近期拜讀了于洋等人出的《游戲數據分析的藝術》，書中后半部分提到的一些游戲數據挖掘方法很有啟發，于是蒙發了拿公司的頁游產品數據進行嘗試的想法。

這一次的嘗試是付費道具關聯，我們很期待能找到類似沃爾瑪”尿布與啤酒“的關系。主要分為兩種關聯類型，一種是道具-道具間的關聯，譬如買了A&B的人有多少幾率會買C；另二種是細分群體道具間的關聯，譬如不同等級段位的人與同一道具間的關聯程度。

使用的工具是SPSS MODELER，采用了關聯算法中的Apriori進行規則探索。

軟件算出規則后，我們主要依據以下指標判斷規則是否“有趣”：

關聯規則的指標

在進行建模之前，我們需要對數據進行預處理，主要考慮：

1）排除長尾：該產品總共有多達四位數的付費道具，如果對每個道具都進行關聯并沒有必要。實際上20%的道具貢獻了80%的收入，而長尾部分的購買率非常低，即時分析出有趣的關聯，也并不適合做營銷組合（實際上根本過不了支持度的閾值），因此我們選擇清洗掉長尾；

2）排除運營活動的影響：有部分購買率很高的道具，可能是由于當期運營活動的影響，這部分的道具顯然應該被排除。實際的做法是對比各個道具多個月的購買率，清洗掉那些波動很大的部分；

篩選收入貢獻前80%的道具，對比多個月的數據

對經過處理的數據進行關聯，將得出以下四種類型的規則，從跑出來的結果看：

1）高支持度高置信度：這種結果當然是很理想的，但是實際上這種類型的規則絕大多數是常識性的（譬如付費打通倒數第二關的人極可能也會付費打通最后一關），或者是游戲本身的設計驅動的（譬如開了VIP的人很有可能買首沖優惠禮包）

2）低支持度高置信度/高支持度低置信度：這兩種結果從數據角度來講并不太理想，但是它對我們來說可能是有趣的。例如我們發現養成類的某些某個熱銷單品與某些非必須的養成類商品存在關聯。那么我們在運營活動中，就可以設計當用戶購買完該熱銷單品后，彈出這些關聯的商品，進行搭配推銷；又比如我們發現注冊一個月內的首沖用戶與某些產品存在較強的關聯，那么我們可以據此更科學地設計首沖優惠禮包。

3）低支持度低置信度：這種類型的規則我們可能感興趣，但是發生的概率會很低，即使運用起來做運營活動所能覆蓋的用戶可能也非常有限。

左上與右下象限的規則可能是適合落地到運營的

實際規則分布情況

上述的方法，仍是一個“采集歷史數據-分析建模-指導運營”的過程。理想情況下，上述操作中被洗掉的長尾以及那些低支持度低置信度的規則是不應被清洗的，因為程序應當能在用戶進行游戲時，便自動根據用戶的標簽來定義該用戶的類型，從而向他推送符合其特征的營銷內容，從而達到精細化運營的目的。感覺在游戲行業，對大數據的利用遠不如電商來得成熟有效，隱約覺得游戲的架構似乎不適合做這一塊，繼續探索下去的空間還有多大呢？

近期想為團隊補充一些做游戲數據分析的專業人才，但是一輪招聘下來發現專職做數據分析的人，大多數只是停留在指標體系監測的部分，真正有算法建模經驗的人不多，BI都談不上，更別提AI。懂大數據算法的人，發展前景是非常廣闊的。