遊戲公司為了解用戶的喜好，並提供他們想要的內容，需要經常對用戶的行為進行分析。不過，韓國用戶分析AI服務商在一次演講中表示，由於遊戲開發者們會認為「這是我製作的遊戲，所以我比誰都了解這個遊戲」，所以在分析用戶行為時，常常會產生兩個錯誤——「辛普森悖論」和「倖存者偏差」。
因為，即使是在同一款遊戲中，既有比其他人更重視遊戲內排名的用戶，也有比起競爭、認為用包裝角色更有價值的用戶，情況多樣。因此，詳細的數據分析是很重要的。
第一個錯誤「辛普森悖論」：在某個條件下的兩組數據，分別討論時都會滿足某種性質，可是一旦合併考慮，卻可能導致相反的結論。
假設有一款名字為A的遊戲，為把握遊戲A今後的發展方向，分析留存率圖表是非常重要的事情。但在這裡，如果只分析下圖中兩類用戶的流失曲線，就很容易發生辛普森悖論。
如下圖，隨著時間的推移，兩類用戶在慢慢流失，呈現出了不同的曲線。如果只根據這兩類玩家的流失數據制定對策，就會顯得缺乏針對性。
因為，如果按照消費習慣對用戶進行細分，可以看出每個分類下用戶的流失曲線都有著明顯的差異。因此，如果開發者能更全面一些，對用戶進行更細化的劃分，可以更容易地了解不同類型的用戶不喜歡什麼，以及為防止流失應該採取什麼方法。
第二個錯誤是「倖存者偏差」：經過某種篩選而產生的結果，但沒有意識到篩選的過程，因此忽略了被篩選掉的關鍵信息，進而得出錯誤的結論。
最具代表性的案例就是二戰時，安全返回的戰鬥機的機翼和機尾處有很多彈痕，英美軍方決定哪裡彈痕多就加固哪裡。然而，一個統計學家力排眾議，指出應該注意彈痕少的部位，因為要把在戰鬥中未能存活下來的飛機也包含在內。
分析遊戲時也很容易產生「倖存者偏差」的錯誤。很多人認為「把水平一般高的用戶喜歡使用的角色推薦給新手是不是更好」，但實際上並不全是這樣。因為，他們收集遊戲上線第一天流失玩家的資料，以及遊戲上線一段時間後流失的「水平一般高的玩家」的資料，對比後發現，這兩類玩家對角色的取向顯示出了完全相反的結果。
因此，分析用戶數據，尤其是留存玩家的數據時，不僅要從時間的角度，還要從其他角度分析留存玩家的取向和流失玩家的取向，以對遊戲進行更好的調整。