游戏中的AI和数据科学_游戏数据科学

。。。。

DataEngineer + SoftEngineer

收集数据、报表、数据分析、产品化

AI PVE研发

AI测试

Auto Feature

起源世界 AiBot

AI生成游戏内容

具体示例：

1. 算法：打关卡bot， 人工测，现在自动测。 推荐，AB测的提升。

2. AB测试：买量的模型的优化，经济学因果推断。不同用户群的不同效果。留存的提升。

3. 数据分析师 游戏机制分析：BP 优化建议，帮助策划优化增长点。

奖励的力度、定价、排名榜单机制联动。

设计复杂、优惠力度避免通胀，帮助策划调整配比。

礼包、广告推荐：用户群金字塔，大R小R的LTV,从底往上赶

道具的设计：道具ROI用户和策划的认知不同，道具留存数据的分析，通关目的，满星目的，使用道具ROI的感知

炉石：玩家玩法策略机器学习AI推荐：保证胜率和玩家体验

国内和欧美大厂的数据科学区别：

1. 数据分析国内落后3、4年，策划使用数据算法：建立信心、挖掘

2.流量格局：渠道数据分析成熟度，用户买量归因：国外第三方，国内厂家自己做。

3.数据门槛：用户数据仓库的合规和安全

欧美数据科学发展：

1. 早期，策划主导，没有数据驱动：经济平衡、玩法难度

2.数据沉淀，从厂内部到行业，数据开始帮助策划、研发

3. 算法早期研发阶段：帮助游戏的研发、测试和迭代

4.未来：从产品和用户出发，更多偏向数据主导和辅助研发、运营

User Acquirzation 用户获取 和数据驱动运营，长线的精细运营

Idea:

社区的用户运营，通知客服运营维护重点大R

1. 大R流失了，客服不知道 

2. 潜在大R数据清单，客服运营维护。

3. 榜单清单

社区团队核心、

游戏内部社区：不只用付费一个维度

外部社区维护。

其它行业的比较：

1. 游戏场景多样化

2. LTV = 流量运营转化私域运营

职业建议：

1. 不同行业和团队技术栈区别大，尽量兴趣和专业对口团队

2. 对不同产品细分行业的深入了解

数据产品：

BI、平台。

缺少工具链的闭环，只是简单的数据展示或单个领域的工具产品。

算法产品：AI、机器学习产品、研发的辅助工具，数据驱动产品

数据驱动行业导致的研发趋同问题：

数据只是driven已经产生的数据的统计分析、重复性的部分，Creativity的部分还是人。

代替创意部分还为时过早。

只会辅助策划提高重复性部分的工具，只专注创意部分的效率。