分享回归分析模型在游戏运营中的使用方法

当你的游戏吸引到大量玩家后，你可以开始得到丰厚的回报了。现在，你的难题是怎么让这种成功延续下去。

你必须想出接触到用户的方法，计算出那类玩家可以从推广奖励中获益。所以，现在是时候设计一个分析数据的回归模型了。

regression-analysis

简介回归分析

我不想拐弯抹角了：回归分析的知识点很多。你需要了解的是，它是一种数学方法，是由某些史上最聪明的数学家发明的，包括高斯，他用这个方法预测行星的位置——所以这不是一个简单的领域啊。但在本文中，我只谈一些基本的用法。

首先，大部分公司都很容易就得出某些比率，比如：

“23%访问我们网站的人体验了游戏。”

“5.6%的玩家在游戏中消费。”

“大部分收益来自5%的消费玩家。”

在大多数时候，这种简单的算术已经够用了。

第一课：使用最简单最实用的工具

为什么这是第一课?因为复杂的工具很容易搞砸。Feynman(注：美国物理学家，诺贝尔物理学奖获得者)曾经说过：“第一条原则是你绝对不要愚弄自己，因为你就是最容易被自己愚弄的人。”使用复杂的工具可能产生一些复杂而微妙的问题，很难预料和发现。

什么时候需要回归分析?

大多数人会想到做A/B测试——确实，这是模拟“比率”的最佳方案。你做两个测试，A和B。A导致销售额增长了5%，而B导致销售额增长了6%。所以B比A好。

但是，当你有大量相关的变量时，比率就变得很难计算了。假设你要解释为什么玩家不再玩你的游戏。你认为根据某些潜在的因素，你可以估计玩家何时会离开游戏，但你不肯定哪一个因素才是最有关系的。

例如，假设我们正在研究玩家的登录次数、游戏时长、最近离开的好友数量、他们得到的经验值和他们得到的成就数量。

用比率模拟所有这些变量可能永远也完成不了!在这些变量中，有些是离散的，但大部分是连续的。你得对它们划分成段(如，成就：1-5.6-10，11-15……)，然后对各个段分别评级。

你得给每一个变量的可能排列设定比率，并在一个大的矩阵中比较它们。该死，应该有更好的办法才是!

好吧，这时候回归模型就派上用场了。

回归分析的作用方式

我没说我是数学教师，所以让我用业余人员能理解的方式描述回归分析吧。回归模型假设所有自变量都对目标(叫作“因变量”)有一定程度的影响。

你首先必须想出一套你认为变量如何起作用的理论——这个很重要。没有这套理论，你的工作将是盲目的，你的结果可能没有任何意义!

如果你的那套理论不起作用，你可以用回归模型证实它。回归模型也可能产生否定结果，这可以防止你浪费大量时间来研究无用的或会误导你的数据。

回到我们的模型：我们假设在这些变量中，每一个都会影响玩家退出游戏。使用最普遍的一种回归分析，即普通最小二乘方(Ordinary Least Squares 简称OLS)，我们假设我们可以构造一个基本的代数方程来帮助我们决定

一名玩家是否会离开游戏。使用OLS，我们的理论用代数表示如下：

(离开的玩家) = x + (y1 * 登录次数) + (y2 * 游戏时间) + (y3 * 离开的好友数) + (y4 * 获得的经验) + (y5 * 成就数)

这正是计算机可以马上解决的代数题。

首先，我们要让数值团队的人提供给我们一些信息。但在此之前，我必须提醒你，我们得到的数据样本必须是公正的、有代表性的，这一点极其重要。

新手常犯的错误是说“我想知道是什么导致玩家离开游戏，所以我们要对所有离开的玩家做一个报告。”这太糟了，因为它导致了选择性偏差。

避免选择性偏差的方法是假设你事前并不知道研究的结果。假设你一无所知，问你的数值团队成员，

“你可以做一份报告吗?让我知道七月份时，所有玩家的登录次数、游戏时间、离开的好友、获得的经验和成就。这份报告应该只包含7月1日之前就开始玩游戏的玩家，应该排除在7月份离开的玩家。哦，再增加一列a 1，表示在8月的第一周离开的玩家，或者a 0表示没有离开的。”

原因是，这个询问达到了以下三点要求：

1、与这个数据有关的所有玩家都有相同的测量值。与这个研究有关的所有玩家都运用了一整个月的数据。

2、因变量“在8月份离开”完全与自变量分离。

3、理想情况下，我们会得到大量的结果序列。我们获得的序列越多，我们借助回归分析软件来理解变量的效果就越好。

现在我们可以开始了。我假设你得到的报告就像这样：

第一个数字表示登录次数，第二个表示游戏时间(分钟)，第三个表示离开的好友数，第四个表示获得的经验，第五个表示成就，最后一个如为1表示玩家离开，如为0表示玩这未离开。

然后，我们需要一款用于回归分析的软件。

回归分析软件

假设你或公司财政状况良好，那就购买统计分析软件、Stata或Mathematica吧。什么，不会用?让你的公司送你再上一次大学吧!

至于我们其他人呢，这里有一款非常实用的软件叫作“GRETL”。对于想学习的人来说，这款软件正好用。你可以下载这款软件分析我刚才给出的测试数据。

先把数据报告保存成CSV格式，然后启动GRETL。选择File | OPEn Data | Import | text/CSV。指定数据分隔符，然后选择文件。

GRETL突然问你：“你需要给数据添加时间序列或面板解释吗?”我们现在选择否，因为时间序列和面板是另一节课的内容，可能不算是入门级的东西。再者，即使我的问题可能很复杂，我也会尽量先把它模拟成简单的模型，除非简单的失败了，我才尝试更复杂一点的模型。

你现在应该可以看到以下页面，其中有7个变量，包括自动产生的常量(基本上是一列数字)。

gretl1

现在我们开始模拟了!从主菜单中选择Model | Ordinary Least Squares。我们现在必须告诉Gretl我们的理论。对于因变量，选择“Cancelled_”;对于自变量，选择其他的任何选项，然后点击OK。

你应该会看到如下页面，其中有大量文本和复杂的数字。我们怎么理解这些东西呢?

gretl2

对于初学者，从表格中你应该看到两点。第一，每一行数字旁边的小星号的作用是，提示你哪一行变量是最有用的——星号越多，表示越有用。

第二，看到这句“p-value was highest for playtime”。这是提示你应该忽略图表中的哪一个变量。此时，数学告诉你，游戏时间不重要——我们不能根据游戏时间判断玩家是否打算离开游戏。

总之，任何P值接近1(或没有星号)的变量都应该从模型中除去。

为什么?我不知道;这就是你的理论派上用场的地方。可能是，有些人在决定是否离开很犹豫，所以频繁登录，反之，有些人离开得就很干脆，甚至把网站都忘记了。除非你开始做一些该领域的开创性研究，否则你不会知道这些的。这就是要拿给游戏设计或社区经理的东西!最后，你可能会发现一些有趣的东西，比如，有两种不同的游戏时间，只有一种能正确地提示玩家退出游戏的打算。但现在，我们还是忽略这个有缺陷的变量，继续往下看。

排除不和谐的变量后，再次运行模型，从主菜单中选择Test | Omit Variables，然后选择忽略“playtime”和“exPErience gained”，点击OK。你会看到如下页面：

gretl3

现在你已经得到一个很棒的模型了，其中的变量都是真正有用的。每个变量都有一个真正的低P值。你设计的代数公式其实是：

(离开的概率) = 1.31132 – (0.0470642 * 登录次数)+ (0.0567763 * 离开的好友数)– (0.0795353 * 成就数)

所以我们怎么在实际中运用这个公式呢?我们来看看用曲线表示的公式的结果。从主菜单中选择Graphs | Fitted， plot | Actual vs Fitted。你看到的图像如下：

gretl4

你的模型显示了确实离开的玩家得分是0.6或更高，留下来的玩家是0.4或更低。根据这个模型，你可能想开展推广优惠活动或提供赠品给那些得分高于0.6的玩家——如果该玩家过去有大量消费的记录，也可以给他确实不错的东西鼓励他继续游戏。

总结

这就是利用回归分析能做的事。我想鼓励大家多学习，但坦白说，回归分析的某些部分确实很难学也很难教。

广州注册公司查询

工商税务注册代理

代理记账财务公司

广州工作签证移民

中山注册公司要求

广州注册公司代理注册