本文记录一下用大数据对游戏用户进行用户分群的想法流程。

模块名

用户分群

需求

根据用户在游戏中的信息，对用户进行分群。（重点：挖掘付费能力强的核心用户）

开发和思考流程

• 首先：根据用户的基本特征进行基本分群。（例如：在线时间 高，中，低；累计充值 高，中，低）

• 然后：根据多种基本特征 组合 或 聚合，得到最终分群结果。（例如：土豪，肝神）

具体步骤

定义标签

• 基础标签：从原始数据转化而来，通过数据分布模型得到。
• 二次标签：通过基础标签生成，由市场运营人员根据逻辑相关性组合得到。

基本流程

• 每天，每周，每月，程序自动根据动态数据聚合统计更新出基础标签的配置。（例如：通过昨日用户充值，动态计算出“充值量为 高”的用户充值范围的定义；例如更新“最近三十天总充值为 高”的定义）

• 然后，通过配置和用户数据生成用户基础标签。（例如：上一步生成的配置是“最近30天充值在12620到38291之间的用户为充值量为 高 的用户”，用户数据为“最近30天充值21321”，那么用户基础标签就多了一个“最近30天充值量：高”）

• 然后，使用者运营市场人员，通过基础标签的组合模板，定义出他们的二次标签。（例如：市场人员的“土豪”模板定义为，“最近30天充值量：巨高”，“最近30天代币消耗量：巨高”，求交得到“土豪”人群）

基础标签分组

基础标签的分组需要根据不同数值类型，建立不同的分布模型。

正态分布 Normal Distribution

• 函数表达式

• 参数 μ 平均数 σ 标准差

• 特征 对称分布

• 适用标签 用户游戏时间分布：大部分用户会是在晚上8-11点在进行游戏，此为高峰期，其他时间多为对称分布

• 曲线分布图

泊松分布 Poisson Distribution

• 函数表达式

• 参数 λ 平均数

• 特征 左倾分布，离散型数值

• 适用标签 每日用户登录次数：此值为离散分布，且低登录次数的用户显著较多 每日充值次数：此值为离散分布，且低充值次数的用户显著较多

• 曲线分布图

伽马分布 Gamma Distribution

• 函数表达式

• 参数 α 形状参数 β 尺度参数

• 特征 左倾分布，连续型数值

• 适用标签 充值总额：此值为连续分布，因为用户充值总额只会增加；且低充值总额的用户显著较多 游戏总时长：此值为连续分布，因为用户游戏时长只会增加；且低时间用户量大

• 曲线分布图

总结分组

找到合适的曲线分布图后，通过其中位数或者平均数，Q3，Q1，根据业务实际需求，可以最简单的将基础标签分类为六类: 很低，低，中，较高，高，巨高

总结

优点：方法容易理解，效果明确，满足用户自定义需求。

缺点：数据延迟时间一天，定时任务有依赖（基础标签生成任务 依赖于 模板聚合任务）

扩展点：通过基础标签的数据库，使用K-means等进行聚合生成二级标签，可自行缓慢根据业务更变动态增加函数库。