“玩赚”体彩金7乐 资深玩家送上“万能五码”绝招
金7乐三不同单选又被彩民习惯性称为组6，只要选出3个不同的号，顺序不限，只要号码对66元轻松到手。对于习惯购买排列3的彩民来说，三不同单选简直就是组6的翻版。
“从概率上讲，组6共35注，对应210注直选号码，占前区号码总组合数的61%，平均每天开出约51期。”老玩家对其如数家珍，又俨然一个数字老师。
如何提高胜算呢?老玩家送上一贴福利：五码复式。简单来说，彩民打三码组合，还不如多打两号来个复式命中率更高。而且，资深玩家还总结出了五组“万能五码”：“1、2、4、5、7”，“1、3、4、6、7”，“2、3、5、6、7”， “2、3、4、5、6”， “1、2、3、5、6”。
如何用这五把“万能钥匙”打开中奖大门?“先‘杀’冷号再选万能五码。”玩家解释，在开出1-2期对子后就可以下手投注。“先看最近五期的最冷的两个号是多少，然后找出并不包含这两个号的‘钥匙’。”例如，2，5为冷号，则选择“1、3、4、6、7”来“开门”。
责任编辑：
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。
今日搜狐热点有没有老玩家解读后一万能码 2期内中？_百度知道
有没有老玩家解读后一万能码 2期内中？
我今年三十多了，以前没谈过恋爱，现在喜欢一个姑娘，最近第一次和她见面说了情况后，她可能不满意，但要说完全没任何感觉，我也觉得不是，因为她也问了一些我家里的情况，但有一个细节让我觉得很郁闷：“在我们吃饭的中间他去上了一下洗手间，带着手机，回来...
我有更好的答案
俗话说玩ca1靠的是运气和机遇，但我觉得这些说的太片面了；我在彩票界摸爬滚打多年，什么都经历过，失败多于成功；偶然遇到一位大榊，他教会我很多，玩这个东西靠的是技巧和经验外带运气。如果你遇到任何彩票上的困难，你可以在Q（９０６６７２１）上询问他！求出 m＝(ah－hx)/a 所以 S矩形GDEF＝GD*GF ＝x(ah－hx)/a 即 y 关于x 的函数关系式是：y＝x(ah－hx)/a 定义域是 0＜X＜a
为您推荐：
其他类似问题
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。新闻中心NEWS CENTER
资深玩家全方位解读网游《封印者》
发布日期：日 【复制新闻链接】
　　想要评价一部游戏的品质，游戏玩家无疑是最有发言权的。今天，来自永恒国度网游公会的ECG提莫，为我们带来了二次元动作游戏《封印者》的评测。下面，让我们跟随这位资深玩家一起全方位了解这部时下大热的“二次元”主题动作网游吧。
　　【世界观 ：WORLD VIEW 】
　　18年前，未知的异次元生命体――「次元种」，跨越了次元之门侵袭地球，人类世界在绝望中逐步沦陷…与此同时，极少数的人类也意外觉醒了体内的次元力，获得了异于常人的超能力，得以与次元种战斗。最终，人类终于成功关闭了次元之门，这些超能力者从此被人们称为「封印者」(Closers)。
　　这场战争，史称「第一次次元战争」。而就在数年之后，世界各地的次元之门又开始裂变，更强大的次元种也在黑暗中蠢蠢欲动…
　　玩家所在的「黑羊」小队是「UNION」组建的一支主力战斗小队，包括管理官在内共由6人组成。这支大多以未成年少男少女组成的小队，却每每能在战斗中发挥出极强的战斗力，并出色而准确地完成任务。
　　【人物介绍】
　　游戏中本次测试开放了四名角色供玩家体验，分别是“李瑟钰”、“李世赫”、“尤利”和“J”。
　　李世赫(Striker)
　　李世赫的母亲是终结第一次次元战争的传奇封印者，李世赫也被视为“黑羊”中的头号种子。世赫擅长利用次元力引发瞬间爆炸，是一名冲锋陷阵的封印者。然而，世赫似乎并不能发挥全部能力，他对自己的潜力也没什么兴趣――他的最爱是玩游戏。游戏机不离手的他是个典型的重度游戏迷。对他来说，“黑羊”小队就像补习班一样讨厌。(主要能力值：物理攻击力)
　　李瑟钰(Caster)
　　李瑟钰是在Union的“早期培训”中脱颖而出的少女。第一次次元战争夺走了她的父母， Union抚养她长大。瑟钰擅长用次元力操纵物体进行战斗，是一位法师般的封印者。瑟钰天赋不高，但是一个努力家。刻苦的练习使她能娴熟地控制自己的力量，更被委任“黑羊”小队的队长。严谨认真的她，与敷衍了事的李世赫是一对冤家。(主要能力值：魔法攻击力)
　　尤莉 (RANGER)
　　由于父母忙于工作，年幼的尤莉除了学习外，还兼顾着照顾弟弟们的职责。初中时，她曾用扫把击退了数名不良学生，因此被邀请加入了校剑道部，并在一次比赛中觉醒了强大的次元力。
　　尤莉是“黑羊”小队中，最迫切想要成为正式队员的。其中的一个原因是成为正式成员后能获得更稳定的收入。另一方面，尤莉开朗乐观的性格也活跃了小队的气氛，起到了重要的作用，小队成员们都将她视作队中不可或缺的一位成员。(主要能力值：物理魔法双修)
　　J(FIGHTER)
　　在J还是一名少年的时候，就被投放到了第一次次元战争，但战争的惨烈结局使他的身心都受到了重创。
　　如今，战力大不如前的J，仍凭借多年积累的战斗经验和自己研究的次元力应用法为“黑羊”战斗着。在战斗中服用“次元力增幅剂”也成为了他的标志性动作。对于整天扯着无聊的笑话的J，其他“黑羊”队员都认定他只是个奇怪的大叔。但同时，由于他丰富的实战经验，大家也都将J视为可靠的前辈。(主要能力值：物理攻击力)
　　三测版本中的等级与区域开放：
　　三测版本中游戏角色等级开放到了50级，并且还开放了4张区域地图：这四张地图都有着不同要求分别是“江南CGV” 、 “(旧)九老地铁站” 、 “辛强高中” 与 “G大厦天台”。
　　【游戏特色】
　　多样化的战斗节奏玩法
　　《封印者》除PVE的普通副本模式外，还提供了PVE守护据点模式“紧急防御战”。该副本按等级进行，不同等级阶段的玩家会接到不同的任务。值得一提的是不仅副本玩法多种多样游戏中的任务分布也是非常的明确每日任务，职业任务，主线任务，支线任务等都是有着自己与众不同的独特颜色。
　　游戏内副本分为四个难度：“简单”、“普通”、“困难”、“噩梦”。
　　在等级超过32级或者说是在进入“辛强高中” 和之后的地图区域里才会开放“噩梦”难度，在前两张区域是没有的这一点请新手们放心，游戏里的人性化设计是非常好的，不会在刚开始就让新手玩家们体验高强度的副本呦。
　　你们认为游戏里仅有PVE么?那么小编想跟你们说你们这样想就错了。三测版本中还有PVP功能，玩家点开F2即可开启PVP专属页面，点击搜索对战对象即可参与战斗，当然了如果是两名认识的玩家想进行PK的话至于要面对面的申请竞技场对战即可。
　　【内容上比上测游乐更加丰富的故事情节】
　　《封印者》与其他单纯依靠副本的动作RPG不同，该游戏更为注重故事情节的发展。虽然本次测试只有4名角色，但是每个角色的故事与NPC的对话皆不相同，此外为了强调了角色性格，把大部分台词都制作成全程语音，并且启用了动漫迷中认知度比较高的声优团队。只不过在声优方面上三测版本、依然还是使用原韩国知名的动漫行业声优们的配音，就这一点来说还是有些美中不足的，希望在下次版本中的国服能够早一点听到国人自己的声音吧，不过话又说回来了大陆游戏却有韩国配音貌似也还不错，虽不知道国服的配音者都是谁，但至少目前的韩国声优们的配音却把角色的性格表现得微妙微翘，从而提升了玩家与动漫迷们的满足感。
　　【快速而强烈的动作打击感】
　　在玩格斗网游中的玩家最希望能体验到什么，没错就是紧张而快速的超强打击感《封印者》这款游戏真的能给玩家带来一个精密而又不生硬的超爽战斗体验。
　　按键简单易上手，技能释放so easy~除了对连招搭配有一点小小的要求之外，基本上可以说是非常简单的，能够进行简单而又快速的上手操作，是游戏商对玩家的一种福利，操作模式不难甚至可以说是非常的简单在游戏中只要玩家尝试了新手教程之后相信肯定是没问题的，即使是动作游戏初学者也一样可以很快的上手。不仅如此玩家们还可以通过这些快捷键组合出更加华丽的技能连招出来。
　　除了地面连击操作之外，还有许多空中战斗元素，当游戏中的怪物或者是敌人被击飞至空之后，我们是可以在对其进行多次连招的，况且技能等级高了之后所有技能都可以在空中释放的，并且在空中释放时还会有不同的释放效果，比如李瑟钰在空战时就是非常强劲的，当然啦在技能与动作打击感的详细描述小编是不会告诉你们太多的，想要知道更加详细的内容不妨亲自去游戏中体验啦~。
　　【超自由装备与时装系统】
　　在一般游戏内的角色装备都是非常具有局限性的，而封印者这款游戏则是不同，封印者的模块与护盾都是可以装备多个的，想要全身3个模块六个护盾都是橙色的传说品质也不是不可能的呦~《封印者》在游戏内的时装可谓是多种多样的，从头到脚算下来的话可装备的时装就有14个，并且每个不见得效果都是可以清晰的显露出来这一点难能可贵，14个部位的自由装扮，让玩家可以突破角色设定，打造独具个性的人物形象，此外无论是装备还是时装都是具有套装效果的~
　　【超细节的新手帮助指南】
　　小编在2011年就开始接触测试网游到如今也是有了很长一段时间了，相对于以往的游戏来说，相对于这些游戏来说，新手教程只是让玩家去了解这个游戏的基本操作，但是新手指南有的游戏多多少少还有点那么不尽人意，甚至在后期想翻阅新手指南的内容有的都是不可以的，然而《封印者》这款游戏中如果有不会的事情了，只需要按下ESC然后找到帮助栏就可以了。
　　除了基础操作，强化，任务，转职，拍卖行之外、还有邮件、时装等21个帮助指南呦~如果遇到不懂的事情不妨试试查看下指南即可~
　　【评测点评】
　　高速的动作类游戏、极像漫画的背景设定与丰富个性的角色、游戏背景中的“次元战争”很好的交代了故事情节，况且每个登场的角色都有着鲜明的性格。将高精准度高速的动作作为目标追求精练、迅速的动作。为了做到这一点，Closers实装了每秒80帧以上的攻击判定，使用户能感受到细致、柔和的动作。
　　操作方法为zxc，还有数字键进行。用着这些按键组合起来新手也能作出非常简单的连击。
　　玩家可将按键组合与技能结合起来扩张出完美的连击。
　　可以将怪物击空后带入各种各样的连招。玩家可靠游戏周边地图情况研究出不同的连招方式。升级中也能学习到新的连招等。
　　【即使风格不同照样非常顺手】
　　游戏中物品与能力值还是比较重要的，如果在有了好的能力的前提下那么操作也将会变得更加顺手，无论是战斗、连贯性，还是出手速度来说都是非常好的提升，玩的时间长了对操作的熟练度也就提升了，在游戏中也是一个不小的收获的表现，游戏中最明显的改变就是技能等级提升后，相应的作用范围会变得非常的大能力值也是非常的强!
　　游戏中不同的技能可以装备技能核心，技能核心可以使强制释放技能进行追打，也可以选择减少能量或者是CD时间，再或者是技能释放是效果变得更为强劲，总之是一种战斗型的升华道具就对了。
　　【了解游戏剧情将会更有意思】
　　每一个角色都有自己独特的性格，玩家在玩游戏做任务的时候经常会跳过剧情或者说是跳过对话，在这里小编是强烈不推荐的，其实游戏最最最精华的就是任务与故事剧情的发展了，在这里我们能了解这款游戏的时代背景，与每一个NPC角色的性格。当玩家放松自己的节奏慢慢欣赏剧情的时候你就会发现其实游戏中的剧情有时候比战斗更有意思，真正的读剧情的时候那感觉就像是看一篇奇幻小说一样，玩家从刚开始的故事的起源到故事的结尾都有一种循环渐进的了解过程，故事情节也能够自然连接，因为不同的角色大部分的对话是不一样的所以即使是单人玩的话，也不会遇到那种反复练好的无聊乏味之感。
　　【副本游戏是有疲劳限制的】
　　作为主要的通关副本游戏，疲劳度想必是必不可少的，有疲劳的限制可能会受到不少玩家的抵触，但是这不得不说这是一个很好的开始，限制疲劳的话我们可以适当的玩游戏，注意劳逸结合，相比于那些其他大型游戏一天在线十个小时加的游戏来说，小编更喜欢这种休闲轻松却有不失劲爆爽快的战斗感觉。
　　已进入游戏前为例，游戏中不光光角色有疲劳，游戏中的账号也是有疲劳的，账号疲劳往往是角色的双倍效果，简单的来说就是一个账号里账号疲劳可以刷光两个角色的人物疲劳，仅此而已……
　　游戏内角色越多可为账号提供的能力值越强，像尤莉将等级提高到一定程度之后就会为此账号的所有角色提供一个攻速加成的BUFF，当然别的角色也有只不过是一些其他BUFF，比如说生命值或者攻击数值等。
　　当然以上的疲劳限制只是对公测的推断，毕竟三测是在等级礼包以及一些活动上是送疲劳的……
　　【游戏中优点】
　　操作感十足并且非常的流畅，游戏画风深受广大玩家的喜爱与好评，战斗具有强烈的打击感，副本中的战斗音乐与副本外的战斗音乐是截然不同的，一个矫健激昂，一个轻松欢快~况且还有小编最爱的PVP竞技场。
　　任务指南详细，新手指引非常清晰，简单易懂，游戏内具有两种操作模式，如果玩家不习惯键盘操作的话使用游戏手柄也是一个不错的选择。值得一提的是如果键位不喜欢的话~还可以自由更改游戏的键位~
　　装备与时装是可以强化的，况且角色时装搭配的细节处理的非常到位，游戏中的装备分为4类：核心、模块、护盾和时装。为了提高玩家体验《封印者》装备均不限职业，省去了收集装备的烦恼。此外，装备属性都可以通过NPC进行重铸，给予玩家最想要的附加属性，如果对打到的装备不满意还可以自己去制作武器呦。
　　【游戏中的缺点：“针对本次测试”】
　　在43级之后就没有任何剧情了，就是存粹的刷图升级，这一点让小编很是不满意，感觉特别的枯燥乏味。
　　最为关键的是副本难度还是太低，可能是小编操作太好的缘故，感觉噩梦难度才是一般游戏里的困难难度，还是太过轻松了，从游戏开始玩到现在血量就没掉下过80%，而且从来没吃过血瓶，别问我为什么~我使用的角色是“J”，并且小编的意识与走位是超高的，感觉副本难度真心太低了，虽然游戏公司为了照顾新手玩家，但对于我这种高玩来说这样的副本真的是木有任何挑战性。
　　建议BOSS还是应该多一些霸体技能与抓取或强力击退技能为好，让玩家知道难度体验那种紧张的刺激感。
　　【游戏评分】
　　如果十分是满分的话那么小编感觉会这样评分
　　操作体验：8.6 简单易懂的操作感觉，技能连接与绚丽的光效让人爱不释手。
　　画风音效：8.3场景还是很华丽的但细节还不够完美，组队打击音效听多了会有些觉得有些吵。
　　角色配音：7.5虽然韩国声优的配音让我非常喜欢，不过还是希望能够听到国人的配音出现。
　　游戏特色：9.0虽然三测能体验到的内容依然不是很多，不过在这个二次元的动漫风格游戏里也算很不错的了，对于喜欢二次元动漫风格的人来说这种吸引力是致命的，非常受到广大人民的喜爱~
　　平均分数：8.35
　　总结来说，双操作模式简单易懂易上手，职业技能华丽，突出人物个性，打击感强，让人身临其境，装备属性上选择性强，副本难度较低，画风音效较好。
　　【游戏介绍】
　　《封印者》是由韩国NADDIC GAMES 公司开发、世纪天成代理运营的横版动作网游。游戏以动漫风为特色，在传统横版动作游戏的基础上，植入了时尚的“二次元”基因。游戏采用全3D引擎开发，操作简单自由，动作爽快华丽。精美的动漫风人设与丰富的剧情内容，也让本作吸引了许多ACG爱好者。
　　《封印者》官方网站：http://cls.tiancity.com/
　　《封印者》官方论坛：http://newbbs.tiancity.com/closers
　　《封印者》官方微博：http://weibo.com/clsol
　　《封印者》官方玩家交流QQ群：
　　《封印者》官方微信公众号：ClosersCN
相关新闻：
本游戏适合全年龄段人群
健康游戏公告 抵制不良游戏 拒绝盗版游戏 注意自我保护 谨防受骗上当 适度游戏益脑 沉迷游戏伤身 合理安排时间 享受健康生活对于新玩家流失和资深玩家流失情况的预测
发布时间： 14:06:20
作者：Dmitry Nozhnin
我曾在之前的文章阐述了我对于新用户（刚注册游戏）流失情况的预过程，即根据他们头1，2天的游戏情况所收集到的数据进行猜测。而在这一范围的另一端是那些愿意在游戏中投入数月时间的资深玩家，及关于他们最终放 弃游戏的多种原因。虽然猜测他们离开游戏的想法很容易，但是在本篇文章中我们将进一步分享我们的数据挖掘方法论。
我们的数据集中有来自3万8千名资深玩家长达6个月的游戏记录。
定义流失时刻
明确新玩家的流失时刻非常简单,他们总是会在进入游戏几分钟或几小时后离开。所以我们可以很容易确定这些玩家最后的游戏时间，并因此确定这种流失元素的数据挖掘模式。而对于资深玩家，我们便需要经过多次迭代才能 准确地定义流失情况。我们的第一种假设是：玩家只是一时喜欢游戏，之后他可能就会选择离开游戏。用绿色去标记他们的游戏时间，结果将如下图所示：
image 01(from gamasutra.com)
我们采取较为直接的方法去明确流失时间，即根据玩家最后一次的游戏时间。但是实际上却不是这么简单；大多数玩家的游戏时间如下：
image02(from gamasutra.com)
我们可以看到8月25日便是玩家最后一次的游戏时间，但是它是否就等于流失点呢？我们可以从图中看到，8月16日前玩家已经连续七天未玩游戏了，或者在7月31日后玩家也是连续7天未曾打开游戏。我们尝试了各种假设，但 却发现简单的假设都是不成立的。以一种简单的方法去明确流失情况（即将某一天当成是玩家的最后一天游戏时间）只能获得65%的精确度。
手动数据调查的结果便是流失者总会经历“较长的”游戏时间,这种间歇性的活动时间有可能持续数周，甚至长达好几个月（就像第二张日历上所示那样）。他们可能老早就不再积极玩游戏了，但却仍会不时地登录到游戏中。 实际上他们可能已经退出了游戏，但偶尔也会为了竞拍，与好友聊天或者核查帐号是否转交给其它同伴而登录游戏。
接下来便是使用经验阀值去砍断这段“较长的”时间，从而明确玩家的游戏积极性是从何时开始淡灭的。最有效的查询方法便是“当日历上前30天的所有游戏时间少于9天时便可以算是最后的游戏时间。”但是这种方法的精确 度也仍然低于80%，并且这种法则只适合临时玩家而非忠实玩家。
image03(from gamasutra.com)
重新定义流失时刻
决定该项目的成功元素在于重新架构流失时刻,从“玩家离开游戏”到“玩家的积极性低于流失阀值”。我们已经保存并广泛使用了频率参数，并以此界定“日历后30天玩家登录游戏的天数。”总之，如此我们便能够明确玩家的游戏频率,是每天游戏，每隔一天游戏，每周末玩游戏还是一个月只玩几天游戏。我们将根据玩家的游戏频率而划分出不同玩家：
接下来便是定义玩家在变成“The Pit”时的流失情况（这一领域的玩家具有极低的积极性以及极高的流失可能性）。从商业角度来看这种方法非常棒，因为比起研究流失者离开游戏的时间，我们现在更专注于早期检测以及预 测哪些玩家开始对游戏失去兴趣，从而让我们拥有数周时间去激励这些玩家继续游戏。
一种新方法便是预测哪些玩家将在2周内跌进“The Pit”区域内，是7&#&#–20队列中的玩家，或者是21–25队列的玩家将在3周内跌进这一区域。也就是我们将明确哪些玩家正在失去游戏动力，以及哪些玩家的积 极性将在今后几周时间里快速跌落：
image04(from gamasutra.com)
第一个项目的一大关键点在于一般活动参数对于预测流失情况非常重要。
虽然我们希望这种参数也能够用于分析资深玩家，但是最终我们还是决定尝试一些游戏特有的且具有社交性的参数：
聊天活动，跟同伴聊天以及发送聊天信息
锻造和收获资源
玩家对抗玩家与玩家对抗敌人模式
帐号中的最大角色级别
记下付费订阅天数
每日活动与游戏时间被当成主要的预测元素，而事实也证明它们就是。
选择适当的公式
当我们在分析新玩家时，因为只拥有少数几天的数据，所以我们必须使用简单的即时数值。而面对资深玩家我们却可以使用长达数周甚至数月的数据，所以对于数据收集我们也必须使用不同的方法。移动总数和移动平均值，以及导数和数据拦截在这种情况下都非常有帮助。
image05(from gamasutra.com)
我们使用30天的移动总数去分析长期的每日活动，并根据线性方程式进行计算。实际用于数据挖掘模式中的参数只会是近似值的拦截值。在数据准备过程中使用普通最小二乘法便是运行T-SQL的一种非常简单的方法。
而对于每日游戏时间的分析，我们必须在使用近似值前删去零点游戏时间中的不活动天数：
image06(from gamasutra.com)
我们必须重写ETL（游戏邦注：提取，转换，加载）程序并重新加载所有数据，而这么做也是值得的：因为一开始我们所获得的结果都较为粗糙，而面对16–20队列的不和谐的数据挖掘模式只能获得80%的精确度。
最后，基于不同的聚合时期和方法我们共获得30种参数，而关于预测哪些玩家将在2至3周内进入“The Pit”区域我们也达到了80%至90%的精确度。虽然这是一个棒的结果，但是在整个过程中我们却遭遇了种种瓶颈，不管使用 何种新参数或方法都没用。最终，当我们开始使用详尽的过去参数时才取得了突破。
详尽的过去体验
那时候我们模式中的时间轴如下：
image07（from gamasutra.com)
零点是指我们开始预测未来的时候。基于队列数，我们将提前2，3周进行预测。数据挖掘模式是基于过去时期的各种参数进行估算，例如每天游戏时间的移动平均值的首个导数。所有参数都是从零点开始基于最后X天进行估算 —-最后3天，5天，1周前等等。
一种新方法便是去估算与过去某个点相关的参数。例如，我们能够估算来自7天中每日游戏时间的移动平均值的导数，但却需要追溯到零点前14天。你们是否还记得我之前所提到的玩家的长时间活动影响？本质来看这种方法应 该是将这些时间切割成不同部分，并将其作为各个独立的参数进行分析。在过去的查询过程中我们便尝试了这种参数组合，如(7,-21) 即在-7天至过去21天的时段，还有(7,-14), (7,-7)以及(14,-14)。
可以说这是我们的制胜法宝，能够帮助我们将有关所有队列的精确度推至95%：
image08(from gamasutra.com)
实际上具有最高精确度的最终数据挖掘模式是基于两种参数的导数和估算，这两种参数分别是活动天数和每日游戏时间！不同队列需要参考不同导数。例如在21-25队列中，详尽的过去估算值非常重要；而对于7-9队列，30天 平均值以及零点前的3至5天参数则更加重要。不管怎样，用于估算资深玩家流失情况的公式总是比估算新玩家复杂得多。下图便是最终数据挖掘模式的示例：
image09(from gamasutra.com)
如果你说这是一个带有各种神秘数字的黑盒子，那么你的想法便是对的。当我们重新回到对于新玩家流失情况的预测，我们会发现即使我们的模式获得了较高的精确度，但是我们却仍不清楚造成用户流失的具体原因。这种情 况同样也发生在资深玩家身上，即我们还未能把握用户流失的真正原因。我们只是获得了一个拥有95%精确度的黑盒子而已！
如今我们能在资深玩家离开游戏前2，3周预测到他们积极性开始下降的情况，从而让我们的社区管理者能够尽早面向这些玩家而解决这一问题，或提供一些奖励以提高他们对于游戏的忠实度。
比起新手对于用户流失情况的预测，这种数据挖掘模式更侧重于使用公式和黑盒子方法，并要求我们必须投入更多时间去调整并修改结果，从而才能获得95%的精确度以及玩家的回访率。事实上在最终数据挖掘模式中我们未参 杂任何游戏玩法参数。我们只是基于源自活动天数和每日游戏时间的参数进行预测，而这种预测更是适用于所有游戏，乃至各种网络服务。
（本文为游戏邦/gamerboom.com编译，拒绝任何不保留版权的转载，如需转载请联系：游戏邦）
Predicting Churn: When Do Veterans Quit?
by Dmitry Nozhnin
In my previous article, I showed the process we developed for predicting churn of our freshest users, who just registered for the game, based on data collected during the first couple of days of their adventures. However, on the other end of spectrum are seasoned gamers who have spent months and months in the game, but for various reasons decided to abandon it. Predicting their desire to leave the game is possible, and in this article, we’re sharing our data mining methodology.
Nothing changed from the first data- we were still on two Dual Xeon E5630 blades with 32GB RAM, 10TB cold and 3TB hot storage RAID10 SAS units. Both blades were running MS SQL 2008R2 — one as a data warehouse, and the other for MS Analysis Services. Only the standard Microsoft BI software stack was used.
Our dataset had up to six months of recorded gameplay for about 38,000 veteran players.
Defining the Moment of Churn
For new players, defining churn was dead simple — they just leave the game after a couple of minutes or hours. That’s it. The last day of play was clearly defined, and data mining models on such churn factors were already well established. However, for veterans, it took us several iterations to define churn correctly. Our first assumption was this: the player is enjoying the game for some time, but then he decides to quit and leaves. Marking his play days with green, we expected something like this:
Our guess was that defining the churn point would be straightforward — the last game day. The reality, however, the majority of players behave like this:
Is August 25th, when we’ve seen the player for the last time, the churn point? Or in fact August 16th, the day we hadn’t seen the player for seven consecutive days? Or July 31st, the first time she hadn’t launched the game for more than seven days? We tried several hypotheses, and the simple ones didn’t work out. Defining the churn in a simple way — predicting that a particular play day will be the last one — resulted in unimpressive 65 percent precision.
Manual data investigation revealed that majority of churners have a “long tail” of play days — those occasional activity days during several weeks, or even months, as shown on the second calendar example. They effectively stopped actively playing the game, but still log in from time to time. In fact, t occasional logins are for auction sales, random chats, or probably indicate that the account has been passed on to guildmates.
The next step was to cut off this tail using some empirical thresholds in order to trace back to the day when the player’s activity decline started. The most effective query was something like “the last day of play when total game days for the previous 30 calendar days were fewer than 9″. Still, the precision was under 80 percent, and empirical rules didn’t work for loyal but very casual players.
Redefining the Moment of Churn
Key success factor of this project was reframing the moment of churn from “the player has left the game” to “the player’s activity has dropped below the churn threshold”. We already store and widely use the Frequency metric, defined as “days with game logins in last 30 calendar days”. In short, it means how often player has been playing — every day, every other day, on weekends, or just a few days a month. We segment players according to their play frequency:
The next step is redefining churn as they fall into The Pit, an area of extreme inactivity with very high probability to churn. This idea really makes sense from business point of view — instead of detecting churners the day the leave the game forever, we’re now focusing on early detection and prediction of disinterested players, and have several weeks to incentivize them to keep playing.
The new approach was to predict players who will fall down into The Pit in two weeks for 7-9, 10-15, and 16-20 cohorts, and in three weeks for the 21-25 cohort. So we’re looking for players who are losing momentum, and whose activity will drop significantly over the next several weeks:
Choosing the Metrics
One of the key insights from the first project was how important general activity metrics are for predicting churn.
We expected them to also be important for analyzing veteran players, but nonetheless decided to try some game-specific and social metrics as well:
Chat activity — whispers, guild chat, and common chat messages
Crafting and resource harvesting
PvP and PvE instances visited
Max character level on account
Remaining paid subscription days
Daily activity and playtime were expected to be key predicting factors, and so they are.
Choosing the Right Math
When we analyzed new players, we had only a couple of days of data, thus using simple instant values. However for veterans we think in terms of weeks and months, so different approach is required for data aggregation over time. Moving totals and moving averages, derivatives and intercepts are useful in this case.
We used a moving 30-days sum for analyzing long-term daily activity, approximated by a linear equation. The actual metrics that went into data-mining model were slope and intercept of the approximation line. Their calculation with ordinary least squares method is fairly easy with T-SQL during the data preparation process.
For daily playtimes’ analysis, days of inactivity with zero playtimes were stripped before applying approximation:
ETL procedures had to be rewritten from scratch and all data reloaded, but idea was well worth it: even first results on raw, untuned data mining models for the 16-20 cohort were around 80 percent precision.
In the end, with about 30 metrics with different aggregation periods and methods, we achieved 80 to 90 percent precision in predicting players who are about to fall into The Pit in two to three weeks. This is quite an impressive result, but for a couple of months we were stuck with it, no matter what new metrics and methods we tried. Finally, a breakthrough happened with the introduction of detailed past metrics.
Detailed Past Experience
The timeline of our model, by that time, was like this:
The zero point is the day for which we’re predicting the future. The forecast is being made for two to three weeks ahead, depending on cohort, as described earlier. Data-mining models are fed with various metrics for past periods, like first derivative of moving average of daily playtime per game day, calculated for past X days. All metrics were calculated based on last X days from point zero — last three days, five, a week ago, and so on.
A fresh idea was to calculate some metrics relative to points in the past. For example, we could calculate first derivative of moving average of daily playtime per game day for 7 days, but looking back 14 days before point zero. Remember what I said about long tail effect of players’ activity? Essentially the idea is to dissect the tail into separate parts and analyze them as independent metrics. We have tried some combinations of such detailed past queries, like (7,-21) – 7 days period 21 days into the past, (7,-14), (7,-7) and (14,-14).
This idea was our epic win, boosting precision and recall after some manual tuning to 95 percent for almost all cohorts:
Most fascinating is the fact that final data mining models with best precision were entirely based on derivatives and calculations of only two metrics — days of activity and daily playtime! For different segments, different derivatives were important. In case of models for 21-25, all our detailed past calculations were important. But for the 7-9 cohort, models were based on 30-day averages as well as near-past metrics for 3 and 5 days before point zero. At any rate, the math is much more complex than it was for new players’ churn predictions. The following is the example of final data mining models (click to see full picture):
And if it looks like a black box with some mystical math inside — well, you’re right. Back when we learned how to predict new players’ churn, an alarming fact was that despite the great precision of the model we arrived at, we knew little about the actual reasons for churn. It’s the same for veterans — we have no human-comprehensible results about the nature of churn. Just an awesome, 95percent accurate black box.
We’re now able to predict dramatic drops of veteran players’ activity two to three weeks ahead of their exit from the game, allowing our community managers to take care of those players, resolve their issues, or offer some incentives to boost their loyalty.
This data-mining project was heavier on math and the black box approach than the one for newbie churn prediction, requiring more time for fine-tuning and verifying the results, but leading to 95 percent precision and recall rates. Fascinating is the fact that no gameplay metrics made their way into the final data mining models. Prediction was purely based on metrics derived from days of activity and daily playtimes, which are generic for all games, and probably even for web services.(source:)
CopyRight Since 2010 GamerBoom All rights reserved &&闽ICP备&号-1