基于大数据的个性化精准营销(以王者荣耀为例)

企业动态
本篇文章主要是以王者荣耀产品为例,谈大数据的应用--精细化大数据运营优化。

以王者荣耀产品为例,谈大数据的应用--精细化大数据运营优化。

在分析之前,普及一个数据产品框架,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户行为的工具。

  • 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、偏好什么)
  • 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化精准运营。

下面附上简易版的王者荣耀用户画像标签体系

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

道具皮肤打包卖

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

(1) 根据关联规则的支持度大小,根据历史销售流水,可以计算出AB两种英雄或者皮肤,是否可以捆绑打包卖。

(2) 简易版的王者荣耀用户画像标签体系置信度的大小,可以计算出,购买A英雄(皮肤)后还会购买B皮肤的概率。

(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,哪些组合套餐适合哪些类型的用户群,介绍几种决策方法:

(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***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%(且概率为***),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。

(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,然后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,如果验证了模型的可用性,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(基于用户推荐和物品(道具)推荐)进一步提升消费额。

(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)。

(7)  基于道具(物品)推荐。根据每个玩家日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,也会基于社交关系里的标签(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,基于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。

(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。

(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。

(10) 基于玩家的浏览行为(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。

(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,对群体的行为进行挖掘,还是能挖掘出主流转化原因的。

(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据,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。

(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付费到中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。

(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。

【本文为51CTO专栏作者“王森丰”的原创稿件,转载请注明出处】

戳这里,看该作者更多好文

责任编辑:赵宁宁 来源: 51CTO专栏
相关推荐

2017-09-15 10:36:41

大数据贫困学生资助

2013-01-04 09:41:11

云计算个性化精准促销Me Marketin

2015-11-09 10:12:08

大数据个性化推荐

2017-09-07 16:39:19

互联网

2015-02-02 09:38:39

Teradata个性化营销

2018-05-14 12:48:04

大数据销售企业

2013-06-26 10:25:46

云计算大数据

2014-02-10 09:21:25

大数据

2016-11-08 13:03:56

大数据小数据Dysart

2013-06-28 10:08:49

云计算大数据个性化

2013-07-03 13:58:42

营销

2016-09-29 12:09:47

大数据搜索个性化服务

2017-07-24 09:18:29

大数据设计UX

2020-06-28 07:00:00

推荐系统智能商务服务平台

2013-01-08 10:21:13

2018-10-25 14:21:22

Oracle数字化助手

2009-03-02 16:57:34

LinuxUbuntu配置完全方案

2022-11-01 07:19:45

推荐系统非个性化

2011-06-30 12:37:42

百度广告管家

2015-04-17 15:36:50

Teradata数字化
点赞
收藏

51CTO技术栈公众号