金香槟運營社群

以王者榮耀為例,談談如何進行精細化大數據運營(上)

我所理解的王者榮耀還可以做更精細化大數據運營優化。在分析之前,普及一個數據産品框架,用戶畫像。 它是作為一種勾畫目标用戶、聯系用戶訴求與設計方向的有效工具。 通俗一點來講,它就是一個描繪産品用戶行為的工具。


我所理解的王者榮耀還可以做更精細化大數據運營優化。

以王者榮耀為例,談談如何進行精細化大數據運營(上)

在分析之前,普及一個數據産品框架,用戶畫像。 它是作為一種勾畫目标用戶、聯系用戶訴求與設計方向的有效工具。 通俗一點來講,它就是一個描繪産品用戶行為的工具。

  • 你是誰(人口信息、相當于人口調查)
  • 你過去和現在做過什麼(每天習慣在什麼時間、什麼地點、習慣做什麼事、偏好什麼)
  • 你将來可能會做什麼(根據你過去做的事,預測你将來會做什麼)
  • 于是,基于用戶畫像,可以開始有序遞進式,對用戶進行進行個性化精準運營。

下面附上簡易版的王者榮耀用戶畫像标簽體系

以王者榮耀為例,談談如何進行精細化大數據運營(上)

一、皮膚英雄道具的多元化精細化運營

道具皮膚打包賣

基于關聯規則分析出曆史購買記錄,可以打包賣的英雄禮包、皮膚禮包、英雄皮膚禮包、道具禮包、混合禮包等等。

  • 1.1 根據關聯規則的支持度大小,根據曆史銷售流水,可以計算出AB兩種英雄或者皮膚,是否可以捆綁打包賣。
  • 1.2 置信度的大小,可以計算出,購買A英雄(皮膚)後還會購買B皮膚的概率。
  • 1.3 綜上,可以根據挖掘分析出來的數據,對不同道具進行交叉或者捆綁銷售。

知道了哪些道具打包賣會有優勢,接下來要分析出用戶分群決策,哪些組合套餐适合哪些類型的用戶群,介紹幾種決策方法:

  • 1.4 決策樹。借用用戶畫像中的用戶各種行為标簽,将購買過AB英雄(皮膚)的用戶作為一個樣本,分析出這個樣本中的概率最大的某條決策樹出來。

例如:年齡大于22 & 消費點券額度在3w-5w之間 & 男性 & 月遊戲頻次大于50 ,滿足這些條件的用戶占30%(且概率為最大),我們就認為這是一條可以很好的決策樹,可以拿這條結論去線上做ABtest,驗證決策樹模型是否準确可用,如果可以提高AB皮膚(英雄)的購買率,那麼它就是我們想要的。

  • 1.5 邏輯回歸。思路和決策樹差不多,根據購買過AB英雄(皮膚)的用戶标簽,得出一個模型,然後去驗證其他用戶是否符合該模型,如果符合,那麼就向這批用戶推薦這個皮膚(英雄)套包。

當前面的關聯規則模型做完之後,如果驗證了模型的可用性,不斷優化模型,會看到交叉(捆綁)銷售禮包導緻消費流水呈現上升趨勢。接下來,基于社交關系(基于用戶推薦和物品(道具)推薦)進一步提升消費額。

  • 1.6 基于用戶推薦(協同過濾)。向購買過禮包的玩家,其朋友圈裡還沒有購買過此種禮包的玩家(通俗講,就是你從商家買了某樣皮膚,那麼系統就可以把這個皮膚推薦給你朋友圈的其他朋友)。
  • 1.7 基于道具(物品)推薦。根據每個玩家日常玩的頻次最多的英雄,勝率高的英雄等,來确定他的常用英雄類型偏好,将此類還沒有購買的英雄推薦給他,基于(打折或者朋友贈送等方式),吸引玩家購買。

這就依賴了微信或者qq強大的社交關系鍊,有了它們,道具銷量會更好。當然推薦給哪些朋友,也會基于社交關系裡的标簽(比如,是否經常一起開黑、是否有相同消費的偏好等等,可以計算玩家相似度等方式來完成)

整體來說,基本方法是,基于适用的不同禮包組合,将用戶分群,然後分析出不同的用戶群的顯著用戶行為特征,去制定運營策略。

另外皮膚的推進式營銷策略應該基于玩家常用英雄上,同理可以基于協同過濾來進行推薦。

  • 1.8 基于攀比心理,可以給此類玩家打上攀比度的數值模型标簽,當高于某個閥值時,隻要這些玩家的朋友購買了某個新道具,就推送相關信息,甚至可以借鑒拼團的方式,來團購皮膚或者英雄。
  • 1.9 根據玩家在遊戲内的對話,都某個英雄的皮膚的贊美偏好詞語,基于文本挖掘,分析出玩家對某款皮膚的喜好程度,進行多維度實時精準營銷。
  • 1.10 基于玩家的浏覽行為(隻看不買)、聊天行為(隻說不買)等等,都是一些付費傾向的玩家,分析後嘗試誘導付費。

二、大R帶小R,付費帶免費

基于漏鬥模型,免費玩家 > 小R付費玩家 > 中R付費玩家 > 大R付費玩家。

  • 2.1 挖掘出每個玩家每一步的轉化原因,可能比較難。但是基于用戶分群,對群體的行為進行挖掘,還是能挖掘出主流轉化原因的。
  • 2.2 方法1:決策樹等模型。根據每一次轉化率數值變化的情況,提取變化前後玩家的相關強相關數據,進行建模,并校驗和驗證。得出分群用戶轉化的主要決策邏輯。
  • 2.3 方法2:基于邏輯回歸模型和時間序列。預測玩家從免費到付費,小R付費到中R付費……等,每一步轉化所需要的時間區間和可能轉化的概率。
  • 2.4 将2.2和2.3相結合,就可以知道玩家大概在什麼時間節點、轉化過去的概率,以及轉化過去所需要滿足的規則和條件。

以上為個人的一點看法,歡迎輕拍和指正。

下次來講講如何預防流失,遊戲模式的優化和調整等,進行精細化大數據運營。

  • 3.1 玩家流失前的行為,分正負反饋,綜合進行預測,降低流失率。
  • 3.2 給每個玩家推薦他最喜歡玩、玩得最爽的遊戲模式。提高活躍度和忠誠度。

 

作者:十方洛神,數據産品經理,關注大數據、人工智能

本文由 @十方洛神 原創發布于運營派。未經許可,禁止轉載。

題圖來自網絡

原創文章,作者:金香槟運營,如若轉載,請注明出處:http://juhua774448.cn/45715.html