[发明专利]一种对游戏用户进行游戏付费敏感度分析的方法及系统

权利要求书

1.一种对游戏用户进行游戏付费敏感度分析的方法，其特征在于，包括步骤：

(a)将某款游戏的付费用户的加密数据通过加密方式传输到数据分析平台和DPI平台；

(b)数据分析平台通过自动抓包工具获得精确host，并将获得的精确host传输到DPI平台；

(c)数据分析平台在本地建立算法模型，将构建的算法模型传输到DPI平台；

(d)DPI平台将得到的付费用户的数据、精确host和算法模型进行分析取数，得到目标用户的标签，该目标用户为游戏付费可能性较高的用户。

2.如权利要求1所述的对游戏用户进行游戏付费敏感度分析的方法，其特征在于，所述对游戏用户进行游戏付费敏感度分析的方法，还包括步骤(e)：数据分析平台对步骤(d)中得到的目标用户进行营销测试并对结果进行分析，若结果符合预期按照相同的逻辑进行扩量，若结果不符合预期，不断调整算法模型的参数使其预测更精准。

3.如权利要求1所述的对游戏用户进行游戏付费敏感度分析的方法，其特征在于，在步骤(b)中，数据分析平台配置步骤分析算法以及在根据标签体系设置主流的APP名称及下载地址通过加密接口，传输到自动抓包工具上。

4.如权利要求3所述的对游戏用户进行游戏付费敏感度分析的方法，其特征在于，自动抓包工具开始获取精密host，精密host为关键APP的代表性host，包括：登录地、点击关键地、下单、充值接口，然后将获取的精密host回传给数据分析平台。

5.如权利要求1所述的对游戏用户进行游戏付费敏感度分析的方法，其特征在于，在步骤(c)中，开始建立算法模型及训练，然后不断的调整算法参数，得到最终想要的算法模型，构建算法模型包括：K最近邻算法、贝叶斯算法、SVM、随机森林、人工神经网络中的一种或多种。

6.如权利要求5所述的对游戏用户进行游戏付费敏感度分析的方法，其特征在于，所述方法包括选自下组的一个或多个特征：

(1)构建算法模型，首先利用K最近邻算法进行初步营销，然后采用贝叶斯算法对数据进行分析，决定更适合该用户群体的任务，再采用随机森林算法加入更加精确的host和分析之后的付费用户数据，然后进行营销分析，最后利用ANNs不断的加入一些辅助性host达到最终学习效果；

(2)利用K最近邻算法，给定已知的付费用户的数据，输入一个新的测试数据点，计算包含于此测试数据点的最近的点的分类情况，哪个分类的类型占多数，则此测试点的分类与此相同，因此，有的时候可以复制不同的分类点不同的权重，近的点的权重大点，远的点自然就小点；

(3)在初次营销之后，采用贝叶斯分类对数据进行分析优化host的占比；

(4)随机森林算法加入贝叶斯分析之后的精确host，并决定各类精确host的占比，具体为：随机森林算法为算法思想是决策树加boosting，决策树采用的是CART分类回归树,通过组合各个决策树的弱分类器,构成一个最终的强分类器,在构造决策树的时候采取随机数量的样本数和随机的部分属性进行子决策树的构建,避免了过分拟合的现象发生；

(5)在整个算法模型构建的过程中，ANNs是一直贯穿的，不断的加入精确host和付费用户的数据以及一些辅助性的host。

7.如权利要求1所述的对游戏用户进行游戏付费敏感度分析的方法，其特征在于，在步骤(d)中，DPI平台分析取数，得到付费用户在各个APP的覆盖率并进行打标签，该目标用户为初步预测游戏付费可能性较高的用户，标签包括基础属性、兴趣特征、消费特征。