挖掘手机网游留存率的因子——社交

投稿者：中山大学大数据俱乐部，36大数据专稿，转载必须标明作者和来源。

借助社交网络，手机网游已经带我们走入全民游戏的时代。聪明的游戏制作商就不仅只运用社交网络平台进行游戏分享，而是更多地在游戏内的社交系统下苦功。所以，一款精品游戏的社交系统是其留存率的重要保证。那么，从游戏运营的角度看，挖掘手机网游的社交网络是一件有趣的事。

研究社交网络的主题有很多，其中最热门的话题就是找关键节点，我们希望在Facebook或微博中找到某些流行词传播的关键节点，研究这些关键节点在传播路径中担当的角色，从而挖掘出有趣的规律。然而，这种想法在手机网游的社交中也是很受启发的。游戏运营部门千方百计想提升留存率，但是通过无数次“试错”的试验中才得以提升区区几个百分点，这无疑很伤士气。如果我们能重现手游玩家的社交网络，从手游后台数据分析中找出关键玩家，并对该游戏的阶段留存率进行对比分析，从而对这些关键玩家进行个性化管理，这样或许能够提高运营部门的效率以及某款手游的留存率。

找出社交性关键玩家的探讨

在挖掘手机网游背后的社交网络时，最重要的是构建合适的社交网络将玩家的属性信息和行为信息结合起来。属性信息，是指玩家在游戏中的身份和定位，例如玩家的职业，参与的部落，公会的职务等。行为信息，顾名思义是记录玩家在游戏中的行为的信息，例如玩家的交易活动，玩家参与活动信息，或者玩家升级信息等。实际上，玩家的属性信息一般都是通过玩家在游戏中的行为产生的。显而易见，只有玩家加入公会才能获得公会的身份。

为了叙述清楚构建网络的思路，我们尽可能地简化模型。假设属性信息只有3个：好友列表，所属部落（公会），所属联赛（服务器）；行为信息只记录交易信息，对部落的贡献，在联赛的对战。由于我们想通过描绘玩家间的关系从而得到整个网络，所以还需将上述的假设信息转化为两两玩家的相对信息。当两个玩家互为好友或属于同一部落（公会）或者所在同一联赛（服务器），则认为该两个玩家之间的关系可以度量。接着，计算所有可以度量的玩家关系的紧密程度，更确切地说是玩家间的影响度。由于在游戏的社交网络中，玩家间的关系一般是不对称的，所以玩家间的影响关系也应该是有向的。

例如，从A和B的属性信息中查找得知A与B处于同一个部落，则可以计算用户A对用户B的影响度。从A，B的行为信息中查询两者的行为交集：交易，部落组队战斗，则计算出A对B的影响度：

这样的计算方法的思想很简单，可以延伸到其他更复杂的游戏行为上。例如在部落冲突中，部落组队战斗可以细化为“捐兵”和“收兵”，这两种行为也都可以用类似的方法来度量玩家间的影响度。

最后将每个玩家的影响度进行求和，得到其在整个游戏里面的社交影响度，简单排序便可以得到真正得到游戏运营关注的“社交性关键玩家”。

如何照顾社交性关键玩家

手机网游不同于端游和页游，手机网游的运营拓展渠道也是有独特的优势，个性化推荐就是其一。以前只着眼于不断试错的挽留玩家，现在游戏运营对于关键玩家的跟踪不再显得有心无力了。针对沉默7日的关键玩家，利用社交性诱导进行个性化推荐是个不错的选择，或是针对关键玩家的流失分析，从而准确地对游戏进行更新修复。

另一方面，充分利用好已经构建的社交网络，通过影响力大的玩家来引导沉默玩家。例如：C玩家已经沉默3日，根据社交网络找到对C玩家影响度最大的玩家D，并统计C与D行为交集中最高频率的游戏行为，于是个性化推送信息给C：你的好友D又寂寞了！：）

当然，不同且更精准的照顾方式也可通过分析该游戏的相关数据得到，而且我们不但可以利用沉淀数据分析玩家流失的原因以及倾向，还能够利用反馈数据来调整我们对整体玩家及个别社交性管家玩家挽留策略的正确与否。限于本文章定位在浅谈范畴，在此就不做深入探讨，但欢迎更多的数据分析爱好者可以进行深入探讨，共同挖掘出潜藏在手游数据中的金子。

本文由中山大学大数据俱乐部授权36大数据网发表，并经36大数据编辑。转载此文章须经作者同意，并请附上出处(36大数据)及本页链接。原文链接http://www.36dsj.com/archives/18855

End.

36大数据是一个专注大数据、大数据技术、大数据应用案例和数据可视化的科技网站。从数据角度出发，讲述大数据电子商务、网络游戏、征信、互联网金融、工/农/商业等多个领域的应用。36大数据是百度大数据战略合作媒体，我们只提供最权威最干货最接地气最具价值的内容。微信公众号：36大数据(dashuju36)

36大数据是WeMedia自媒体成员之一，WeMedia是自媒体第一联盟，覆盖1000万人群。详情搜索“wemedia2013

投稿邮箱：36dashuju@gmail.com

36大数据读者QQ千人群：80958753

我的个人微信号:bj2753