網絡游戲運營中的數據挖掘技術及相關案例分析-資料下載頁
2025-04-30 13:09本頁面
【正文】 高信息增益，以此作為根節(jié)點， 并出現兩個分歧，對應兩個結果，以此類推生成決策樹圖（）。 從這個決策樹中，可以很清楚地分析出不同類型的客戶，這樣在 CRM 決策中可以對不同 類型的客戶選擇不同的策略。 由決策樹可以很容易地得到“IFTHEN”形式的分類規(guī)則： IF “高消費”=“Y” THEN 類別標記=“優(yōu)質客戶” THEN 類別標記=“優(yōu)質客戶” IF “高消費”=“N”AND 消費=“Y” AND “持續(xù)高消費”=“N” THEN 類別標記=“消費客戶” IF “高消費”=“N”AND 消費=“N” AND “長期在線”=“Y” AND “高收入”=“Y” THEN 類別標記=“潛在客戶” IF “高消費”=“N”AND 消費=“N” AND “長期在線”=“Y” AND “高收入”=“N” THEN 類別標記=“普通客戶” IF “高消費”=“N”AND 消費=“N” AND “長期在線”=“N” THEN 類別標記=“無效帳號” 我們可以利用神經網絡挖掘技術來預測玩家流失的可能性。 首先我們通過對歷史數據的統計分析，發(fā)現多數流失玩家都有一些共同的數據變化，比如： 自身帳號上的虛擬幣或者虛擬物品大量減少或轉移；消費明顯下降；上線時間明顯減少；在“好 友”中有一定數量的好友離開游戲（上線時間減少或不上線）等等； 然后，我們根據這些共同點，對現在的玩家數據進行比較，對玩家的某一項內容的現狀給 定一個計算機判斷值， 并乘以通過大量數據得出的一個“權值”， 然后把所有項目得出的數據相加， 就得到了一個代表玩家流失的可能性的數值。 如圖（）：某玩家好友里有 3 名已被判斷為流失客戶，計算機根據函數公式得出判斷值（其 實就是玩家好友流失程度）為 ,而通過大量歷史數據“學習”得出該項目權值（其實就是好友流 失對玩家離開游戲的影響度）為 ，所以該項目最終值為 。所有項目最終值相加結果為 ，因為逼近于原給定的參考值 1，所以計算機判斷玩家將會流失。 事實上，神經元預測值完全取決于聯結網絡的權值，輸出結果的正確率也取決于權值的判定。 因此神經網絡挖掘技術需要不斷“學習”歷史數據來修正其權值，以達到趨于正確的判定結果。 粗糙集理論的出發(fā)點是假定所研究的每個對象涉及的一些信息，比如對流失玩家信息進行 挖掘，可以得到流失玩家的一些相似信息，并對目前玩家相比較，以預測玩家是否會流失。 現在我們通過對整個玩家數據庫進行粗糙集數據挖掘，以得到一些看不到的有效信息。 表（）是玩家數據庫中的一段資料截取，我們要通過它來說明如何對玩家資料進行有 效的信息挖掘。 策略 1：去掉沒有意義的屬性。比如“玩家 ID”，雖然全部為不同屬性值，但其本身對數據 ： 挖掘毫無意義，我們可以直接去除，無需計算； 策略 2：面向屬性進行概念提升。比如“IP 地址”，“常州”和“無錫”都屬于江蘇，那么都提升 ： IF “高消費”=“N”AND 消費=“Y” AND “持續(xù)高消費”=“Y” 為江蘇，“浙江寧波”提升為“浙江”，減少差異數量。提升過程中要控制提升進度，防止泛化，使 指定推動有意義。概念提升后要注意清除冗余數據。 策略 3：指定泛化，控制概念提升。比如：“周消費”中可以指定，小于 50 元為“低”，大于 ： 100 元為“高”，50100 元為“中”。 策略 4：規(guī)則轉換。經過概念提升以后，宏元組被濃縮，可以被拆取轉換至多條規(guī)則，并 ： 增加一項“覆蓋度”來提供定量信息。 策略 5：覆蓋度的累積。在知識基表歸納濃縮過程中，去掉冗余元組時，應將元組覆蓋度 ： 加到與其完全相同的覆蓋度上。 經過上面 5 個策略規(guī)則，計算機將生成類似表（）的數據表。 … … … … … … … 通過上表，我們可以分析得到如：華南地區(qū)非學生的男性玩家消費能力很高，約占總玩家 6%（設數據總數量為 100 條）。同時在挖掘地方數據時，可以控制概念提升，將“IP 地址”范圍 縮小到省，乃至市，以方便地方性質客戶服務的決策。 第五章 總結 數據挖掘技術及其應用是目前國際上的一個研究熱點， 并在許多行業(yè)中得到了很好的應用。 其中在各行業(yè)客戶關系管理上也獲得了巨大的成功，體現了其優(yōu)越性和發(fā)展?jié)摿Α?目前，我國的網絡游戲業(yè)正處于蓬勃發(fā)展階段，綜合應用數據挖掘技術有利于運營商對玩 家進行有效地客戶關系管理，并能夠幫助運營商在激烈的市場競爭中更好地盈利。 參 考 文 獻 [1]艾瑞市場調查《2007 年第二季度中國網絡游戲季度研究報告》[R].. [2]百度風云榜《2007 網絡游戲行業(yè)報告（簡報）》[R].. [3]鞠偉平,鄧憶瑞．基于決策樹的數據挖掘方法在 C R M 中的應用研究[J]． 商業(yè)經濟,2007 (286):1921． [4]董寧．數據挖掘技術在 CRM 中的應用[J]．計算機工程與設計,2007,28 (6):14291432． [5]曹萍．利用數據挖掘技術(DM)提升客戶關系管理(CRM)[J]． 科技管理研究,2005 (5):5152，25． [6]SPSS Inc. Building profitable customer relationships with data mining[EB/OL]. [7]MargaretH. Dunham 著,[M].清華大學出版社, 2005． [M].北京：電子工業(yè)出版社，2002 .257369. [9]魏娟,(CRM)[J]. 商業(yè)研究,2005,12(7):5356. 萬志華, CRM 中的應用[J].計算機工程與設計,2004,25(12):2326. [11]鄒志文,[J]. 計算機工程與設計,2005,26(9):23042307. [12]李斌,[J]. 計算機工程與設計,2005,26(2):540542.9 / 9
教學教案相關推薦
鄂ICP備17016276號-1