找到那些氪金大佬，然后榨干他們丨AIの特殊技能
一開服，我就知道誰是大R
郭一璞 假裝發自 千代田
量子位 報道 | 公眾號 QbitAI
網游，或者說，氪金手游，是一種很神奇的生態——總是由一部分大R（高額付費玩家）在養活游戲團隊，而一部分零元黨（免費玩家）在白嫖。
那么，鎖定大R就是網游公司的重點工作任務，雇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，下載一個網游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卸載。
像這張圖上展示的一樣，大部分玩家都會很快卸載脫坑，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游戲里充錢，成為支撐游戲公司股價的中流砥柱。
那么，如何保證不在“白嫖”的玩家身上浪費精力，并且在游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？
位于日本東京千代田的數據公司Yokozuna Data就研究出了一套AI方法，可以根據用戶行為，在游戲剛進入市場的時候，就能找到那些未來會氪金大佬，然后通過各種活動、更新和設計，榨干他們的錢袋。
何時開始氪金？
首先，要拿現成的游戲當數據集。
這家日本公司找了兩個游戲，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。
兩個游戲的都是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游戲，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月期間的游戲數據，還有《宿命的王女與龍之騎士》2017年6月至2018年5月期間的游戲數據，包含每位玩家每日在游戲里的活動記錄，比如游戲時間、游戲行為、溝通會話等。
數據集不包含新玩家，因為許多玩家手機上的游戲應用都不會保留到第二天，自然也不可能是付費用戶，沒有從他們身上掙錢的可能性。
因此，兩款游戲中分別只有5.32%和5.30%的玩家進入了數據集中，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，他們的數據被隨機分配，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量：
玩家生命周期：從注冊開始，一名玩家總共玩了多少天。
等級：大部分游戲都會有的級別系統。
總共游戲時間：每位玩家在游戲里累計玩了多少個小時。
三個變量和用戶是否付費息息相關。
《伊斯塔利亞時代》游戲中，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：
游戲時長越長的玩家，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游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，免費玩家才肝游戲，付費玩家都是直接氪的。
生存分析模型
有了數據之后，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游戲付費用戶研究。
主要用到了三種主要方法：
條件推理森林，Conditional Inference Forest
隨機森林算法， Random Survival Forest
COX回歸，Cox Regression
既然玩家付費狀況和他們玩的天數、等級、小時數有關，那么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：
鑒于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：
從數據來看，無論采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，通過用戶行為來預測其玩一款游戲持續的日期、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、時間長的用戶，多數都是付費的。
因此，對于一款剛上市的游戲來說，通過開服前幾天內玩家們的游戲行為，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，基于過去行為預測未來的舉動，借此來進行定制化的游戲體驗。
畢竟，為了大R的感受而將游戲改版，也不是什么新鮮事。
另外，還能讓游戲公司適度激勵小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 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 Periá?ez
https://arxiv.org/abs/1906.10320
- MEET2020 | 百度景鯤：AI交互正在吃掉舊產品邊界，觸達移動互聯網盲區用戶2019-12-10
- MEET2020 | 王硯峰揭秘搜狗AI技術體系：自然交互在左，知識計算在右，核心是語言2019-12-16
- MEET2020 | 曠視唐文斌：你到底給誰創造了什么樣的價值？這是AI產品的靈魂拷問2019-12-17
- MEET2020 | 快手劉霽：AI基礎能力決定每個公司AI的迭代和落地效率2019-12-20
