这位游戏“奸商”卖道具就3步，月流水提升20%

本文首先需要强调的是，“奸商”的称呼在游戏运营销售道具的核心逻辑里，是个褒义词；其次，“奸商”不可伤害、欺骗玩家，因为能同时满足让玩家快乐消费跟提升月流水（游戏人个人收入）的方式，简要概括下来就 3 步。

第 1 步，不同的玩家会购买不同的道具，也对应着不同的折扣，基于用户行为理解做聚类，可以实现千人千面的商品与折扣推荐。

第 2 步，从单一策略到精细化营销，了解下文的销售机制，可以发现单 1 个道具能带来利润的方式就有 14 种。

第 3 步，知道一点哪怕是文科生也可以轻松掌握的数据知识，把业务问题变为数学问题，就能形成更加富有竞争力的高流水业务提案。

回顾第 64 期的数数课堂，可以发现游戏内“付费推荐案例”这回事，也就是被游戏圈“奸商本商”饭大官人分三个部分就讲明白了。

由于本篇文章干货实在过多，数数课堂君将重点为大家总结前 2 部分，第 3 部分以《视频节选.mp4》形式展示，嘉宾完整版 PPT 与整体回放可在文末领取。

千人千面的商品与折扣推荐

大家都知道，大数据推荐其实就是一种猜，像刷短视频就是如果你喜欢 A，行为就会被标记，不断的给你按照这个逻辑推荐，而这个概念不仅体现在电商中，在游戏中也有很多应用。

其实商品推荐的整个业务过程其实也是 3 个过程，离线模型训练、实施匹配推荐与模型效果评估。听上去复杂，但是任何文科生都能搞明白。

首先，离线模型训练就是怎样的人喜欢怎样的货物。做生意会察言观色的人知道，看顾客的行头打扮，有经验的销售，通常就能知道他喜欢怎样的东西。其实都是根据这个逻辑来的，它是历史经验的汇聚。

其次是实施匹配推荐，就是在线上场景中根据一个人的消费行为寻找关联关系，基于历史经验猜他喜欢什么，然后去做推荐。至于第三个模型效果评估就是指，我们既然能训练一个有经验人，就能找到 N 个有经验的人，去比谁推荐的商品卖得好。这就是商品推荐系统的整体逻辑。

这里的历史消费数据，其实是作为用户及道具关系特征训练的一个排序模型，对于用户偏好进行打分，也指在游戏里面的诸多行为。一个用户打开道具商城出现的购买弹窗就对应了浏览，翻页翻到固定位置是搜索动作，战斗的时候买一个道具就是购买。在用户做购买决策之前，一定有一个行为的。譬如有 1 万个玩家在强化前买了特定道具，那这件事情就构成了一个排序规则。

如果把上图蓝色的圆当作玩家，可以发现每个蓝色小块意味着给不同行为做了聚类动作。橙色圆代表商品，距离蓝色更近的这个商品表示卖得更多，证明这一类玩家的某个偏好越高，这就是一个离线预测系统。

实时匹配则代表将之前在游戏上有过的战斗、购买等行为放到线上，筛选出这一类群体感兴趣的商品，对展示靠前的道具进行限时限量的投放。也就是拿历史经验去做解释，再基于离线模型，进行个性化推送。通过对模型 A、模型 B、模型 C背后用户完成付费次数的多少，根据购买率来计算提升效果，进行效果评估。

当然你也可以用自己的个人经验（也就是规则配置）与推荐模型做对比，经过一段时间的曝光售卖，就能够进行比较，如果模销售型推荐的效果，超过了人配置的规则（基准线），就说明人工智能推荐的效果更好。反之，说明模型推荐的效果还不如规则。

其实数数科技的大数据引擎 ThinkingEngine 就有这个效果评估的能力。下方产品演示图就对不同用户进行了分别触达，分别切出 16 万左右的玩家，设置多个实验组去对比。当然 16 万人很多，你也可以先每个分 1000 人，看哪个模型效果好，再一点点往上去覆盖。

说完商品推荐，可以与之结合起来的就是折扣推荐。说白了就是利用 K-means 聚类，基于不同的用户标签设置不同的折扣。系统认为你是一个有钱人，给你的折扣就低，反之折扣就大。那么这里就可以结合用户的消费能力、商品，以及折扣逻辑训练一个模型。

这里需要注意的是，我们往往通过用户的 VIP 等级直接使用折扣逻辑，但是这样的话，你会亏钱，因为一个用户在不同商品的消费意愿不一样。比如我这类用户特别舍得在健康跟教育上花钱，在其他的地方花钱很舍不得。这种情况下如果你拿用户的消费能力直接去做折扣（常见的 VIP 做法），其实就可能会亏钱，或者说少赚到本应该赚到的收入（嘿嘿嘿嘿嘿，奸商脸.gif）。

不同的人，不同的商品，对应不同的折扣，首先把用户分成不同群，再把商品分成不同的群，当模型条件满足时就可以进行匹配。比如可以让游戏中一类用户本命英雄的折扣力度相对小一点，因为他们更愿意为它付费。

聚类其实就是数据里面特别常见的一个概念，比如说定义人群，分为学生、打工人、宝妈跟XX型玩家，就是计算机对人群的聚类，其实也就是我们对行为特征相似的人的分类。游戏中不同喜好的玩家，喜欢买的商品就不一样，而不同行为之前也一定有一个购买行为，就是你生活中在什么样情况下会去买的东西，只要有历史的数据记下来，就可以明白背后的消费习惯。

聚类方式有很多种，是基于这个游戏用户的行为习惯去决定的。至于价格敏感度就是不同商品的不同折扣。喜欢投资健康的人，就其实可能也不在意折扣，每个人不同的喜好就构成了变量。

精细化的销售机制

在游戏的销售方式中，我们首先可以从用户的心态与视角出发。这里其实就是一个非常好的机会去做千人千面的策略。

在销售端的策略视角，可以通过洞察时机去做触发，然后再思考用怎样的形式（固定位、拍脸、悬浮图标等）售卖，再去做策略包装。比如战斗失败的时候，就是一个触发点，接下来就需要去设定卖的数量、折扣，其实变来变去本质是一样的，用聚类方式按照时机、形式与数量的规则来做就可以。

譬如游戏中玩家每次点开购买页面都出现不同的折扣，就会形成一个心理博弈——“我来到这个地方了，此前有过 6 折的，那现在 7 折，买不买？”它其实就是一个不断试探的过程。

总结一下，谈及销售思路，十年前玩游戏是人找货，后来货找人就是推荐，从千人千面到大数据，就是让不同用户看到不一样的商品，继而折扣也不一样，这是从单一策略到精细化营销的转变。

接下来对应的就是推送逻辑，这也一个规则，也正好对应数数科技 ThinkingEngine 的一个能力，情景触发式的推送（区别于定时类），支持按照用户行为数据来自动匹配满足条件的人群，从而进行个性化内容的触达。比如我们可以设置一个规则，让用户在完成条件 A，且 30 分钟内没有完成 B 的情况下立即收到推送刺激消费。

这里可以分享一个销售面板的装修提案。比如充值XX元送多少武器，限购多少个小时，它背后的概念无非就是需要一个主广告图素材，再加一个价格、属性，再加文案。这里就需要理解用户，然后你会发现用价格锚点的方式，还是用从众、心理账户的方式让用户买单。文案在其中一旦能做多变量的话，就可以给用户打标签——这个用户曾经吃哪个策略的文案，后续带来的效果就越好。