付费用户暴增7倍，这项技术是如何对用户产生影响的？
近两年，人工智能是很多互联网巨头最为关注的一个科技发展方向。
“机器学习”（Machine Learning）技术的应用，有利于降低人们在简单、重复工作上的时间占比，在提高工作效率的同时，降低错误数量。
从游戏行业的情况来看，机器学习可以通过大数据分析，帮助游戏产品更精准地找到核心用户。同时，它可以建立数据模型，提前预判目标用户的LTV，优化提升在广告投入方面的投资回报比。
最近，谷歌发布了关于机器学习研究的报告，介绍了他们的机器学习技术在游戏产品的实际应用场景，并结合国内游戏厂商的具体案例，说明这项技术能够给游戏产品带来哪些益处。
值得注意的是，据谷歌方面介绍，智明星空的《COK列王的纷争》曾使用机器学习寻找高质量用户，在配合对应的广告素材投放后，付费用户数量提升了7倍。
针对不同类型的用户，提供对应的解决方案
报告显示，目前机器学习能够提高产品的品牌影响力和性能表现力。它能增加产品的市场渗透率，使更多的目标用户转化为付费用户，并激发用户对产品的持续忠诚度，提高其付费频率。
机器学习也能降低产品的买量成本，通过统计用户偏好的数据，提高投放广告对转化率低的潜在用户的吸引力。同时，它还可以通过大数据分析，对用户的LTV进行预估，给出更利于提升ROI的竞价方案。
这个机器学习项目通过对用户习惯的分析，将产品的用户划分为三类：活跃用户、即将付费用户和已付费用户，其样本需求也存在着比较明显的差异。
针对活跃用户，机器学习需要分析所有活跃用户在游戏中的行为数据，据此来判断应该采取哪些措施刺激用户进行付费。
而针对有付费想法但尚未实施的即将付费用户，这项技术则会在游戏中分析具备这种倾向的用户行为数据，预测用户的付费转化概率，以获得更多的付费用户。
此外，针对在游戏中已经产生付费行为的这部分用户，机器学习则会结合所有付费用户的行为数据和付款数据，预测用户的pLTV（用户的潜在终身价值），挖掘更有价值的用户，提高产品的ROI。
相似的机器学习项目，实际应用过程普遍会耗费一年以上的时间。但谷歌的项目通过标准化流程，并引入多项自动化技术（包括自动选择模型、训练模型），把项目时间缩短到3个月。具体可以分为两个阶段，第一阶段包含从识别业务问题到获取和探索数据三个步骤，第二阶段则依次需要建立模型、训练模型，并在谷歌Ads平台上实现效果。
更精准地捕捉核心用户
报告将游戏用户分为核心用户、使用用户和兴趣用户，三类用户对游戏产品的付费意愿逐层降低。因此，游戏产品通过广告投放，尽可能地捕捉到其核心用户，就显得至关重要。
此时，AI竞价在广告投放上就显现出其优势，能够获得比人工竞价更稳定、效果更好的ROI。人工竞价需要凭借个人经验进行投放，因为无法预测用户的LTV情况，所以即使CPA的价格相同，其所获取的用户LTV也有很大差距。
与之相比，机器学习可以基于前期统计的用户数据加以分析，推测出用户的LTV，以此来调整出价。这样就保证产品能够在成本可接受的范围内，获得相对更好的ROI。
以游族网络的《狂暴之翼》为例，RPG的渠道竞争激烈，获取用户的成本不断升高。传统的广告投放，很难捕捉到这款游戏的高价值用户。
游族网络在使用这套机器学习系统对游戏中大量玩家的行为信息进行分析后，能够预测出哪些是高质量玩家，再结合他们的喜好制作宣传片，形成了不错的营销效果。《狂暴之翼》的广告ROI提升了2.4倍，付费用户数也提升了1.45倍。
另外，一款游戏能够获得多大的收益，取决于用户在使用它的过程中能够获得的价值。一款游戏在设计付费道具时，要考虑到它是否能够激发用户购买。同时游戏还需要根据用户的付费行为，来预测他们的购买意向，继续设计满足他们要求的付费道具。
对于大多数游戏来说，游戏中付费用户数量在总用户数量的比例不会高于2%。付费用户中，大R用户占比更少，仅为10%，单次付费的用户占比最高，达到60%。因此，一款产品如果想要持续获得良好的收益，就需要在游戏中挖掘到那些占比不足0.2%的高质量用户。
不过，对于运营周期超过两年的游戏来说，挖掘付费高、留存好的高质量新用户并不容易。
以智明星通的《COK列王的纷争》为例，这款产品在2015年上线后曾登顶近60个国家和地区的 Google Play。不过这款产品也在2017年的广告投放上遇到了瓶颈，难以获取高质量的新用户。
机器学习技术就在此时发挥了它的作用。它解析并提炼了游戏内付费玩家的信息和行为模式，分析出玩家的喜好、活跃时段、喜欢的活动类型、付费渠道等特点，进而找到更容易付费和高付费的用户。
针对这些用户画像，智明星通制作出对应的广告素材，使《COK列王的纷争》得到了非常出色的营销效果：付费用户比例提升7倍，广告 ROI 提升2.6倍，付费用户获取成本则下降了63%。
《狂暴之翼》和《COK列王的纷争》这两款产品付费用户数据的增长和广告投放成本的降低，说明机器学习技术能够通过整理并分析玩家信息行为，进而建立较高精确度的用户模型，帮助游戏产品挖掘高品质用户。在买量成本不断提升的当下，游戏厂商在谋求广告投放成本的压缩，寻找付费能力高的潜在用户时，机器学习也可以成为一个选择。