摘要
随着游戏行业的发展和成熟，手机游戏玩家数量近些年飞速增长，成为全球游戏市场的重要组成部分。随着手机游戏种类的丰富、生态的成熟、玩家对游戏要求和预期的逐渐提高，手机游戏行业竞争愈发激烈。成功的游戏不仅需要较丰富的游戏玩法，还需要通过综合运营等手段提升用户粘性和付费意愿。在仔细研读前人文献及研究成果的基础上，本文基于TAM理论，通过Python对某手游229万条游戏用户行为数据进行描述性分析，运用Gradient Boosting Regression模型训练了该手游内付费预测模型，并对模型的拟合度进行了检验。旨在探究如何通过游戏内不同设计和玩家行为预测玩家付费结果，并为后续提升游戏内付费提供建议策略。首先，通过分析游戏玩家的各项活跃数据以及充值金额了解玩家大致行为模式，对玩家群体按照付费行为进行分类，判断其在游玩过程中的感知易用性和感知可用性程度的不同。基于不同付费程度的玩家感知程度的不同，分析对其付费行为的影响，同时为后续构建模型寻找合适的自变量。其次，根据玩家分类结合前述选出核心自变量，如游玩时长、对战数据、资源获取量、buff道具获取量等，训练GBR模型。将20％的数据集用作训练集，利用机器学习原理，通过玩家游戏内行为、游玩时间等自变量建立付费预测模型。将计算额与实际付费额进行比较，不断调整模型参数，训练出最贴近现实的模型。用训练出来的模型预测测试集玩家付费金额，并与实际付费进行比较，验证模型预测效果。研究得到以下结论: 第一，转化、活跃、付费等各层级玩家数量符合AARRR漏斗模型，且恰当的推广营销活动可以吸引更多的游戏玩家，从而实现更高营收; 第二，玩家付费金额与玩家对游戏中道具的感知易用性呈高度相关，符合TAM理论，尤其是buff道具获取量、前七日付费金额等因素; 第三，根据历史数据训练出的GBR模型对玩家全生命周期付费金额的预测较为准确，可用作长期运营指导。从模型中培养新用户前七天付费习惯是对整个生命周期内提高单个玩家付费金额最行之有效的方向。
NETL