关联分析在游戏行业中应用案例

1.数据探索(1)购买一次的用户比例为74%，购买二次的用户比例为16%，只有约10%的用户支付三次以上。从图中可以看出，支付一次用户的支付金额约为47%，支付二次用户的支付金额约为23%，支付两次以上用户的支付金额约为30%（其中三次支付占12%）。(2)道具分析(TOP15)可以看出，60颗钻石、双倍杨桃、3000杨桃在所有道具购买中所占比例最大，分别为:24.41%、17.63%、16.70%(合计:58.74%)。可以看出，购买60颗钻石、双倍杨桃和3000颗杨桃的人数在所有道具中所占比例最大，分别为：29.72%、26.38%、22.55%(合计:78.65%)。可以看出，道具中双杨桃的收入比例最大(28.75%)，其次是60颗钻石(11.93%)，3000杨桃、刀刃、VIP等。2、从以上数据可以看出，用户的支付习惯具有以下特点：（1）用户一次购买比例最大，二次购买。(2)购买一次的用户对收入贡献最大，也是产品收入的中间力量。(3)从购买道具的角度来看:60钻石、双杨桃、3000杨桃是最受欢迎的道具，购买人数和次数最多。（4）从购买金额来看：双杨桃的购买金额最大，远高于其他道具的购买金额，但60颗钻石、双杨桃和3000颗杨桃的购买数量最多。由此可见，道具的价格差距是显而易见的。总之:为了增加收入，可以想办法让购买一次的用户再次消费，降低一次消费者的比例，增加二次消费者的比例。提供用户的付费次数可以进一步提高付费用户对游戏的忠诚度，从而提供付费用户的活动，降低付费用户的损失率（损失成本过高）。利用道具之间的相关性，我们可以向购买道具A的用户推荐购买率最高的道具B，从道具的角度出发，粒度相对较细。3、道具相关性分析概述：通过数据挖掘的相关性分析方法，我们可以知道道具之间的相关性（每个规则都有相应的概率大小），但最终规则不一定具有真正的意义和价值。规则的合理性需要业务侧的筛选和判断。每个规则都有相应的概率来支持。概率越大，规则的真实性越可靠。原理(可以不看，举例作为理解)：关联分析是在大规模数据集中寻找有趣关系的任务。这种关系有两种形式:1。频繁收集(frequencyitemsets)：一些元素的集合经常同时出现。2.关联规则(associationrules):这意味着两个（或多个）元素之间有很强的关系。以下是上述两个概念的例子：表1来自HoleFods天空食品店的简单交易清单交易号码商品0豆奶、生菜1生菜、尿布、葡萄酒、甜菜2生菜、尿布、葡萄酒、橙汁3生菜、豆奶、尿布、葡萄酒4生菜、豆奶、尿布、橙汁频繁收集是指经常出现在一起的元素收集，上表{葡萄酒、尿布、豆奶}是频繁项集的一个例子。也可以像“尿布”一样找到–>“葡萄酒”的相关规则意味着如果有人买尿布，他们很可能也会买葡萄酒。也可以像“尿布”一样找到–>“葡萄酒”的相关规则意味着，如果有人买尿布，他们也可能买葡萄酒。通过使用频繁的项目集和相关规则，企业可以更好地了解客户的消费行为，因此大多数相关规则分析例子来自零售业。要回答上述问题，最重要的是理解两个概念：支持和可信度。支持：项集的支持(support)该集的记录占总记录的比例。从表1可以看出，项集{豆奶}的支持度为:4/5;在5个交易记录中，3个包括{豆奶和尿布}，因此{豆奶和尿布}的支持度为3/5。可信度或可信度(confidence)：它是针对{尿布}等一个–>定义了{葡萄酒}的相关规则，该规则的可信度定义为：“支持({尿布，葡萄酒}/支持({尿布})”。表1中可以发现{尿布，葡萄酒}的支持度是:3/5，{尿布}的支持度是:4/5，所以相关规则是“尿布”–>葡萄酒的可信度为：3/4=0.75，这意味着该相关规则适用于所有包含“尿布”的记录中75%。表1中可以发现{尿布，葡萄酒}的支持度是:3/5，{尿布}的支持度是:4/5，所以相关规则是“尿布”–>葡萄酒的可信度为:3/4=0.75，这意味着相关规则适用于所有包含“尿布”的记录中75%的记录。算法应用:环境:linux python。参数：支持（minSupport）、置信度（minConf）。参数说明：minSupport、minconf参数的大小与最终相关规则的结果数量有关。参数值越大，规则越严格。由于上述用户购买次数可以看出，一次购买的用户占70%以上。也就是说，超过70%的用户只购买道具。在这种情况下：支持（minSupport）值不可能很大(低于10%)，如果太大，最终不会有频繁的项集，然后就不会有最终的相关规则。因此，我们可以让支持（minSupport）更小的值，让置信度（minConf）为了获得最终的相关规则，价值更大。因此，我们可以让支持（minSupport）更小的值，让置信度（minConf）为了获得最终的相关规则，价值较大。(1)minSupport=0.05，minConf=0.2。规则(购买道具A会购买道具B)概率(可信度)VIP—–>双杨桃0.5108837522说明:这里的支持度是5%，信誉度是20%。最后，一条规则是用户购买VIP后购买双杨桃的可能性。然后我们调小minSupport的值得到以下结果。（2）minSupport=0.01，minConf=0.2。规则概率(置信度)125钻石—->60钻石0.7085430377—–>双倍杨桃0.51008372300钻石—–>0.429424709211节日礼包—->0.34025758205神秘礼包—->刀刃0.334025758205300钻石—–>125钻石0.295504558315125钻石—–>300钻石0.2974683544312000杨桃—>刀刃0.290452499408300钻石—->刀刃0.230430682175300钻石—–>125钻石，60钻石0.2463727—–>300钻石，60钻石0.248101265823结果可见最终相关规则数量较多，概率的大小也不同，但VIP—–>双杨桃这一规则一直存在。结论：根据数据挖掘的相关规则，我们可以获得一些购买道具的相关规则。我们可以根据最终规则推广活动，从而降低一次性付费用户的比例，增加二次或多次付费的比例，进一步增加收入。结论：根据数据挖掘的相关规则，我们可以获得一些购买道具的相关规则。我们可以根据最终规则推广活动，从而降低一次性付费用户的比例，提高二次或多次付费的比例，进一步提高收入。这里我们研究的是自然周数据，我们也可以研究自然月数据。