利用R語言對游戲用戶進行深度挖掘

隨著游戲市場競爭的日趨激烈，在如何獲得更大收益延長游戲周期的問題上，越來越多的手機游戲開發(fā)公司開始選擇借助大數(shù)據(jù)，以便挖掘更多更細的用戶群、了解用戶習(xí)慣來進行精細化、個性化的運營。游戲行業(yè)對用戶的深度挖掘一般從兩方面著手：

一方面是用戶游戲行為的深度分析，如玩家在游戲中的點擊事件行為挖掘，譬如說新手教程中的點擊事件，我們一般選擇最關(guān)心的點擊事件（即關(guān)鍵路徑）進行轉(zhuǎn)化率的分析（統(tǒng)計每個關(guān)鍵路徑的點擊人數(shù)或次數(shù)），通過漏斗圖的展現(xiàn)形式就可以直接看出每個關(guān)鍵路徑的流失和轉(zhuǎn)化情況。漏斗圖適合于單路徑轉(zhuǎn)化問題，如果涉及到多路徑（點擊完一個按鈕后有多個按鈕同時提供選擇）情況時，可以使用路徑分析的方法，路徑分析更加基礎(chǔ)、更加全面、更加豐富、更能真實再現(xiàn)玩家在游戲中的行為軌跡。

另一方面是對用戶付費行為的深度挖掘。付費用戶是直接給公司創(chuàng)造價值的核心用戶群，通過研究這批用戶的付費數(shù)據(jù)，把脈其付費特征，可以實現(xiàn)精準推送，有效付費轉(zhuǎn)化率。

Part 1：路徑分析

總體來說，路徑分析有以下一些典型的應(yīng)用場景：

可以根據(jù)不同的應(yīng)用場景選擇不同的算法實現(xiàn)，比如利用sunburst事件路徑圖對玩家典型的、頻繁的模式識別，利用基于時序的關(guān)聯(lián)規(guī)則發(fā)現(xiàn)前后路徑的關(guān)系。

最樸素遍歷法是直接對主要路徑的流向分析，因此最直觀和最容易讓人理解。

1）當用戶行為路徑比較復(fù)雜的時候，我們可以借助當前最流行的數(shù)據(jù)可視化D3.js庫中的Sunburst Partition來刻畫用戶群體的事件路徑點擊狀況。從該圖的圓心出發(fā)，層層向外推進，代表了用戶從開始使用產(chǎn)品到離開的整個行為統(tǒng)計；sunburst事件路徑圖可以快速定位用戶的主流使用路徑。靈活使用sunburst路徑統(tǒng)計圖，是我們在路徑分析中的一大法寶。

在R中，我們可以利用sunburstR包中的sunburst函數(shù)實現(xiàn)sunburst事件路徑圖，通過 install.packages("sunburstR")命令完成安裝。我們以sunburstR包中自帶的visit-sequences.csv數(shù)據(jù)集為例進行演示，用sunburst函數(shù)繪制sunburst事件路徑圖。

可見，當我們選中某條路徑時，其他路徑顏色變暗，圓圈中的數(shù)字表示選中路徑的人數(shù)（或次數(shù)）在總?cè)藬?shù)（或次數(shù)）的占比。右上角是圖例，不同顏色代表不同的點擊事件。左上角是我們選中的事件路徑流向。

2）我們可以利用基于時序的關(guān)聯(lián)規(guī)則來研究玩家的點擊情況。目的是想找出玩家點擊玩牌前一部分的點擊情況。在R中，可以使用arulesSequences包中的核心函數(shù)cspade實現(xiàn)。此分析的關(guān)鍵是如何將普通數(shù)據(jù)集轉(zhuǎn)換成模型能識別的事務(wù)型數(shù)據(jù)集。

棋牌游戲玩家從進入游戲到玩牌的點擊路徑是：歡迎界面操作，大廳界面點擊操作，進入房間玩牌

現(xiàn)在統(tǒng)計某個周期內(nèi)該款棋牌游戲的玩家點擊事件數(shù)據(jù)，先查看前六行情況：

第一列是玩家id，第二列是玩家點擊按鈕的順序，第三列是點擊事件ID（其中11034表示點擊開始玩牌按鈕，其他ID表示點擊“個人信息”、“房間列表”、“好友列表”、“halltool”四大板塊的按鈕）。

接下來，我們可以利用as函數(shù)將數(shù)據(jù)類型轉(zhuǎn)換成事務(wù)型數(shù)據(jù)，結(jié)果如下所示：

利用arulesSequences包中的cspade函數(shù)實現(xiàn)cSPADE算法。由于要找出所有到達開始打牌的路徑，所以將支持度閾值support設(shè)置為0，且欲返回點擊開始打牌和前一次的點擊事件，即返回序列的數(shù)據(jù)項數(shù)最大為2，所以maxlen被設(shè)置為2。

然后使用sort函數(shù)將myrules按照支持度的數(shù)值進行降序排序，并設(shè)置規(guī)則表達式，篩選出序列中最后一個數(shù)據(jù)項為{click=11034}的序列。

序列2中的<{click=11008},{click=11034}>表示點擊行為順序是從11008(從新手場進入玩牌房間)到11034(開始玩牌),支持度為0.679。

最后，篩選關(guān)鍵點擊按鈕，衡量其對11034的貢獻度。首先計算各點擊事件支持度的百分比，并使用cumsum（）函數(shù)計算支持度support的累計百分比，并把累計百分比達到75%以上的點擊事件作為引導(dǎo)用戶點擊玩牌11034的重要事件觸發(fā)點。并利用recharts包的echartr函數(shù)繪制垂直的金字塔圖。

主要結(jié)論：11008是為按鈕11034的點擊貢獻最大的引流按鈕，support占比為19.5%，接近全部引流按鈕的五分之一。

Part 2：付費用戶深度挖掘

針對游戲付費用戶常用的深度挖掘手段如下圖所示：

LTV預(yù)測法是根據(jù)玩家的前期付費能力預(yù)測未來一段時間的用戶生命周期價值，這在市場做廣告投放時候有很大的參考意義。玩家物品購買的關(guān)聯(lián)分析和社群發(fā)現(xiàn)，可以發(fā)現(xiàn)不同物品間的關(guān)系，從而可以進行物品捆綁銷售策略的建議?；谕婕椅锲返闹悄芡扑]是利用物品的協(xié)同過濾方法對每一個玩家的購物可能進行推薦，從而實現(xiàn)個性化推薦，這個在現(xiàn)在的電商、互聯(lián)網(wǎng)是非常流行的做法。

從數(shù)據(jù)庫中導(dǎo)出一份關(guān)于玩家物品購買數(shù)據(jù)，包括用戶id、商品名稱和購買數(shù)量三個變量。前六行如下：

1）現(xiàn)在，希望利用arules包中的apriori算法對上面的數(shù)據(jù)進行關(guān)聯(lián)規(guī)則發(fā)現(xiàn)。此時，需要把數(shù)據(jù)轉(zhuǎn)化成事務(wù)型數(shù)據(jù)。代碼如下：

現(xiàn)在，可以利用aurles進行關(guān)聯(lián)規(guī)則分析和利用aurlesViz包進行規(guī)則可視化。

由圖可知，{超值大禮包} & {新手禮包}說明這兩條規(guī)則的提升度最大；{解鎖滑板} & {限量版角色}圓圈最大，說明這兩條規(guī)則的支持度最大。

2）最后，讓我們用recommenderlab對玩家購買道具進行智能推薦。在構(gòu)建模型之前，我們需要將數(shù)據(jù)轉(zhuǎn)換為評分矩陣。

選擇IBCF建立推薦模型，對玩家進行top3推薦。

從上面的分享可知，我們在做數(shù)據(jù)分析建模之前，數(shù)據(jù)轉(zhuǎn)化處于非常重要的地位。如何把原始數(shù)據(jù)轉(zhuǎn)化成模型可以識別的數(shù)據(jù)，需要大家平時的經(jīng)驗積累。以上內(nèi)容是在第九屆中國R語言會議的分享內(nèi)容。也是明年初將要出版的《R語言游戲數(shù)據(jù)分析》一書關(guān)于用戶分析的部分內(nèi)容。