​吳哲熙

本次專題以「Steam 遊戲與玩家黏著度分析」為題，看似與娛樂產業相關，但我的出發點並非來自個人的遊戲偏好，而是近年來「數位平台市場行為」以及「內容產業使用資料驅動決策」的趨勢。無論是串流影音、社群媒體、電商平台或遊戲平台，都越來越依賴用戶行為數據來制定營運策略，而玩家黏著度與內容更新頻率形成的迴圈模式，也與其他平台的使用者行為具有高度相似性。這樣的產業現象讓我意識到：以數據分析解讀內容平台的使用行為，具有高度實務價值，也具備跨產業的應用意義。

在實作過程中，我首先從資料工程面著手，透過多個資料來源蒐集大型平台公開的市場數據。Steam Store、SteamCharts、SteamDB 與 SteamSpy 雖然都屬於同一平台生態系，但其資料格式、欄位定義與可取得的資訊卻大不相同。為了整合這些異質性資料，我必須撰寫多段爬蟲與清理程式，處理 API 與 HTML 的混合資料型式，並加入防封鎖機制以確保抓取過程穩定。這段過程雖然充滿挑戰，但也讓我實際理解了資料蒐集的限制與複雜性，以及平台資料並非理論中那麼容易取得的現實狀況。

取得資料後，我使用 Python 與 JASP 進行統計分析，建立 ANOVA、相關分析與迴歸模型。結果讓我深刻體會到「市場直覺」與「統計事實」之間常常存在落差。例如，內容更新頻率、產品分類（如遊戲類型）等外在屬性，往往被市場視為重要因素，但實際分析結果卻顯示這些因素對黏著度並不具統計意義。反而是使用者行為本身特別是平均遊玩時數與回流率對黏著度的影響最明顯。

這樣的成果提供我一個重要洞察：
觀察市場不能僅靠表層特徵，而是要確實分析用戶行為資料。

此外，統計模型的不顯著結果也讓我重新反思資料分析的價值。許多企業與媒體報導常依賴類型、地區或更新頻率作為產品成功的解釋，但本研究顯示這些因素並非黏著度的關鍵。這讓我理解到，資料分析最重要的不是驗證直覺，而是揭露直覺可能忽略的變數，並從結果反向推敲背後的原因。

回顧整個專題的執行過程，我最大的收穫在於完整經歷了一次「從資料取得到模型建立」的流程。這不只提升了我在資料工程與統計工具上的熟練度，也強化了我面對真實市場資料時的應對能力，例如資料缺漏、欄位不一致、反爬蟲阻擋、異質資料整合等問題。每次遇到困難時，我都必須重新思考流程，調整程式設計邏輯，或重新審視變數定義，這些都讓我在問題解決能力上有所成長。

這次專題也影響了我對未來職涯方向的思考。資料分析在各個產業中的重要性越來越高，不論是平台營運、內容推薦、行銷決策或使用者行為研究，都依賴大量資料推動決策。透過這份專題，我更明確地看見自己在資料分析、數據邏輯推理與平台行為解析上的興趣，也開始思考未來是否往資料分析、資料科學、數位平台研究等方向發展。我希望能持續強化 Python、SQL、統計模型與資料視覺化能力，並嘗試接觸更大型、更複雜的資料集，讓自己能在資料驅動的環境中具備更高的競爭力。

這份專題不僅讓我累積了技術能力，也讓我理解市場分析與資料研究真正的價值。它不只是研究報告，而是一段讓我更確立方向、提升能力、也更貼近實務世界的經驗。我相信這份經驗會成為我未來在資料領域持續前進的重要起點。