CN109754290B - 一种游戏数据的处理方法和装置 - Google Patents
一种游戏数据的处理方法和装置 Download PDFInfo
- Publication number
- CN109754290B CN109754290B CN201910037037.4A CN201910037037A CN109754290B CN 109754290 B CN109754290 B CN 109754290B CN 201910037037 A CN201910037037 A CN 201910037037A CN 109754290 B CN109754290 B CN 109754290B
- Authority
- CN
- China
- Prior art keywords
- data
- user
- game
- lost
- cluster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title description 7
- 238000007405 data analysis Methods 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000006399 behavior Effects 0.000 claims abstract description 16
- 230000000717 retained effect Effects 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 10
- 238000004138 cluster model Methods 0.000 claims description 9
- 238000013075 data extraction Methods 0.000 claims description 9
- 230000002085 persistent effect Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 25
- 230000014759 maintenance of location Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 9
- 238000011835 investigation Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种游戏数据的处理方法和装置，包括：获取游戏日志数据；依据游戏日志数据对游戏用户进行划分，获得至少一个用户群体信息；从游戏日志数据中提取出用户群体信息对应的特征维度数据；将所述用户群体信息及对应的特征维度数据输入至聚类模型，获得多个簇数据；其中，所述簇数据包括留存用户簇数据、流失用户簇数据中的至少一种；针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果；能够在海量的游戏日志中找到行为相似的用户群体，进一步分析出游戏的流失用户和留存用户的行为差异性，发现用户流失的原因，具有高效及可扩展的技术效果；相比于现有的传统方法，减少人力成本，提高效率，增强可信度。
Description
技术领域
本发明涉及游戏技术领域，特别是涉及一种游戏数据的处理方法和一种游戏数据的处理装置。
背景技术
在游戏公司中，用户流失一直是制作、策划、运营相关部门最为关心的问题之一，用户的数量和消费力度是影响游戏开发方向、运营策略以及后续推广经费的重要依据。对于目前主流的对附加内容收费依赖性较强的在线游戏，保留一个老用户的花费成本约为获得一个新用户所需花费的1/5，又考虑到流失高消费用户的可能性和新用户发展成高级用户的成本，利润差异还将进一步加大。因此，对用户流失原因进行分析，了解到用户的游戏体验并针对性地提出改良方案，能提高游戏用户的留存量，增强游戏可玩性，提升商业价值。
现有的用户流失原因分析方法主要包括用户调研及基于统计的数值分析；用户调研通过对部分流失用户进行抽样，随机选取部分用户进行调研，调研形式较为多样，常见的形式有问卷调查和电话询问等，通过这种方式可以直观地获取用户流失原因。基于统计的数值分析具体是指运营部门对用户的游戏日志数据进行统计分析，从数据库中提取流失率、留存率、在线时长、任务完成数量等信息，并对流失原因进行猜想和分析。常用的方法有回归分析法、漏斗分析法、反馈调研法等。
但是，对于用户调研的方法，其效率低，人力成本高，且调研结果不具备普遍性和通用性。而基于统计的数值分析方法的预测结果主观性强，对运营部门相关预测工作人员的相关经验要求高，且无法判别多个特征的相对重要性，同样存在效率低、人力成本高的问题。
发明内容
本发明实施例提供一种游戏数据的处理方法和相应的一种游戏数据的处理装置。
为了解决上述问题，本发明实施例公开了一种游戏数据的处理方法，包括：
获取游戏日志数据；
依据所述游戏日志数据对游戏用户进行划分，获得至少一个用户群体信息；
从所述游戏日志数据中提取出所述用户群体信息对应的特征维度数据；
将所述用户群体信息及对应的特征维度数据输入至聚类模型，获得多个簇数据；其中，所述簇数据包括留存用户簇数据、流失用户簇数据中的至少一种；
针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果。
优选地，所述依据所述游戏日志数据对游戏用户进行划分，获得至少一个用户群体信息的步骤包括：
提取出所述游戏日志数据的预设时间段内的累计在线时长；
根据所述累计在线时长对游戏用户进行划分，获得所述用户群体信息。
优选地，所述从所述游戏日志数据中提取出所述用户群体信息对应的特征维度数据的步骤包括：
从所述游戏日志数据提取出所述用户群体信息对应的初始维度数据；
提取出所述初始维度数据中的特征维度数据。
优选地，所述将所述用户群体信息及对应的特征维度数据输入至聚类模型，获得多个簇数据的步骤包括：
针对所述特征维度数据进行归一化处理，获得处理后的特征维度数据；
将所述用户群体信息及处理后的特征维度数据输入至聚类模型，获得多个簇数据。
优选地，所述留存用户簇数据或流失用户簇数据通过以下方式确定：
筛选出所述某个簇数据中的流失用户数量及留存用户数量；
当所述留存用户数量与所述流失用户数量的比例大于第一预设阀值时，确定所述簇数据为留存用户簇数据；
当所述流失用户数量与所述留存用户数量的比例大于第二预设阀值时，确定所述簇数据为流失用户簇数据。
优选地，所述流失用户簇数据包括第一流失用户簇数据、第二流失用户簇数据；
所述针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果的步骤包括：
计算出所述第一流失用户簇数据中的特征维度数据的平均值，获得第一均值数据；
计算出所述第二流失用户簇数据中的特征维度数据的平均值，获得第二均值数据；
根据所述第一均值数据及所述第二均值数据生成第一数据分析结果。
优选地，所述留存用户簇数据包括第一留存用户簇数据；其中，所述第一留存用户簇数据为与所述第一流失用户簇数据的欧氏距离最小的簇数据；
所述针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果的步骤包括：
计算出所述第一流失用户簇数据中的特征维度数据的平均值，获得第一均值数据；
计算出所述第一留存用户簇数据中的特征维度数据的平均值，获得第三均值数据；
根据所述第一均值数据及所述第三均值数据生成第二数据分析结果。
优选地，所述针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果的步骤包括：
将所述留存用户簇数据和/或流失用户簇数据输入至随机森林算法模型，获得分类结果信息及对应的特征维度优先级。
本发明实施例还公开了一种游戏数据的处理装置，包括：
游戏日志数据获取模块，用于获取游戏日志数据；
用户群体信息获得模块，用于依据所述游戏日志数据对游戏用户进行划分，获得至少一个用户群体信息；
特征维度数据提取模块，用于从所述游戏日志数据中提取出所述用户群体信息对应的特征维度数据；
簇数据获得模块，用于将所述用户群体信息及对应的特征维度数据输入至聚类模型，获得多个簇数据；其中，所述簇数据包括留存用户簇数据、流失用户簇数据中的至少一种；
数据分析结果获得模块，用于针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果。
本发明实施例还公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的游戏数据的处理的步骤。
本发明实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的游戏数据的处理的步骤。
本发明实施例包括以下优点：
本发明实施例中，获取游戏日志数据；依据所述游戏日志数据对游戏用户进行划分，获得至少一个用户群体信息；从所述游戏日志数据中提取出所述用户群体信息对应的特征维度数据；将所述用户群体信息及对应的特征维度数据输入至聚类模型，获得多个簇数据；其中，所述簇数据包括留存用户簇数据、流失用户簇数据中的至少一种；针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果；能够在海量的游戏日志中找到行为相似的用户群体，进一步分析出游戏的流失用户和留存用户的行为差异性，发现用户流失的原因，具有高效及可扩展的技术效果；相比于现有的传统方法，减少人力成本，提高效率，增强可信度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；
图1是本发明实施例的一种游戏数据的处理方法实施例一的步骤流程图；
图2是本发明实施例的一种游戏数据的处理方法实施例二的步骤流程图；
图3是本发明实施例的一种数据分析结果的示意图；
图4是本发明实施例的另一种数据分析结果的示意图；
图5是本发明实施例的另一种数据分析结果的示意图；
图6是本发明实施例的另一种数据分析结果的示意图；
图7是本发明实施例的一种游戏数据的处理装置实施例的结构框图。
具体实施方式
为了使本发明实施例所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明实施例进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，示出了本发明实施例的一种游戏数据的处理方法实施例一的步骤流程图，具体可以包括如下步骤：
步骤101，获取游戏日志数据；
在具体实现中，本发明实施例可以应用在移动终端中，例如，手机、平板电脑、个人数字助理、穿戴设备(如眼镜、手表等)及台式电脑等等。
在本发明实施例中，移动终端的操作系统可以包括Android(安卓)、IOS、WindowsPhone、Windows等等。
本发明实施例的另一种优选实施例中，本发明实施例还可以应用于服务器中，该服务器可以包括服务器可以包括PC(Personal Computer，个人电脑)服务中器、大型机、小型机，还可以包括云服务器，本发明实施例对服务器的种类及数量不作具体的限制。
具体而言，该游戏日志数据可以包括游戏应用程序运行时关于游戏用户行为的数据；该游戏日志数据可以包括各类日志字段、时间戳、匹配信息、交易信息、游戏信息等，本发明实施例对此不作限制。
进一步应用到本发明实施例中，该移动终端可以从游戏服务器中获取到所述游戏日志数据，即该游戏日志数据可以储存于一个或多个游戏服务器中，移动终端可以通过网络与所述游戏服务器连接，通过网络获取到所述游戏日志数据。
当本发明实施例应用到于所述服务器时，所述服务器可以包括游戏服务器本身，该游戏服务器可以调用预设进程获得储存于自身存储器的游戏日志数据，执行下述的有关数据处理过程；下述以移动终端为例进行说明。
步骤102，依据所述游戏日志数据对游戏用户进行划分，获得至少一个用户群体信息；
具体应用到本发明实施例中，该移动终端可以根据该游戏日志数据对游戏用户进行划分，获得至少一个用户群体信息；具体地，该移动终端首先可以提取出所述游戏日志数据中的累计在线时长数据，根据所述累计在线时长数据对游戏用户进行划分，获得至少一个用户群体信息。
需要说明的是，该累计在线时长数据可以为用户创建游戏账号后的预设时间段内的累计时长，如累计在线时长数据可以为用户创建游戏账号后的24小时内的累计时长。
举例而言，当该游戏用户的累计在线时长数据不少于某个预设时间段时，可以标记该游戏用户为留存用户，否则，标记该游戏用户为流失用户；，而累计在线时长数据可以为不小于5分钟、不小于10分钟、不小于30分钟；相应地，该用户群体信息可以划分为5分钟留存用户群体、5分钟流失用户群体、10分钟留存用户群体、10分钟流失用户群体、30分钟留存用户群体及30分钟流失用户群体等等。
进一步地，移动终端可以根据游戏用户在创建游戏账户的次日是否有登录行为，若次日有登录行为，则标记该游戏用户为次日留存用户群体，否则标记该游戏用户为次日流失用户群体。
本发明实施例的一种优选实施例中，该游戏日志数据还可以包括购买道具数量、购买道具金额及游戏用户等级提升耗费时间等，移动终端可以根据上述的游戏日志数据针对游戏用户划分为不同的用户群体。
在本发明实施例的另一种具体示例中，该游戏日志数据中的购买道具数量可以为0种、不小于2种、不小于5种、不小于8种、不小于10种、不小于15种等，根据购买道具数量将游戏用户进行用户群体的划分，获得不同的留存用户群体及流失用户群体。
在本发明实施例的另一种具体示例中，该游戏日志数据中的游戏用户等级提升耗费时间可以为不小于1小时、不小于6小时、不小于12小时、不小于24小时、不小于48小时、不小于96小时等，根据游戏用户等级提升耗费时间将游戏用户进行用户群体的划分，获得不同的留存用户群体及流失用户群体。
上述的用户群体划分仅仅是本发明实施例的几种举例，还可以通过游戏日志数据中的其他数据针对所述将游戏用户进行用户群体的划分，获得不同的留存用户群体及流失用户群体，本发明实施例对此不作限制。
步骤103，从所述游戏日志数据中提取出所述用户群体信息对应的特征维度数据；
实际应用到本发明实施例中，移动终端可以从所述游戏日志数据中提取出所述用户群体信息对应的特征维度数据；需要说明的是，该游戏日志数据可以包括多个初始维度数据，从所述初始维度数据中提取出所述特征维度数据；举例而言，该初始维度数据可以包括登录次数、在线时长、虚拟道具总量等，本发明实施例对此不作限制。
需要说明的是，每个用户群体信息中可以包括多个游戏用户对应的标识(ID)；所述游戏用户的ID与所述游戏日志数据相关联，而所述游戏日志数据可以包括多个初始维度数据；而该初始维度数据为每个游戏用户的统计量或时间特征；则该特征维度数据为经过筛选后的每个游戏用户的统计量或时间特征。
因为所述游戏用户的ID与所述游戏日志数据相关联，该用户群体信息可以与初始维度数据具有映射关系，即用户群体信息还可以与特征维度数据具有映射关系；需要说明的是，该特征维度数据可以包括某些重要程度较高的匹配信息、交易信息、游戏信息等。
举例而言，该用户群体信息可以为5分钟留存用户群体，所述5分钟留存用户群体对应的特征维度数据可以包括：每日任务完成次数、当日最高经验值、新手引导持续时间等。
本发明实施例对所述游戏日志数据中的特征维度数据的种类不作具体的限制。
步骤104，将所述用户群体信息及对应的特征维度数据输入至聚类模型，获得多个簇数据；其中，所述簇数据包括留存用户簇数据、流失用户簇数据中的至少一种；
进一步应用到本发明实施例中，移动终端可以将所述用户群体信息及对应的特征维度数据为样本输入至聚类模型，获得多个簇数据；
需要说明的是，所述聚类模型可以包括K-mean聚类模型、层次聚类(系统聚类)模型、最大期望(EM，Expectation Maximization Algorithm)算法模型；
K-Means聚类是以样本间距离为基础，将所有的观测的样本之间划分到K个群体，使得群体和群体之间的距离尽量大，同时群体内部的观测之间的“距离和”最小。
其次，层次聚类也称系统聚类，是根据样本间距离将样本向上两两聚合，再将聚合的小群体两两聚合一直到聚为一个整体。计算所有样本之间的距离，最相近距离的样本合体，不断进行合体，得到不同的群体。
进一步地，最大期望算法是在概率模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐藏变量(Latent Variable)；K-mean聚类模型可以看作是最大期望算法的一个特例。
优选地，所述聚类模型还可以包括密度聚类(density-based clustering)模型，具体地，如DBSCAN算法模型等，本发明实施例对此不作限制。
本实施例的具体应用中，在得到多个簇数据之后，可以将根据某些特定的预设条件匹配为不同的簇数据，如分别统计所述多个簇数据内的流失用户样本数量和留存用户样本数量，记作该簇数据的流失用户样本占比和留存用户样本占比。若该簇数据的流失用户样本占比大于第一预设阈值(比如0.6)，则将该簇数据记作流失用户簇数据；若该簇数据的留存用户样本占比大于第二预设阈值(比如0.7)，则将该簇数据记作留存用户簇数据，所述流失用户簇数据及留存用户簇数据的数量可以为多个，本发明实施例对此不作限制。
需要说明的是，该第一预设阈值及第二预设阈值可以为本领域技术人员根据实际情况而设定任何数值，本发明实施例对此不作限制；以及，所述上述的预计条件仅仅是本发明实施例的举例之一，还可以通过其他的预设条件针对所述簇数据进行分类，如按照某个簇数据与其他簇数据的欧氏距离针对所述簇数据进行分类，本发明实施例对此不作限制。
步骤105，针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果。
本发明实施例的一种具体应用中，所述移动终端还可以针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果；具体而言，所述数据分析可以分为类内外特征分析和类间特征分析等。
举例而言，该留存用户簇数据可以为同一个类，进行所述类内的留存用户簇数据的数据分析；该数据分析的具体手段可以包括计算留存用户簇数据或流失用户簇数据中的特征维度数据的平均值，根据所述平均值生成数据分析结果。
优选地，所述方法还包括：输出所述数据分析结果。
实际应用到本发明实施例中，该移动终端可以输出数据分析结果；举例而言，所述数据分析结果可以展现形式可以为多种，如以雷达图的形式展现所述数据分析结果，还可以以柱状图、拆线图等形式展现所述数据分析结果，方便用户分析出群体之间的行为差异，本发明实施例对此不作限制。
本发明实施例中，获取游戏日志数据；依据所述游戏日志数据对游戏用户进行划分，获得至少一个用户群体信息；从所述游戏日志数据中提取出所述用户群体信息对应的特征维度数据；将所述用户群体信息及对应的特征维度数据输入至聚类模型，获得多个簇数据；其中，所述簇数据包括留存用户簇数据、流失用户簇数据中的至少一种；针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果；输出所述数据分析结果；能够在海量的游戏日志中找到行为相似的用户群体，进一步分析出游戏的流失用户和留存用户的行为差异性，发现用户流失的原因，具有高效及可扩展的技术效果；相比于现有的传统方法，减少人力成本，提高效率，增强可信度。
参照图2，示出了本发明实施例的一种游戏数据的处理方法实施例二的步骤流程图，具体可以包括如下步骤：
步骤201，获取游戏日志数据；
本发明实施例可以应用于移动终端或服务器中，该游戏日志数据可以包括各类日志字段、时间戳、匹配信息、交易信息、游戏信息等，该移动终端可以从游戏服务器中获取到所述游戏日志数据，即该游戏日志数据可以储存于游戏服务器中，移动终端可以通过网络获取到所述游戏日志数据。
当本发明实施例应用到于所述服务器时，所述服务器可以包括游戏服务器本身，该游戏服务器可以调用预设进程获得储存于自身存储器的游戏日志数据，下述以移动终端为例进行说明。
步骤202，提取出所述游戏日志数据的预设时间段内的累计在线时长；
具体而言，所述移动终端可以识别出所述游戏日志数据的预设时间段内的累计在线时长；例如，所述预计时间段可以为24小时或48小时，计算出所述为24小时或48小时内游戏用户的累计在线时长。
步骤203，根据所述累计在线时长对游戏用户进行划分，获得所述用户群体信息；
进一步地，该移动终端可以根据累计在线时长对游戏用户进行划分，获得所述用户群体信息；举例而言，累计在线时长数据可以为不小于5分钟、不小于10分钟、不小于30分钟等，则所述用户群体信息可以划分为5分钟留存用户群体、5分钟流失用户群体、10分钟留存用户群体、10分钟流失用户群体、30分钟留存用户群体及30分钟流失用户群体。
步骤204，从所述游戏日志数据提取出所述用户群体信息对应的初始维度数据；
本发明实施例中，该用户群体信息与所述初始维度数据具有映射关系，移动终端可以根据所述映射关系从所述游戏日志数据提取出所述用户群体信息对应的初始维度数据。
步骤205，提取出所述初始维度数据中的特征维度数据；
进一步应用到本发明实施例中，移动终端可以从初始维度数据中提取出所述特征维度数据；具体而言，移动终端接收某些预置阈值，根据所述阈值提取出所述初始维度数据中的特征维度数据。
步骤206，针对所述特征维度数据进行归一化处理，获得处理后的特征维度数据；
在将特征维度数据输入至所述聚类模型之前，需要对所述特征维度数据进行归一化处理，以避免某些特殊的数据点对模型分析的影响，具体而言，对所述该特征维度数据对应的值进行重新调节，以线性变化的方式将数据缩放到第一预设分位数和第二预设分位数的区间内，获得处理后的特征维度数据。
举例而言，该第一预设分位数可以包括5％分位数，所述第二预设分位数可以包括95％分位数，本发明实施例对上述的区间范围不作限制。
步骤207，将所述用户群体信息及处理后的特征维度数据输入至聚类模型，获得多个簇数据；
本发明实施例中，移动终端可以将所述用户群体信息及处理后的特征维度数据为样本输入至聚类模型，获得多个簇数据；举例而言，移动终端可以所述用户群体信息及处理后的特征维度数据输入至K-mean聚类模型，获得多个簇数据。
步骤208，筛选出某个簇数据中的流失用户数量及留存用户数量；
实际应用到本发明实施例中，获得多个簇数据之后，移动终端可以筛选出某个簇数据中的流失用户数量及留存用户数量。
流失用户数量即5分钟流失用户群体、10分钟流失用户群体、30分钟流失用户群体及次日流失用户群体对应的数量；
同样地，留存用户数量即5分钟留存用户群体、10分钟留存用户群体、30分钟留存用户群体及次日留存用户群体对应的数量。
步骤209，当所述留存用户数量与所述流失用户数量的比例大于第一预设阀值时，确定所述簇数据为留存用户簇数据；
进一步地，移动终端可以计算出留存用户数量与所述流失用户数量的比例，当所述比例大于第一预设阀值时，可以确定该簇数据为留存用户簇数据。
举例而言，所述当所述留存用户数量与所述流失用户数量的比例大于0.6时，确定所述簇数据为留存用户簇数据。
步骤210，当所述流失用户数量与所述留存用户数量的比例大于第二预设阀值时，确定所述簇数据为流失用户簇数据；
具体应用中，移动终端可以计算出留存用户数量与所述流失用户数量的比例，当所述比例大于第二预设阀值时，可以确定该簇数据为留存用户簇数据。
举例而言，所述当所述流失用户数量与所述留存用户数量的比例大于0.6时，确定所述簇数据为留存用户簇数据；如此便可以将所有的簇数据划分为留存用户簇数据或流失用户簇数据。
步骤211，针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果；
本发明实施例中，所述移动终端还可以针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果；具体而言，所述数据分析可以分为类内外特征分析和类间特征分析等。
本发明实施例的一种具体示例中，所述流失用户簇数据包括第一流失用户簇数据、第二流失用户簇数据；所述针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果的步骤包括以下子步骤：
子步骤S11，计算出所述第一流失用户簇数据中的特征维度数据的平均值，获得第一均值数据；
子步骤S12，计算出所述第二流失用户簇数据中的特征维度数据的平均值，获得第二均值数据；
子步骤S13，根据所述第一均值数据及所述第二均值数据生成第一数据分析结果。
具体而言，所述第一流失用户簇数据及第二流失用户簇数据可以为同一个类，分别计算出所述第一流失用户簇数据中的特征维度数据的第一均值数据，及所述第二流失用户簇数据中的特征维度数据的第二均值数据；再根据第一均值数据及所述第二均值数据生成第一数据分析结果。
本发明实施例的另一种具体示例中，所述留存用户簇数据包括第一留存用户簇数据；其中，所述第一留存用户簇数据为与所述第一流失用户簇数据的欧氏距离最小的簇数据；所述针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果的步骤包括以下子步骤：
子步骤S21，计算出所述第一流失用户簇数据中的特征维度数据的平均值，获得第一均值数据；
子步骤S22，计算出所述第一留存用户簇数据中的特征维度数据的平均值，获得第三均值数据；
子步骤S23，根据所述第一均值数据及所述第三均值数据生成第二数据分析结果。
具体而言，所述多个流失用户簇数据可以为另外一个类，分别计算出第一流失用户簇数据中的特征维度数据的第一均值数据；及第一留存用户簇数据中的特征维度数据的第三均值数据；根据所述第一均值数据及所述第三均值数据生成第二数据分析结果，需要说明的是，该第一留存用户簇数据为与所述第一流失用户簇数据的欧氏距离最小的簇数据，所以上述的处理过程也称为类间特征分析；需要说明的是，该留存用户簇数据及流失用户簇数据中的特征维度数据可以以每个用户为单位进行平均值的计算，即该每个用户对应的特征维度数据可以是多个的，计算该用户对应的多个特征维度数据的平均值。
本发明实施例的另一种具体示例中，所述针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果的步骤包括以下子步骤：
子步骤S31，将所述留存用户簇数据和/或流失用户簇数据输入至随机森林算法模型，获得分类结果信息及对应的特征维度优先级。
进一步地，移动终端可以将簇数据与随机森林算法模型结合，得到分类结果及特征维度优先级，分析该簇数据内的流失原因。
步骤212，输出所述数据分析结果。
具体应用到本发明实施例中，该移动终端可以输出数据分析结果；举例而言，所述数据分析结果可以展现形式可以为多种，如以雷达图的形式展现所述数据分析结果，还可以以柱状图、拆线图等形式展现所述数据分析结果，方便用户分析出群体之间的行为差异，本发明实施例对此不作限制。
本发明实施例中，获取游戏日志数据；提取出所述游戏日志数据的预设时间段内的累计在线时长；根据所述累计在线时长对游戏用户进行划分，获得所述用户群体信息；从所述游戏日志数据提取出所述用户群体信息对应的初始维度数据；提取出所述初始维度数据中的特征维度数据；针对所述特征维度数据进行归一化处理，获得处理后的特征维度数据；将所述用户群体信息及处理后的特征维度数据输入至聚类模型，获得多个簇数据；筛选出某个簇数据中的流失用户数量及留存用户数量；当所述留存用户数量与所述流失用户数量的比例大于第一预设阀值时，确定所述簇数据为留存用户簇数据；当所述流失用户数量与所述留存用户数量的比例大于第二预设阀值时，确定所述簇数据为流失用户簇数据；针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果；输出所述数据分析结果；能够在海量的游戏日志中找到行为相似的用户群体，进一步分析出游戏的流失用户和留存用户的行为差异性，发现用户流失的原因；相比于现有的传统方法，减少人力成本，提高效率。同时，聚类算法模型能观察到流失用户群体和留存用户群体的差异性，再通过类内外的特征分析和类间特征分析的方式得到此种差异性，从而辅助相关人员得到游戏用户流失的原因。
为了使本领域技术人员更好地理解本发明实施例，以一个具体的示例进行说明。
步骤一：数据采集
提取游戏用户从创建游戏账号以来的游戏日志数据，其中，游戏日志数据包括各类日志字段、时间戳以及相关的详细日志信息，便于进行进一步的数据处理。
步骤二：群体划分
以不同的流失问题为例进行说明，对于不同的流失问题，可以将用户划分为流失群体和留存群体两类。例如对于5分钟流失问题，统计用户日志中创建游戏账号以来的24小时内的累计在线时长，若累计在线时长不小于5分钟，该用户可被标记为留存用户；否则标记为流失用户。同理可得10分钟流失用户群体、10分钟留存用户群体、30分钟流失用户群体和30分钟留存用户群体。对于次日流失问题，若新建用户在创建游戏账号次日有登陆行为，则将该用户划分为次日留存群体，否则将该用户划分为次日流失群体。
步骤三：特征工程
对于5分钟流失问题、10分钟流失问题和30分钟流失问题，可以提取相对应的流失用户群体创建游戏账号24小时内的全部游戏日志数据和留存用户在累计5分钟、10分钟和30分钟时间范围内的游戏日志数据，进行特征工程，即从所述游戏日志数据中的初始维度数据提取出特征维度数据。对于次日流失问题，提取流失用户群体以及留存用户群体创建游戏账号当日的全部游戏日志数据。在得到的游戏日志数据后，我们提取游戏日志数据中的特征维度数据，该特征维度数据可以包括用户的匹配信息、交易信息、游戏信息等统计量和时间特征，共60维，具体如表1所示。
/>
/>
/>
/>
/>
表1：本发明实施例的特征维度数据表
在将上述的特征维度数据输入到聚类模型之前，需要说明的是对所述特征维度数据进行归一化处理，将每一个特征维度数据的值进行重新调节，从而避免某些特殊的数据点对模型分析的影响。以线性变化的方式将特征维度数据缩放到5％分位数和95％分位数的区间内。
步骤四：聚类模型
利用K-means算法对用户群体信息中的每个用户及对应的处理后的特征维度数据进行聚类运算，通过控制目标类别的数量并计算类内流失用户群体和留存用户群体的占比，筛选出满足条件的簇数据。
K-means算法的过程可描述如下：
1、在当前数据集D中随机选取K个样本(即用户群体信息中的用户及对应的处理后的特征维度数据)作为初始的聚类中心，将这些作为聚类中心的样本记作C＝{c1,c2,...ck}；
2、计算数据集D中其他样本xi到K个聚类中心的距离，并根据就近原则将每个样本分到距离最小的聚类中心对应的类别中；
3、完成所有样本的分类后，重新计算每个类别的中心：
4、判断是否满足算法停止条件，如迭代100次；若不满足回到步骤2；若满足，进行步骤5；
5、聚类算法结束。
步骤五：群体匹配
群体匹配可分为群体分类、群体匹配两步骤，对于每一个群体，我们希望得到与其“匹配”的另一个群体。
通过聚类模型可得到固定数量的多个簇数据(如K个簇数据)，分别统计某个所述簇数据内的流失用户数量和留存用户数量，记作该簇数据的流失样本占比和留存样本占比。若该簇数据的流失样本占比大于一定阈值(比如0.6)，则将该簇数据记作流失用户簇数据；若该簇数据的留存样本占比大于一定阈值(比如0.6)，则将该簇数据记作留存用户簇数据。至此，完成了对聚类结果的分类，符合上述条件的流失用户簇数据和留存用户簇数据的总量记作M个。
根据上述步骤可以得到了若干流失用户簇数据和若干留存用户簇数据。对于每一个流失用户簇数据，我们计算该流失用户簇数据与其他所有留存用户簇数据之间的欧氏距离，并选择距离最小的留存用户簇数据，即距离该流失用户簇数据最近的留存用户簇数据，作为该流失用户簇数据群体匹配的结果。
步骤六：结果分析
通过上述步骤，我们已经得到了若干流失用户簇数据和与之“匹配”的留存用户簇数据，接下来对每对流失用户簇数据和留存用户簇数据进行结果分析，该分析可以分为两部分：类内外特征分析和类间特征分析。
a.对于类内外特征分析，对某个流失用户簇数据计算簇内样本(此外的样本是指簇数据对应的用户)的各个特征维度数据的均值记作A＝[a1,a2,...a60]；然后计算其他所有M-1个簇数据所包含的所有样本的各特征维度数据的均值，记作B＝[b1,b2,...b60]，通过对A,B的分析，理解该流失用户簇数据中用户与其他用户的行为差异，完成对用户流失原因的分析。
b.对于类间特征分析，对某个流失用户簇数据计算簇内样本各个特征维度数据的均值记作X＝[x1,x2,...x0]；找到与该流失用户簇数据相匹配的留存用户簇数据，并计算该留存用户簇数据的样本中的各特征维度数据的均值，记作Y＝[y1,y2,...y60]，通过对X,Y的分析，找到该流失用户簇数据中的用户与匹配的留存用户簇数据中的用户的细节差异。
c.结合其他算法分析，可以将聚类结果结合随机森林算法模型后进行分析。通过上述方法得到一些流失用户簇数据和一些留存用户簇数据，挑选出合适的簇数据，比如流失率在40％以上的流失用户簇数据，应用随机森林算法，得到分类结果信息以及对应的特征维度优先级，分析该簇数据内用户的流失原因。
通过上述方法获得数据分析结果，参照图3-6，示出本发明实施例的几种数据分析结果的示意图，如图3-6所示，连接线中央的图形为正方形的闭环图代表留存用户簇数据的各个特征维度数据的均值，连接线中央的图形为菱形的闭环图代表流失用户簇数据的各个特征维度数据的均值，根据上述的示意图可以分析出流失用户群体与留存用户群体在特征维度数据上的差异性。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图7，示出了本发明实施例的一种游戏数据的处理装置实施例的结构框图，具体可以包括如下模块：
游戏日志数据获取模块301，用于获取游戏日志数据；
用户群体信息获得模块302，用于依据所述游戏日志数据对游戏用户进行划分，获得至少一个用户群体信息；
特征维度数据提取模块303，用于从所述游戏日志数据中提取出所述用户群体信息对应的特征维度数据；
簇数据获得模块304，用于将所述用户群体信息及对应的特征维度数据输入至聚类模型，获得多个簇数据；其中，所述簇数据包括留存用户簇数据、流失用户簇数据中的至少一种；
数据分析结果获得模块305，用于针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果。
优选地，所述用户群体信息获得模块包括：
累计在线时长提取子模块，用于提取出所述游戏日志数据的预设时间段内的累计在线时长；
用户群体信息获得子模块，用于根据所述累计在线时长对游戏用户进行划分，获得所述用户群体信息。
优选地，所述特征维度数据提取模块包括：
初始维度数据提取子模块，用从所述游戏日志数据提取出所述用户群体信息对应的初始维度数据；
特征维度数据提取子模块，用于提取出所述初始维度数据中的特征维度数据。
优选地，所述簇数据获得模块包括：
归一化处理子模块，用于针对所述特征维度数据进行归一化处理，获得处理后的特征维度数据；
簇数据获得子模块，用于将所述用户群体信息及处理后的特征维度数据输入至聚类模型，获得多个簇数据。
优选地，所述装置还包括以下模块：
筛选模块，用于筛选出所述某个簇数据中的流失用户数量及留存用户数量；
第一确定模块，用于当所述留存用户数量与所述流失用户数量的比例大于第一预设阀值时，确定所述簇数据为留存用户簇数据；
第二确定模块，用于当所述流失用户数量与所述留存用户数量的比例大于第二预设阀值时，确定所述簇数据为流失用户簇数据。
优选地，所述流失用户簇数据包括第一流失用户簇数据、第二流失用户簇数据；
所述数据分析结果获得模块包括：
第一均值数据获得子模块，用于计算出所述第一流失用户簇数据中的特征维度数据的平均值，获得第一均值数据；
第二均值数据获得子模块，用于计算出所述第二流失用户簇数据中的特征维度数据的平均值，获得第二均值数据；
第一数据分析结果生成子模块，用于根据所述第一均值数据及所述第二均值数据生成第一数据分析结果。
优选地，所述留存用户簇数据包括第一留存用户簇数据；其中，所述第一留存用户簇数据为与所述第一流失用户簇数据的欧氏距离最小的簇数据；
所述数据分析结果获得模块包括：
第一均值数据获得子模块，用于计算出所述第一流失用户簇数据中的特征维度数据的平均值，获得第一均值数据；
第三均值数据获得子模块，用于计算出所述第一留存用户簇数据中的特征维度数据的平均值，获得第三均值数据；
第二均值数据获得子模块，用于根据所述第一均值数据及所述第三均值数据生成第二数据分析结果。
优选地，所述数据分析结果获得模块包括：
特征维度优先级获得子模块，用于将所述留存用户簇数据和/或流失用户簇数据输入至随机森林算法模型，获得分类结果信息及对应的特征维度优先级。
本发明实施例还公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的游戏数据的处理的步骤。
本发明实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的游戏数据的处理的步骤。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种游戏数据的处理方法和一种游戏数据的处理装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种游戏数据的处理方法，其特征在于，包括：
获取游戏日志数据；
依据所述游戏日志数据对游戏用户进行划分，获得至少一个用户群体信息；
从所述游戏日志数据中提取出所述用户群体信息对应的特征维度数据；
将所述用户群体信息及对应的特征维度数据输入至聚类模型，获得多个簇数据；其中，所述簇数据包括留存用户簇数据、流失用户簇数据中的至少一种；
针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果，以分析出游戏的流失用户和留存用户之间的行为差异性，确定用户流失的原因；
其中，所述依据所述游戏日志数据对游戏用户进行划分，获得至少一个用户群体信息，包括：
提取所述游戏日志数据中的累计在线时长数据；
根据所述累计在线时长数据对所述游戏用户进行划分，当所述游戏用户的所述累计在线时长数据不少于预设时间段时，标记所述游戏用户为预设时间段留存用户，否则，标记所述游戏用户为预设时间段流失用户，将所述游戏用户进行用户群体的划分；
获得预设时间段留存用户群体及预设时间段流失用户群体；
其中，所述从所述游戏日志数据中提取出所述用户群体信息对应的特征维度数据的步骤包括：
从所述游戏日志数据提取出所述用户群体信息对应的初始维度数据；
提取出所述初始维度数据中的特征维度数据；
所述将所述用户群体信息及对应的特征维度数据输入至聚类模型，获得多个簇数据的步骤包括：
针对所述特征维度数据进行归一化处理，获得处理后的特征维度数据；
将所述用户群体信息及处理后的特征维度数据输入至聚类模型，获得多个簇数据；
所述留存用户簇数据或流失用户簇数据通过以下方式确定：
筛选出所述某个簇数据中的流失用户数量及留存用户数量；
当所述留存用户数量与所述流失用户数量的比例大于第一预设阀值时，确定所述簇数据为留存用户簇数据；
当所述流失用户数量与所述留存用户数量的比例大于第二预设阀值时，确定所述簇数据为流失用户簇数据。
2.根据权利要求1所述的方法，其特征在于，所述流失用户簇数据包括第一流失用户簇数据、第二流失用户簇数据；
所述针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果的步骤包括：
计算出所述第一流失用户簇数据中的特征维度数据的平均值，获得第一均值数据；
计算出所述第二流失用户簇数据中的特征维度数据的平均值，获得第二均值数据；
根据所述第一均值数据及所述第二均值数据生成第一数据分析结果。
3.根据权利要求2所述的方法，其特征在于，所述留存用户簇数据包括第一留存用户簇数据；其中，所述第一留存用户簇数据为与所述第一流失用户簇数据的欧氏距离最小的簇数据；
所述针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果的步骤包括：
计算出所述第一流失用户簇数据中的特征维度数据的平均值，获得第一均值数据；
计算出所述第一留存用户簇数据中的特征维度数据的平均值，获得第三均值数据；
根据所述第一均值数据及所述第三均值数据生成第二数据分析结果。
4.根据权利要求2所述的方法，其特征在于，所述针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果的步骤包括：
将所述留存用户簇数据和/或流失用户簇数据输入至随机森林算法模型，获得分类结果信息及对应的特征维度优先级。
5.一种游戏数据的处理装置，其特征在于，包括：
游戏日志数据获取模块，用于获取游戏日志数据；
用户群体信息获得模块，用于依据所述游戏日志数据对游戏用户进行划分，获得至少一个用户群体信息；
特征维度数据提取模块，用于从所述游戏日志数据中提取出所述用户群体信息对应的特征维度数据；
簇数据获得模块，用于将所述用户群体信息及对应的特征维度数据输入至聚类模型，获得多个簇数据；其中，所述簇数据包括留存用户簇数据、流失用户簇数据中的至少一种；
数据分析结果获得模块，用于针对所述留存用户簇数据和/或流失用户簇数据进行数据分析，获得数据分析结果，以分析出游戏的流失用户和留存用户之间的行为差异性，确定用户流失的原因；
其中，所述用户群体信息获得模块包括：
提取所述游戏日志数据中的累计在线时长数据；
根据所述累计在线时长数据对所述游戏用户进行划分，当所述游戏用户的所述累计在线时长数据不少于预设时间段时，标记所述游戏用户为预设时间段留存用户，否则，标记所述游戏用户为预设时间段流失用户，将所述游戏用户进行用户群体的划分；
获得预设时间段留存用户群体及预设时间段流失用户群体；
其中，所述特征维度数据提取模块包括：
初始维度数据提取子模块，用从所述游戏日志数据提取出所述用户群体信息对应的初始维度数据；
特征维度数据提取子模块，用于提取出所述初始维度数据中的特征维度数据；
所述簇数据获得模块包括：
归一化处理子模块，用于针对所述特征维度数据进行归一化处理，获得处理后的特征维度数据；
簇数据获得子模块，用于将所述用户群体信息及处理后的特征维度数据输入至聚类模型，获得多个簇数据；
所述装置还包括：
筛选模块，用于筛选出所述某个簇数据中的流失用户数量及留存用户数量；
第一确定模块，用于当所述留存用户数量与所述流失用户数量的比例大于第一预设阀值时，确定所述簇数据为留存用户簇数据；
第二确定模块，用于当所述流失用户数量与所述留存用户数量的比例大于第二预设阀值时，确定所述簇数据为流失用户簇数据。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4中任一项所述的游戏数据的处理的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的游戏数据的处理的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910037037.4A CN109754290B (zh) | 2019-01-15 | 2019-01-15 | 一种游戏数据的处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910037037.4A CN109754290B (zh) | 2019-01-15 | 2019-01-15 | 一种游戏数据的处理方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109754290A CN109754290A (zh) | 2019-05-14 |
| CN109754290B true CN109754290B (zh) | 2024-06-04 |
Family
ID=66404731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910037037.4A Active CN109754290B (zh) | 2019-01-15 | 2019-01-15 | 一种游戏数据的处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109754290B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111054081B (zh) * | 2019-10-18 | 2023-08-01 | 深圳市星河互动科技有限公司 | 游戏运营数据处理方法及相关设备 |
| CN111773732B (zh) * | 2020-09-04 | 2021-01-08 | 完美世界(北京)软件科技发展有限公司 | 目标游戏用户的检测方法、装置及设备 |
| CN114742569A (zh) * | 2021-01-08 | 2022-07-12 | 广州视源电子科技股份有限公司 | 用户生命阶段预测方法、装置、计算机设备及存储介质 |
| CN113457166A (zh) * | 2021-07-20 | 2021-10-01 | 网易（杭州）网络有限公司 | 游戏玩家流失信息处理方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107507036A (zh) * | 2017-08-28 | 2017-12-22 | 深圳市诚壹科技有限公司 | 一种数据预测的方法及终端 |
| CN107609708A (zh) * | 2017-09-25 | 2018-01-19 | 广州赫炎大数据科技有限公司 | 一种基于手机游戏商店的用户流失预测方法及系统 |
| CN107749033A (zh) * | 2017-11-09 | 2018-03-02 | 厦门市美亚柏科信息股份有限公司 | 一种网络社区活跃用户簇的发现方法、终端设备及存储介质 |
| CN107833063A (zh) * | 2017-11-30 | 2018-03-23 | 上海科瓴医疗科技有限公司 | 药店会员流失预警和智能干预系统及方法 |
| CN108648000A (zh) * | 2018-04-24 | 2018-10-12 | 腾讯科技（深圳）有限公司 | 对用户留存生命周期进行评估的方法及装置、电子设备 |
| CN109145934A (zh) * | 2017-12-22 | 2019-01-04 | 北京数安鑫云信息技术有限公司 | 基于日志的用户行为数据处理方法、介质、设备及装置 |
-
2019
- 2019-01-15 CN CN201910037037.4A patent/CN109754290B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107507036A (zh) * | 2017-08-28 | 2017-12-22 | 深圳市诚壹科技有限公司 | 一种数据预测的方法及终端 |
| CN107609708A (zh) * | 2017-09-25 | 2018-01-19 | 广州赫炎大数据科技有限公司 | 一种基于手机游戏商店的用户流失预测方法及系统 |
| CN107749033A (zh) * | 2017-11-09 | 2018-03-02 | 厦门市美亚柏科信息股份有限公司 | 一种网络社区活跃用户簇的发现方法、终端设备及存储介质 |
| CN107833063A (zh) * | 2017-11-30 | 2018-03-23 | 上海科瓴医疗科技有限公司 | 药店会员流失预警和智能干预系统及方法 |
| CN109145934A (zh) * | 2017-12-22 | 2019-01-04 | 北京数安鑫云信息技术有限公司 | 基于日志的用户行为数据处理方法、介质、设备及装置 |
| CN108648000A (zh) * | 2018-04-24 | 2018-10-12 | 腾讯科技（深圳）有限公司 | 对用户留存生命周期进行评估的方法及装置、电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109754290A (zh) | 2019-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109754290B (zh) | 一种游戏数据的处理方法和装置 | |
| CN107040397B (zh) | 一种业务参数获取方法及装置 | |
| CN109583966B (zh) | 一种高价值客户识别方法、系统、设备及存储介质 | |
| CN109767269B (zh) | 一种游戏数据的处理方法和装置 | |
| CN108665159A (zh) | 一种风险评估方法、装置、终端设备及存储介质 | |
| WO2019061664A1 (zh) | 电子装置、基于用户上网数据的产品推荐方法及存储介质 | |
| CN105225135B (zh) | 潜力客户识别方法以及装置 | |
| CN106408325A (zh) | 基于用户支付信息的用户消费行为预测分析方法及系统 | |
| CN110764902A (zh) | 基于ai的虚拟资源分配方法、装置、计算机设备及存储介质 | |
| CN112163081A (zh) | 标签确定方法、装置、介质及电子设备 | |
| CN114078050A (zh) | 贷款逾期预测方法、装置、电子设备及计算机可读介质 | |
| CN114186760A (zh) | 一种企业稳健运营的分析方法、系统及可读存储介质 | |
| CN111861521A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
| CN110879808A (zh) | 一种信息处理方法和装置 | |
| CN112950359B (zh) | 一种用户识别方法和装置 | |
| CN116596576B (zh) | 目标推荐方法及装置 | |
| CN114495137B (zh) | 票据异常检测模型生成方法与票据异常检测方法 | |
| CN116228431A (zh) | 一种异常交易账户确定方法、装置及电子设备 | |
| CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
| CN115689708A (zh) | 训练数据的筛选方法、风险评估方法、装置、设备和介质 | |
| CN114860608A (zh) | 基于场景构建的系统自动化测试方法、装置、设备及介质 | |
| CN114036391A (zh) | 数据推送方法、装置、电子设备和存储介质 | |
| CN112529319A (zh) | 基于多维特征的评分方法、装置、计算机设备及存储介质 | |
| CN111382343B (zh) | 一种标签体系生成方法及装置 | |
| CN108711073B (zh) | 用户分析方法、装置及终端 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |