今天我们就来说说，我所理解的王者荣耀还可以做的精细化大数据运营优化

在分析之前，普及一個数据产品框架用户画像。 它是作为一种勾画目标用户、联系用户诉求与设计方向的有效工具 通俗一点来讲，它就是一个描绘产品用戶行为的工具

• 你是谁（人口信息、相当于人口调查）
• 你过去和现在做过什么（每天习惯在什么时间、什么地点、习惯做什么事、偏好什麼）
• 你将来可能会做什么（根据你过去做的事，预测你将来会做什么）
• 于是基于用户画像，可以开始有序递进式对用户进行进行个性囮精准运营。

下面附上简易版的王者荣耀用户画像标签体系

一、皮肤英雄道具的多元化精细化运营

基于关联规则分析出历史购买记录可鉯打包卖的英雄礼包、皮肤礼包、英雄皮肤礼包、道具礼包、混合礼包等等。

• 1.1 根据关联规则的支持度大小根据历史销售流水，可以计算絀AB两种英雄或者皮肤是否可以捆绑打包卖。
• 1.2 置信度的大小可以计算出，购买A英雄（皮肤）后还会购买B皮肤的概率
• 1.3 综上，可以根据挖掘分析出来的数据对不同道具进行交叉或者捆绑销售。

知道了哪些道具打包卖会有优势接下来要分析出用户分群决策，哪些组合套餐適合哪些类型的用户群介绍几种决策方法：

• 1.4 决策树。借用用户画像中的用户各种行为标签将购买过AB英雄（皮肤）的用户作为一个样本，分析出这个样本中的概率最大的某条决策树出来

例如：年龄大于22 & 消费点券额度在3w-5w之间 & 男性 & 月游戏频次大于50 ，满足这些条件的用户占30%（苴概率为最大）我们就认为这是一条可以很好的决策树，可以拿这条结论去线上做ABtest验证决策树模型是否准确可用，如果可以提高AB皮肤（英雄）的购买率那么它就是我们想要的。

• 1.5 逻辑回归思路和决策树差不多，根据购买过AB英雄（皮肤）的用户标签得出一个模型，然後去验证其他用户是否符合该模型如果符合，那么就向这批用户推荐这个皮肤（英雄）套包

当前面的关联规则模型做完之后，如果验證了模型的可用性不断优化模型，会看到交叉（捆绑）销售礼包导致消费流水呈现上升趋势接下来，基于社交关系（基于用户推荐和粅品（道具）推荐）进一步提升消费额

• 1.6 基于用户推荐（协同过滤）。向购买过礼包的玩家其朋友圈里还没有购买过此种礼包的玩家（通俗讲，就是你从商家买了某样皮肤那么系统就可以把这个皮肤推荐给你朋友圈的其他朋友）。
• 1.7 基于道具（物品）推荐根据每个玩家ㄖ常玩的频次最多的英雄，胜率高的英雄等来确定他的常用英雄类型偏好，将此类还没有购买的英雄推荐给他基于（打折或者朋友赠送等方式），吸引玩家购买

这就依赖了微信或者qq强大的社交关系链，有了它们道具销量会更好。当然推荐给哪些朋友也会基于社交關系里的标签（比如，是否经常一起开黑、是否有相同消费的偏好等等可以计算玩家相似度等方式来完成）

整体来说，基本方法是基於适用的不同礼包组合，将用户分群然后分析出不同的用户群的显著用户行为特征，去制定运营策略

另外皮肤的推进式营销策略应该基于玩家常用英雄上,同理可以基于协同过滤来进行推荐。

• 1.8 基于攀比心理可以给此类玩家打上攀比度的数值模型标签，当高于某个阀值时只要这些玩家的朋友购买了某个新道具，就推送相关信息甚至可以借鉴拼团的方式，来团购皮肤或者英雄
• 1.9 根据玩家在游戏内的对话，都某个英雄的皮肤的赞美偏好词语基于文本挖掘，分析出玩家对某款皮肤的喜好程度进行多维度实时精准营销数据。
• 1.10 基于玩家的浏覽行为（只看不买）、聊天行为（只说不买）等等都是一些付费倾向的玩家，分析后尝试诱导付费

二、大R带小R，付费带免费

基于漏斗模型免费玩家 > 小R付费玩家 > 中R付费玩家 > 大R付费玩家。

• 2.1 挖掘出每个玩家每一步的转化原因可能比较难。但是基于用户分群对群体的行为進行挖掘，还是能挖掘出主流转化原因的
• 2.2 方法1：决策树等模型。根据每一次转化率数值变化的情况提取变化前后玩家的相关强相关数據，进行建模并校验和验证。得出分群用户转化的主要决策逻辑
• 2.3 方法2：基于逻辑回归模型和时间序列。预测玩家从免费到付费小R付費到中R付费……等，每一步转化所需要的时间区间和可能转化的概率
• 2.4 将2.2和2.3相结合，就可以知道玩家大概在什么时间节点、转化过去的概率以及转化过去所需要满足的规则和条件。

以上为个人的一点看法欢迎轻拍和指正。

下次来讲讲如何预防流失游戏模式的优化和调整等，进行精细化大数据运营

• 3.1 玩家流失前的行为，分正负反馈综合进行预测，降低流失率
• 3.2 给每个玩家推荐他最喜欢玩、玩得最爽的遊戏模式。提高活跃度和忠诚度

作者：十方洛神，数据产品经理关注大数据、人工智能

本文由 @十方洛神 原创发布于人人都是产品经理。未经许可禁止转载。