利用R语言对游戏用户进行深度挖掘
随着游戏市场竞争的日趋激烈,在如何获得更大收益延长游戏周期的问题上,越来越多的手机游戏开发公司开始选择借助大数据,以便挖掘更多更细的用户群、了解用户习惯来进行精细化、个性化的运营。游戏行业对用户的深度挖掘一般从两方面着手:
一方面是用户游戏行为的深度分析,如玩家在游戏中的点击事件行为挖掘,譬如说新手教程中的点击事件,我们一般选择最关心的点击事件(即关键路径)进行转化率的分析(统计每个关键路径的点击人数或次数),通过漏斗图的展现形式就可以直接看出每个关键路径的流失和转化情况。漏斗图适合于单路径转化问题,如果涉及到多路径(点击完一个按钮后有多个按钮同时提供选择)情况时,可以使用路径分析的方法,路径分析更加基础、更加全面、更加丰富、更能真实再现玩家在游戏中的行为轨迹。
另一方面是对用户付费行为的深度挖掘。付费用户是直接给公司创造价值的核心用户群,通过研究这批用户的付费数据,把脉其付费特征,可以实现精准推送,有效付费转化率。
总体来说,路径分析有以下一些典型的应用场景:
可以根据不同的应用场景选择不同的算法实现,比如利用sunburst事件路径图对玩家典型的、频繁的模式识别,利用基于时序的关联规则发现前后路径的关系。
最朴素遍历法是直接对主要路径的流向分析,因此最直观和最容易让人理解。
1)当用户行为路径比较复杂的时候,我们可以借助当前最流行的数据可视化D3.js库中的Sunburst Partition来刻画用户群体的事件路径点击状况。从该图的圆心出发,层层向外推进,代表了用户从开始使用产品到离开的整个行为统计;sunburst事件路径图可以快速定位用户的主流使用路径。灵活使用sunburst路径统计图,是我们在路径分析中的一大法宝。
在R中,我们可以利用sunburstR包中的sunburst函数实现sunburst事件路径图,通过 install.packages("sunburstR")命令完成安装。我们以sunburstR包中自带的visit-sequences.csv数据集为例进行演示,用sunburst函数绘制sunburst事件路径图。
可见,当我们选中某条路径时,其他路径颜色变暗,圆圈中的数字表示选中路径的人数(或次数)在总人数(或次数)的占比。右上角是图例,不同颜色代表不同的点击事件。左上角是我们选中的事件路径流向。
2)我们可以利用基于时序的关联规则来研究玩家的点击情况。目的是想找出玩家点击玩牌前一部分的点击情况。在R中,可以使用arulesSequences包中的核心函数cspade实现。此分析的关键是如何将普通数据集转换成模型能识别的事务型数据集。
棋牌游戏玩家从进入游戏到玩牌的点击路径是:欢迎界面操作,大厅界面点击操作,进入房间玩牌
现在统计某个周期内该款棋牌游戏的玩家点击事件数据,先查看前六行情况:
第一列是玩家id,第二列是玩家点击按钮的顺序,第三列是点击事件ID(其中11034表示点击开始玩牌按钮,其他ID表示点击“个人信息”、“房间列表”、“好友列表”、“halltool”四大板块的按钮)。
接下来,我们可以利用as函数将数据类型转换成事务型数据,结果如下所示:
利用arulesSequences包中的cspade函数实现cSPADE算法。由于要找出所有到达开始打牌的路径,所以将支持度阈值support设置为0,且欲返回点击开始打牌和前一次的点击事件,即返回序列的数据项数最大为2,所以maxlen被设置为2。
然后使用sort函数将myrules按照支持度的数值进行降序排序,并设置规则表达式,筛选出序列中最后一个数据项为{click=11034}的序列。
序列2中的<{click=11008},{click=11034}>表示点击行为顺序是从11008(从新手场进入玩牌房间)到11034(开始玩牌),支持度为0.679。
最后,筛选关键点击按钮,衡量其对11034的贡献度。首先计算各点击事件支持度的百分比,并使用cumsum()函数计算支持度support的累计百分比,并把累计百分比达到75%以上的点击事件作为引导用户点击玩牌11034的重要事件触发点。并利用recharts包的echartr函数绘制垂直的金字塔图。
主要结论:11008是为按钮11034的点击贡献最大的引流按钮,support占比为19.5%,接近全部引流按钮的五分之一。
针对游戏付费用户常用的深度挖掘手段如下图所示:
LTV预测法是根据玩家的前期付费能力预测未来一段时间的用户生命周期价值,这在市场做广告投放时候有很大的参考意义。玩家物品购买的关联分析和社群发现,可以发现不同物品间的关系,从而可以进行物品捆绑销售策略的建议。基于玩家物品的智能推荐是利用物品的协同过滤方法对每一个玩家的购物可能进行推荐,从而实现个性化推荐,这个在现在的电商、互联网是非常流行的做法。
从数据库中导出一份关于玩家物品购买数据,包括用户id、商品名称和购买数量三个变量。前六行如下:
1)现在,希望利用arules包中的apriori算法对上面的数据进行关联规则发现。此时,需要把数据转化成事务型数据。代码如下:
现在,可以利用aurles进行关联规则分析和利用aurlesViz包进行规则可视化。
由图可知,{超值大礼包} & {新手礼包}说明这两条规则的提升度最大;{解锁滑板} & {限量版角色}圆圈最大,说明这两条规则的支持度最大。
2)最后,让我们用recommenderlab对玩家购买道具进行智能推荐。在构建模型之前,我们需要将数据转换为评分矩阵。
选择IBCF建立推荐模型,对玩家进行top3推荐。
从上面的分享可知,我们在做数据分析建模之前,数据转化处于非常重要的地位。如何把原始数据转化成模型可以识别的数据,需要大家平时的经验积累。以上内容是在第九届中国R语言会议的分享内容。也是明年初将要出版的《R语言游戏数据分析》一书关于用户分析的部分内容。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14