AI 的特殊技能：找到那些氪金大佬，然後榨乾他們

網遊，或者說，氪金手遊，是一種很神奇的生態——總是由一部分大R（高額付費玩家）在養活遊戲團隊，而一部分零元黨（免費玩家）在白嫖。

那麼，鎖定大R就是網遊公司的重點工作任務，僱摳腳大漢冒充專屬客服美眉、給大R們組織各種玩家活動見面會，都是“客戶答謝”的手段。

但實際上，下載一個網遊的大部分玩家都流失了，只有一少部分人才能成為大R，甚至好不容易吸引來的土豪也可能會中途解除安裝。


像這張圖上展示的一樣，大部分玩家都會很快解除安裝脫坑，一些哪怕是氪金玩家也會玩著玩著就棄了，只有少量玩家會持續往遊戲裡充錢，成為支撐遊戲公司股價的中流砥柱。

那麼，如何保證不在“白嫖”的玩家身上浪費精力，並且在遊戲剛開服的時候提前找到那些氪金大佬，讓他們貢獻最多的鈔票呢？

位於日本東京千代田的資料公司Yokozuna Data就研究出了一套AI方法，可以根據使用者行為，在遊戲剛進入市場的時候，就能找到那些未來會氪金大佬，然後通過各種活動、更新和設計，榨乾他們的錢袋。

何時開始氪金？

首先，要拿現成的遊戲當資料集。

這家日本公司找了兩個遊戲，一個是《Age of Ishtaria》，中文名可以譯作《伊斯塔利亞時代》。


另一個是《Grand Sphere》，中文譯名《宿命的王女與龍之騎士》，畢竟是根據日文名來的，名字又長又戲精，TapTap評分8.4分。


兩個遊戲的都是Yokozuna Data公司CEO的前東家出品，都是以可愛的小姐姐為主角抽卡對戰遊戲，追求SSR的大佬們可以盡情氪氪氪。

研究者們找到了《伊斯塔利亞時代》2015年1月至2017年2月期間的遊戲資料，還有《宿命的王女與龍之騎士》2017年6月至2018年5月期間的遊戲資料，包含每位玩家每日在遊戲裡的活動記錄，比如遊戲時間、遊戲行為、溝通會話等。

資料集不包含新玩家，因為許多玩家手機上的遊戲應用都不會保留到第二天，自然也不可能是付費使用者，沒有從他們身上掙錢的可能性。

因此，兩款遊戲中分別只有5.32%和5.30%的玩家進入了資料集中，總共30000名《伊斯塔利亞時代》的玩家，和10000名《宿命的王女與龍之騎士》的玩家，他們的資料被隨機分配，30%成為了訓練集，70%成為了測試集。

研究者們選取了三個影響他們是否付費主要的變數：

• 玩家生命週期：從註冊開始，一名玩家總共玩了多少天。
• 等級：大部分遊戲都會有的級別系統。
• 總共遊戲時間：每位玩家在遊戲裡累計玩了多少個小時。
  

三個變數和使用者是否付費息息相關。

《伊斯塔利亞時代》遊戲中，玩的日子長的玩家付費比例更高：


等級越高的玩家，同樣付費比例越高，幾百級的玩家幾乎個個都氪金：


遊戲時長越長的玩家，付費比例越高，玩幾千個小時的玩家基本都是付費的：


這些圖上的陰影表示有95%的置信區間。

另外，如果你把付費的玩家單拎出來，就可以看到他們是在玩到第幾天、第幾級、第幾個小時的時候開始付費的。

大部分付費玩家都是在玩這個遊戲的一個月內就開始付費了：


此時，他們的等級基本都不到50級：


總共也沒肝幾十個小時：


畢竟，免費玩家才肝遊戲，付費玩家都是直接氪的。

生存分析模型

有了資料之後，研究團隊啟用了生存分析模型（Survival analysis model），這也是首次使用生存分析的方法來做遊戲付費使用者研究。

主要用到了三種主要方法：

條件推理森林，Conditional Inference Forest


隨機森林演算法，Random Survival Frest




COX迴歸，Cox Regression


既然玩家付費狀況和他們玩的天數、等級、小時數有關，那麼久用這三種方法預測玩家玩的天數、等級、小時數，進而預測他們是否會付費。

通過上面的三種方法，分別預測天數、等級、小時數三個數值，得到了9個結果點陣圖：


鑑於大部分玩家脫坑太快，比較小的數字點陣太密集，把它換成對數點陣圖就會清晰一些：


從資料來看，無論採用的是三種之中的哪種方法，假陽性和假陰性都很低：


也就是說，通過使用者行為來預測其玩一款遊戲持續的日期、等級、時間，是可以通過生存分析的方法做出準確預測的，而這些玩的日子久、等級高、時間長的使用者，多數都是付費的。

因此，對於一款剛上市的遊戲來說，通過開服前幾天內玩家們的遊戲行為，就可以找到那些未來極有可能會充值付費的玩家，這樣，就能做出針對性舉措了。

研究者在論文中說，這種方法的確可以定位到具體玩家，基於過去行為預測未來的舉動，藉此來進行定製化的遊戲體驗。

畢竟，為了大R的感受而將遊戲改版，也不是什麼新鮮事。

另外，還能讓遊戲公司適度激勵小R和零元黨，促進他們的充值行為比如刺激低客單價玩家提高消費額度，或者刺激低頻次消費提升消費頻次。

傳送門


論文
From Non-Paying to Premiumredicting User Conversion in Video Games with Ensemble Learning
作者：Anna Guitart,Shi Hui Tan,Ana Fernández del Río,Pei Pei Chen,África Periáñez
https://arxiv.org/abs/1906.10320


作者：郭一璞 假裝發自 千代田
來源：量子位微信公眾號（ID： QbitAI）
原地址：https://mp.weixin.qq.com/s?src=11×tamp=1567131376&ver=1821&signature=3ewlo7qGb07FRDhiQtd**j3EcJVTMj3IGpJoaSHSASlQfbmJDDtpYbo*lyPn7jSlle6K6hZ1dtnMiwboQcGCGlERvGj4WsxaaVoce*273oPeWRFWd1SWNe3xh2U*aEzS&new=1