以王者榮耀產品為例，談大數據的應用--精細化大數據運營優化。

在分析之前，普及一個數據產品框架，用戶畫像。 它是作為一種勾畫目標用戶、聯系用戶訴求與設計方向的有效工具。 通俗一點來講，它就是一個描繪產品用戶行為的工具。

• 你是誰(人口信息、相當于人口調查)
• 你過去和現在做過什么(每天習慣在什么時間、什么地點、習慣做什么事、偏好什么)
• 你將來可能會做什么(根據你過去做的事，預測你將來會做什么)
• 于是，基于用戶畫像，可以開始有序遞進式，對用戶進行進行個性化精準運營。

下面附上簡易版的王者榮耀用戶畫像標簽體系

一、皮膚英雄道具的多元化精細化運營

道具皮膚打包賣

基于關聯規則分析出歷史購買記錄，可以打包賣的英雄禮包、皮膚禮包、英雄皮膚禮包、道具禮包、混合禮包等等。

(1) 根據關聯規則的支持度大小，根據歷史銷售流水，可以計算出AB兩種英雄或者皮膚，是否可以捆綁打包賣。

(2) 簡易版的王者榮耀用戶畫像標簽體系置信度的大小，可以計算出，購買A英雄(皮膚)后還會購買B皮膚的概率。

(3) 綜上，可以根據挖掘分析出來的數據，對不同道具進行交叉或者捆綁銷售。

知道了哪些道具打包賣會有優勢，接下來要分析出用戶分群決策，哪些組合套餐適合哪些類型的用戶群，介紹幾種決策方法：

(4) 決策樹。借用用戶畫像中的用戶各種行為標簽，將購買過AB英雄(皮膚)的用戶作為一個樣本，分析出這個樣本中的概率***的某條決策樹出來。

例如：年齡大于22 & 消費點券額度在3w-5w之間 & 男性 & 月游戲頻次大于50 ，滿足這些條件的用戶占30%(且概率為***)，我們就認為這是一條可以很好的決策樹，可以拿這條結論去線上做ABtest，驗證決策樹模型是否準確可用，如果可以提高AB皮膚(英雄)的購買率，那么它就是我們想要的。

(5) 邏輯回歸。思路和決策樹差不多，根據購買過AB英雄(皮膚)的用戶標簽，得出一個模型，然后去驗證其他用戶是否符合該模型，如果符合，那么就向這批用戶推薦這個皮膚(英雄)套包。

當前面的關聯規則模型做完之后，如果驗證了模型的可用性，不斷優化模型，會看到交叉(捆綁)銷售禮包導致消費流水呈現上升趨勢。接下來，基于社交關系(基于用戶推薦和物品(道具)推薦)進一步提升消費額。

(6) 基于用戶推薦(協同過濾)。向購買過禮包的玩家，其朋友圈里還沒有購買過此種禮包的玩家(通俗講，就是你從商家買了某樣皮膚，那么系統就可以把這個皮膚推薦給你朋友圈的其他朋友)。

(7)  基于道具(物品)推薦。根據每個玩家日常玩的頻次最多的英雄，勝率高的英雄等，來確定他的常用英雄類型偏好，將此類還沒有購買的英雄推薦給他，基于(打折或者朋友贈送等方式)，吸引玩家購買。

這就依賴了微信或者qq強大的社交關系鏈，有了它們，道具銷量會更好。當然推薦給哪些朋友，也會基于社交關系里的標簽(比如，是否經常一起開黑、是否有相同消費的偏好等等，可以計算玩家相似度等方式來完成)

整體來說，基本方法是，基于適用的不同禮包組合，將用戶分群，然后分析出不同的用戶群的顯著用戶行為特征，去制定運營策略。

另外皮膚的推進式營銷策略應該基于玩家常用英雄上,同理可以基于協同過濾來進行推薦。

(8) 基于攀比心理，可以給此類玩家打上攀比度的數值模型標簽，當高于某個閥值時，只要這些玩家的朋友購買了某個新道具，就推送相關信息，甚至可以借鑒拼團的方式，來團購皮膚或者英雄。

(9) 根據玩家在游戲內的對話，都某個英雄的皮膚的贊美偏好詞語，基于文本挖掘，分析出玩家對某款皮膚的喜好程度，進行多維度實時精準營銷。

(10) 基于玩家的瀏覽行為(只看不買)、聊天行為(只說不買)等等，都是一些付費傾向的玩家，分析后嘗試誘導付費。

二、大R帶小R，付費帶免費

基于漏斗模型，免費玩家 > 小R付費玩家 > 中R付費玩家 > 大R付費玩家。

(1) 挖掘出每個玩家每一步的轉化原因，可能比較難。但是基于用戶分群，對群體的行為進行挖掘，還是能挖掘出主流轉化原因的。

(2) 方法1：決策樹等模型。根據每一次轉化率數值變化的情況，提取變化前后玩家的相關強相關數據，進行建模，并校驗和驗證。得出分群用戶轉化的主要決策邏輯。

(3) 方法2：基于邏輯回歸模型和時間序列。預測玩家從免費到付費，小R付費到中R付費……等，每一步轉化所需要的時間區間和可能轉化的概率。

(4) 將2.2和2.3相結合，就可以知道玩家大概在什么時間節點、轉化過去的概率，以及轉化過去所需要滿足的規則和條件。

【本文為51CTO專欄作者“王森豐”的原創稿件，轉載請注明出處】

戳這里，看該作者更多好文