找到那些氪金大佬，然后榨干他们丨AIの特殊技能
一开服，我就知道谁是大R
郭一璞 假装发自 千代田
量子位 报道 | 公众号 QbitAI
网游，或者说，氪金手游，是一种很神奇的生态——总是由一部分大R（高额付费玩家）在养活游戏团队，而一部分零元党（免费玩家）在白嫖。
那么，锁定大R就是网游公司的重点工作任务，雇抠脚大汉冒充专属客服美眉、给大R们组织各种玩家活动见面会，都是“客户答谢”的手段。
但实际上，下载一个网游的大部分玩家都流失了，只有一少部分人才能成为大R，甚至好不容易吸引来的土豪也可能会中途卸载。
像这张图上展示的一样，大部分玩家都会很快卸载脱坑，一些哪怕是氪金玩家也会玩着玩着就弃了，只有少量玩家会持续往游戏里充钱，成为支撑游戏公司股价的中流砥柱。
那么，如何保证不在“白嫖”的玩家身上浪费精力，并且在游戏刚开服的时候提前找到那些氪金大佬，让他们贡献最多的钞票呢？
位于日本东京千代田的数据公司Yokozuna Data就研究出了一套AI方法，可以根据用户行为，在游戏刚进入市场的时候，就能找到那些未来会氪金大佬，然后通过各种活动、更新和设计，榨干他们的钱袋。
何时开始氪金？
首先，要拿现成的游戏当数据集。
这家日本公司找了两个游戏，一个是《Age of Ishtaria》，中文名可以译作《伊斯塔利亚时代》。
另一个是《Grand Sphere》，中文译名《宿命的王女与龙之骑士》，毕竟是根据日文名来的，名字又长又戏精，TapTap评分8.4分。
两个游戏的都是Yokozuna Data公司CEO的前东家出品，都是以可爱的小姐姐为主角抽卡对战游戏，追求SSR的大佬们可以尽情氪氪氪。
研究者们找到了《伊斯塔利亚时代》2015年1月至2017年2月期间的游戏数据，还有《宿命的王女与龙之骑士》2017年6月至2018年5月期间的游戏数据，包含每位玩家每日在游戏里的活动记录，比如游戏时间、游戏行为、沟通会话等。
数据集不包含新玩家，因为许多玩家手机上的游戏应用都不会保留到第二天，自然也不可能是付费用户，没有从他们身上挣钱的可能性。
因此，两款游戏中分别只有5.32%和5.30%的玩家进入了数据集中，总共30000名《伊斯塔利亚时代》的玩家，和10000名《宿命的王女与龙之骑士》的玩家，他们的数据被随机分配，30%成为了训练集，70%成为了测试集。
研究者们选取了三个影响他们是否付费主要的变量：
玩家生命周期：从注册开始，一名玩家总共玩了多少天。
等级：大部分游戏都会有的级别系统。
总共游戏时间：每位玩家在游戏里累计玩了多少个小时。
三个变量和用户是否付费息息相关。
《伊斯塔利亚时代》游戏中，玩的日子长的玩家付费比例更高：
等级越高的玩家，同样付费比例越高，几百级的玩家几乎个个都氪金：
游戏时长越长的玩家，付费比例越高，玩几千个小时的玩家基本都是付费的：
这些图上的阴影表示有95%的置信区间。
另外，如果你把付费的玩家单拎出来，就可以看到他们是在玩到第几天、第几级、第几个小时的时候开始付费的。
大部分付费玩家都是在玩这个游戏的一个月内就开始付费了：
此时，他们的等级基本都不到50级：
总共也没肝几十个小时：
毕竟，免费玩家才肝游戏，付费玩家都是直接氪的。
生存分析模型
有了数据之后，研究团队启用了生存分析模型（Survival analysis model），这也是首次使用生存分析的方法来做游戏付费用户研究。
主要用到了三种主要方法：
条件推理森林，Conditional Inference Forest
随机森林算法， Random Survival Forest
COX回归，Cox Regression
既然玩家付费状况和他们玩的天数、等级、小时数有关，那么久用这三种方法预测玩家玩的天数、等级、小时数，进而预测他们是否会付费。
通过上面的三种方法，分别预测天数、等级、小时数三个数值，得到了9个结果点阵图：
鉴于大部分玩家脱坑太快，比较小的数字点阵太密集，把它换成对数点阵图就会清晰一些：
从数据来看，无论采用的是三种之中的哪种方法，假阳性和假阴性都很低：
也就是说，通过用户行为来预测其玩一款游戏持续的日期、等级、时间，是可以通过生存分析的方法做出准确预测的，而这些玩的日子久、等级高、时间长的用户，多数都是付费的。
因此，对于一款刚上市的游戏来说，通过开服前几天内玩家们的游戏行为，就可以找到那些未来极有可能会充值付费的玩家，这样，就能做出针对性举措了。
研究者在论文中说，这种方法的确可以定位到具体玩家，基于过去行为预测未来的举动，借此来进行定制化的游戏体验。
毕竟，为了大R的感受而将游戏改版，也不是什么新鲜事。
另外，还能让游戏公司适度激励小R和零元党，促进他们的充值行为比如刺激低客单价玩家提高消费额度，或者刺激低频次消费提升消费频次。
传送门
论文
From Non-Paying to Premium: Predicting 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
- MEET2020 | 百度景鲲：AI交互正在吃掉旧产品边界，触达移动互联网盲区用户2019-12-10
- MEET2020 | 王砚峰揭秘搜狗AI技术体系：自然交互在左，知识计算在右，核心是语言2019-12-16
- MEET2020 | 旷视唐文斌：你到底给谁创造了什么样的价值？这是AI产品的灵魂拷问2019-12-17
- MEET2020 | 快手刘霁：AI基础能力决定每个公司AI的迭代和落地效率2019-12-20
相关阅读
