倍但收入没变，那等于白忙活。我的方法其实很简单：凡事往“坏处”看。就算什么都不动，有时候数据也可能自然上涨，比如月初比月末普遍更活跃。所以关键还是要判断 看的是哪个数据、代表什么行为、是否具有可持续性。

我的做法相对直觉导向：深入体验项目。站在用户视角去体验你所在的赛道，去玩竞品，看看自己愿意为哪些功能付费。例如在多邻国我会愿意为多倍经验、断签补偿付费，在 Royal Match 中愿意买超级光球。我会从这些“自我感知的付费动机”出发回看自己的产品。如果从方法论的角度讲，我个人认为影响最强的普遍因子是“损失厌恶”或者说“既得利益的保护机制”。另外当然还是要熟悉自己所在的品类。比如我做 slots，会特别关注波动设计，这通常是影响玩家情绪和付费的核心因子之一。

坦白讲，我不会天天看数据——因为大部分数据不会有大起伏。除非是上线了新功能，否则我大多每月回看一次，半年做一次归档整理。我的习惯是把所有功能模块用 Excel 梳理出来，串联不同子系统的关系，观察整体流水走势。很多时候，一个小数值的改动会牵动整个系统，所以要整体观来看。至于数据陷阱，我的建议是“不要太快下判断”，让数据晾一晾，否则容易陷入 ego 思维，总觉得自己能靠参数调优把一切搞好。反而应该往“最差的情况”去设想，接受“即使调整也未必奏效”的现实。