以王者荣耀产品为例，谈大数据的应用--精细化大数据运营优化。
在分析之前，普及一个数据产品框架，用户画像。 它是作为一种勾画目标用户、联系用户诉求与设计方向的有效工具。 通俗一点来讲，它就是一个描绘产品用户行为的工具。
- 你是谁(人口信息、相当于人口调查)
- 你过去和现在做过什么(每天习惯在什么时间、什么地点、习惯做什么事、偏好什么)
- 你将来可能会做什么(根据你过去做的事，预测你将来会做什么)
- 于是，基于用户画像，可以开始有序递进式，对用户进行进行个性化精准运营。
下面附上简易版的王者荣耀用户画像标签体系
一、皮肤英雄道具的多元化精细化运营
道具皮肤打包卖
基于关联规则分析出历史购买记录，可以打包卖的英雄礼包、皮肤礼包、英雄皮肤礼包、道具礼包、混合礼包等等。
(1) 根据关联规则的支持度大小，根据历史销售流水，可以计算出AB两种英雄或者皮肤，是否可以捆绑打包卖。
(2) 简易版的王者荣耀用户画像标签体系置信度的大小，可以计算出，购买A英雄(皮肤)后还会购买B皮肤的概率。
(3) 综上，可以根据挖掘分析出来的数据，对不同道具进行交叉或者捆绑销售。
知道了哪些道具打包卖会有优势，接下来要分析出用户分群决策，哪些组合套餐适合哪些类型的用户群，介绍几种决策方法：
(4) 决策树。借用用户画像中的用户各种行为标签，将购买过AB英雄(皮肤)的用户作为一个样本，分析出这个样本中的概率***的某条决策树出来。
例如：年龄大于22 & 消费点券额度在3w-5w之间 & 男性 & 月游戏频次大于50 ，满足这些条件的用户占30%(且概率为***)，我们就认为这是一条可以很好的决策树，可以拿这条结论去线上做ABtest，验证决策树模型是否准确可用，如果可以提高AB皮肤(英雄)的购买率，那么它就是我们想要的。
(5) 逻辑回归。思路和决策树差不多，根据购买过AB英雄(皮肤)的用户标签，得出一个模型，然后去验证其他用户是否符合该模型，如果符合，那么就向这批用户推荐这个皮肤(英雄)套包。
当前面的关联规则模型做完之后，如果验证了模型的可用性，不断优化模型，会看到交叉(捆绑)销售礼包导致消费流水呈现上升趋势。接下来，基于社交关系(基于用户推荐和物品(道具)推荐)进一步提升消费额。
(6) 基于用户推荐(协同过滤)。向购买过礼包的玩家，其朋友圈里还没有购买过此种礼包的玩家(通俗讲，就是你从商家买了某样皮肤，那么系统就可以把这个皮肤推荐给你朋友圈的其他朋友)。
(7) 基于道具(物品)推荐。根据每个玩家日常玩的频次最多的英雄，胜率高的英雄等，来确定他的常用英雄类型偏好，将此类还没有购买的英雄推荐给他，基于(打折或者朋友赠送等方式)，吸引玩家购买。
这就依赖了微信或者qq强大的社交关系链，有了它们，道具销量会更好。当然推荐给哪些朋友，也会基于社交关系里的标签(比如，是否经常一起开黑、是否有相同消费的偏好等等，可以计算玩家相似度等方式来完成)
整体来说，基本方法是，基于适用的不同礼包组合，将用户分群，然后分析出不同的用户群的显著用户行为特征，去制定运营策略。
另外皮肤的推进式营销策略应该基于玩家常用英雄上,同理可以基于协同过滤来进行推荐。
(8) 基于攀比心理，可以给此类玩家打上攀比度的数值模型标签，当高于某个阀值时，只要这些玩家的朋友购买了某个新道具，就推送相关信息，甚至可以借鉴拼团的方式，来团购皮肤或者英雄。
(9) 根据玩家在游戏内的对话，都某个英雄的皮肤的赞美偏好词语，基于文本挖掘，分析出玩家对某款皮肤的喜好程度，进行多维度实时精准营销。
(10) 基于玩家的浏览行为(只看不买)、聊天行为(只说不买)等等，都是一些付费倾向的玩家，分析后尝试诱导付费。
二、大R带小R，付费带免费
基于漏斗模型，免费玩家 > 小R付费玩家 > 中R付费玩家 > 大R付费玩家。
(1) 挖掘出每个玩家每一步的转化原因，可能比较难。但是基于用户分群，对群体的行为进行挖掘，还是能挖掘出主流转化原因的。
(2) 方法1：决策树等模型。根据每一次转化率数值变化的情况，提取变化前后玩家的相关强相关数据，进行建模，并校验和验证。得出分群用户转化的主要决策逻辑。
(3) 方法2：基于逻辑回归模型和时间序列。预测玩家从免费到付费，小R付费到中R付费……等，每一步转化所需要的时间区间和可能转化的概率。
(4) 将2.2和2.3相结合，就可以知道玩家大概在什么时间节点、转化过去的概率，以及转化过去所需要满足的规则和条件。
【本文为51CTO专栏作者“王森丰”的原创稿件，转载请注明出处】
