2015 TFC|阿里云刘英飞：阿里云+游戏， 大有可为

　　在第十一届TFC全球移动游戏大会暨智能娱乐展上，阿里云资深架构师刘英飞受邀出席大会，并发表了题为《阿里云+游戏， 大有可为》的主题演讲。刘英飞主要介绍了阿里游戏云大数据产品——星鈄，从游戏外的用户画像，游戏内的用户行为分析两个角度介绍了这款数据分析产品，希望帮助阿里云平台上的游戏客户在游戏的整个生命周期内以精准数据为指导打造精品游戏。

　　以下为演讲实录：

　　非常高兴今天在这儿能与大家分享阿里云为游戏行业用户量身定制的大数据产品——星鈄。我今天主题叫做《阿里云+游戏 大有可为》，这个大有可为的“大”就是大数据的意思。2009年，阿里云成立;2010年阿里云自主研发的海量数据处理平台ODPS上线;2012年集团技术部做了件非常低调的事情，现在回头看来也是非常英明的决定，成立了数据事业部并将整个集团的数据统一在ODPS平台;2013至2014年大数据平台日趋成熟;2015年面向云计算通用行业最大的分支(游戏)的数据分析产品上线，应用核心技术，围绕整个游戏生命周期，帮助游戏用户提供精准的数据。

　　一句话总结下以上的数据之路，就是数据的存、通、用。之前接触过多家大型游戏厂商，也都在做一些数据存储，但是由于各种限制导致存储后的数据都是独立的，无法挖掘出更多有价值的信息。目前阿里云ODPS产品，扩展性方面，单集群有超过十万核和500TB的内存计算能力和200PB的存储能力，计算规模日吞吐量到达数十PB，而且在复杂计算方面支持多种变成框架，包括标准SQL，map/reduce和数十种数据挖掘算法。总的来说，就是做到了数据的不受限计算能力。

　　以上看似复杂的技术和能力，目前已经做到了数据开箱即用，让海量数据以最轻量的方式为阿里云客户所直接使用。今天到场的都是游戏行业的同学，下面大家一起思考一个问题，大数据能为游戏行业做什么?在前期调研，策划阶段，这款游戏针对哪个玩家群体?开发阶段，上线推广，一个玩家为什么玩到一半不玩了?运营活动，做什么活动能让大R继续充值，让小R变大R?其实核心我们都是希望去了解我们的客户，在过去，游戏的运营，策划只能通过经验和少量统计信息去了解游戏客户，而现在通过我将介绍的阿里游戏云大数据平台，你可以可以做到深入的了解你的客户。

　　在阿里云的游戏大数据平台，我们可以从两个维度来了解我们的客户，游戏内的玩家表现以及游戏外的用户画像。无论是游戏的渠道，发行还是CP，都会积累下之前游戏玩家的数据，包括设备号，充值信心，登陆信息等，但这些数据如果想做用户画像是很单薄的。今天，阿里云提供一种产品渠道将阿里数据和游戏客户的数据相匹配，产生数据的交叉反应，会产生意向不到的效果。《星鈄》是一款围绕整个游戏生命周期，帮助合作伙伴在市场调研领域、游戏研发领域、渠道推广领域、产品运营领域等提供数据分析服务的产品。主要的使用过程为玩家人群上传、生成画像、玩家人群放大、分析状况。

　　这是已经上线的《星鈄》产品的主要界面。下面这张图就是游戏外用户画像标签举例。基础的标签包括用户的性别占比，年龄段占比，省级地理位置占比等等，大家注意到，这里面只有用户的画像和占比，所以阿里云的大数据平台是在做到完全不侵犯任何阿里用户的个人隐私的前提下，做出的用户画像。

　　举个例子，原先在策划游戏时，判断游戏的目标人群主要靠策划人自身的经验。有一款游戏，初期是针对少女的游戏，最后经过星鈄的分析，发现他们真正上线后所吸引的玩家，大部分都是刚做妈妈的少妇，在定位好目标人群后更改了相应的游戏内容和活动推广，游戏留存有了大幅的提升。

　　还有很多游戏厂商做地面广告牌的投放，以前只能根据各大城市的人口密度和分布去做盲目的投放，而以后利用阿里云的星鈄产品，可以提前绘制出游戏玩家所在的城市热力图，做到广告的精准投放，扩大影响同时降低成本。

　　这是一款游戏真正拿到的报告，首先预测年龄，下一个是预测性别，再往下看我们可以看到预测职业，是工人还是白领、学生，在网上购物等行为可以很精准的推测出来，再往下看就是综合消费层级等维度的分析。

　　之上所说的是游戏之外的玩家画像。如果在游戏内部，玩家行为方式如何预测那?游戏外部的用户画像依赖于阿里集团数据的广度，而对于游戏内部的分析，拼的就是算法的精度了。

　　今天只跟大家介绍两个模型：用户流失模型、消费预测模式。目前我们做的算法，是以卡牌类游戏为基础做的。那么如何构建用户流失模型那?算法基本是这样的流程，预警指标构建、单个指标分析，建立预警模型，计算模型结果。预警指标主要从登录行为、充值行为、游戏行为、注册行为四个方面构建。核心的模型就是逻辑回归，通过客户的历史行为数据建立逻辑回归模型，用于预测客户的流失概率，进而计算总的流失率等指标，通过用户行为提醒预警并挽留运营。从下列结果可以看出：role 、upgrade 两个变量对最后解释结果比重最大，也就是说：当前周期是否建立角色与当前周期是否升级对客户流失结果最重要，从中也能发现缺少的两个变量对流失预测是十分重要的。需要提醒大家的是，以上的模型结果是随着游戏的生命周期不断变化的，也就是说在当前的卡牌周期中，影响用户流失的核心在于role、 upgrade两个维度，而在游戏做了玩法调整或者开了竞技场以后，这个维度会随时改变，通过不断的运算逻辑回归模型，运营人员可以知道当前阶段，最需要刺激的玩家维度是哪里，这个对于降低用户流失是至关重要的。

　　第二模型是消费预测模型。我们需要通过用户额消费行为分析、识别客户类型、单个客户消费预测这几部来计算。首先第一步就是用户的聚类分析，根据用户的消费习惯分析出这张图里的30类用户，这30列用户的情况都是怎样呢?大家可能最讨厌的就是13类这里，基本不消费;而最喜欢的就是第23类客户，一直在激情消费，在图中还可以发现这30个类，很多图都有一个峰值点，也就是说大多数类客户都是在某时间点上充值比较积极，然后就一直处于沉默的状态。只有极其少部分的客户会一直保持高度的忠诚度和贡献度，例如23类。聚类完以后，还可以有看到圆柱形的形态分布，可以看出第2、12类的人口占到了80%以上，从上一张图可以看出2、12类为贡献度极低的客户,但是比较重要的客户还是另外20%，因为另外的20%却贡献了80%的充值收入(二八定理)。由上面的结果得到，分析那些贡献度不到20%的那80%的人群是有点在做无用功，所以后面的预测主要放在，贡献度达到80%的那20%人群，达到事半功倍的效果。

　　核心的算法叫做RFM识别模型，时间有限，一句话总结就是通过从消费意愿-最近充值日期，消费贡献度-充值总金额，消费忠诚度-充值频率，三个维度对客户进行评测，划分。最后在去掉噪声数据后，我们的消费预测值和客户实际消费总值相差很小。

　　以上就是今天介绍给大家的阿里游戏云大数据平台的两个产品，希望无论是游戏外的用户画像，还是游戏内的玩家行为分析，都可以帮助阿里云上的游戏客户打造精品游戏，在游戏的整个生命周期内以数据为指导打造杀手级的爆款游戏。谢谢大家。