游戏产品的改进,到底是靠策划丰富的经验,还是靠参考别的游戏做法?甚至靠拍脑袋或灵感?

从《狂暴之翼》开始,我们探索用深入的数据分析,来改进游戏前期(前4天)的各种表现,取得了一定成果,帮助提升了产品的前期体验和留存数据。

我们的做法是:
用数据来客观中立地发现游戏的各种问题,然后由厂商结合游戏制作经验来改进产品。
深极智能的游戏数据挖掘团队,聚焦用监督机器学习技术(尤其是XGBoost)来深入分析游戏的留存和付费率,给厂商提供修改意见。

取得的成果是:

使用机器学习做游戏留存数据挖掘的一种尝试

尝试应用统计学分析技术、机器学习和大数据挖掘技术,对游戏前期埋点数据进行挖掘,从中寻找游戏显著统计特征,找到流失玩家和非流失玩家的差异,试图以数据找到游戏用户流失/留存的原因。从客观数据出发来研究游戏留存数据,属探索性质,所得结果是初步和粗浅的,但相信此研究方向对于国内游戏制作量化决策的意义。
点击查看详细论文

基于机器学习的游戏付费用户特征挖掘

本文使用机器学习技术中一类监督学习技术—树提升,从一款成功的 ARPG 手机网游埋点数据中进行数据挖掘,解决基于数据的付费用户与非付费用户特征自动学习与预测问题,取得了初步成果,分享给游戏行业,意在推进网游制作决策量化与科学化。
点击查看详细论文