AI的特殊技能：找到那些氪金大佬 然后榨干他们！

　　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。

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