本文首先需要强调的是，“奸商”的称呼在游戏运营销售道具的核心逻辑里，是个褒义词；其次，“奸商”不可伤害、欺骗玩家，因为能同时满足让玩家快乐消费跟提升月流水（游戏人个人收入）的方式，简要概括下来就 3 步。
第 1 步，不同的玩家会购买不同的道具，也对应着不同的折扣，基于用户行为理解做聚类，可以实现千人千面的商品与折扣推荐。
第 2 步，从单一策略到精细化营销，了解下文的销售机制，可以发现单 1 个道具能带来利润的方式就有 14 种。
第 3 步，知道一点哪怕是文科生也可以轻松掌握的数据知识，把业务问题变为数学问题，就能形成更加富有竞争力的高流水业务提案。
回顾第 64 期的数数课堂，可以发现游戏内“付费推荐案例”这回事，也就是被游戏圈“奸商本商”饭大官人分三个部分就讲明白了。
千人千面的商品与折扣推荐
大家都知道，大数据推荐其实就是一种猜，像刷短视频就是如果你喜欢 A，行为就会被标记，不断的给你按照这个逻辑推荐，而这个概念不仅体现在电商中，在游戏中也有很多应用。
其实商品推荐的整个业务过程其实也是 3 个过程，离线模型训练、实施匹配推荐与模型效果评估。听上去复杂，但是任何文科生都能搞明白。
首先，离线模型训练就是怎样的人喜欢怎样的货物。做生意会察言观色的人知道，看顾客的行头打扮，有经验的销售，通常就能知道他喜欢怎样的东西。其实都是根据这个逻辑来的，它是历史经验的汇聚。
其次是实施匹配推荐，就是在线上场景中根据一个人的消费行为寻找关联关系，基于历史经验猜他喜欢什么，然后去做推荐。至于第三个模型效果评估就是指，我们既然能训练一个有经验人，就能找到 N 个有经验的人，去比谁推荐的商品卖得好。这就是商品推荐系统的整体逻辑。
这里的历史消费数据，其实是作为用户及道具关系特征训练的一个排序模型，对于用户偏好进行打分，也指在游戏里面的诸多行为。 一个用户打开道具商城出现的购买弹窗就对应了浏览，翻页翻到固定位置是搜索动作，战斗的时候买一个道具就是购买。在用户做购买决策之前，一定有一个行为的。譬如有 1 万个玩家在强化前买了特定道具，那这件事情就构成了一个排序规则。
如果把上图蓝色的圆当作玩家，可以发现每个蓝色小块意味着给不同行为做了聚类动作。橙色圆代表商品，距离蓝色更近的这个商品表示卖得更多，证明这一类玩家的某个偏好越高，这就是一个离线预测系统。
实时匹配则代表将之前在游戏上有过的战斗、购买等行为放到线上，筛选出这一类群体感兴趣的商品，对展示靠前的道具进行限时限量的投放。也就是拿历史经验去做解释，再基于离线模型，进行个性化推送。通过对模型 A、模型 B、模型 C背后用户完成付费次数的多少，根据购买率来计算提升效果，进行效果评估。
当然你也可以用自己的个人经验（也就是规则配置）与推荐模型做对比，经过一段时间的曝光售卖，就能够进行比较，如果模销售型推荐的效果，超过了人配置的规则（基准线），就说明人工智能推荐的效果更好。反之，说明模型推荐的效果还不如规则。
其实数数科技的大数据引擎 ThinkingEngine 就有这个效果评估的能力。下方产品演示图就对不同用户进行了分别触达，分别切出 16 万左右的玩家，设置多个实验组去对比。当然 16 万人很多，你也可以先每个分 1000 人，看哪个模型效果好，再一点点往上去覆盖。
说完商品推荐，可以与之结合起来的就是折扣推荐。说白了就是利用 K-means 聚类，基于不同的用户标签设置不同的折扣。系统认为你是一个有钱人，给你的折扣就低，反之折扣就大。那么这里就可以结合用户的消费能力、商品，以及折扣逻辑训练一个模型。
这里需要注意的是，我们往往通过用户的 VIP 等级直接使用折扣逻辑，但是这样的话，你会亏钱，因为一个用户在不同商品的消费意愿不一样。 比如我这类用户特别舍得在健康跟教育上花钱，在其他的地方花钱很舍不得。这种情况下如果你拿用户的消费能力直接去做折扣（常见的 VIP 做法），其实就可能会亏钱，或者说少赚到本应该赚到的收入（嘿嘿嘿嘿嘿，奸商脸.gif）。
不同的人，不同的商品，对应不同的折扣，首先把用户分成不同群，再把商品分成不同的群，当模型条件满足时就可以进行匹配。比如可以让游戏中一类用户本命英雄的折扣力度相对小一点，因为他们更愿意为它付费。
聚类其实就是数据里面特别常见的一个概念，比如说定义人群，分为学生、打工人、宝妈跟XX型玩家，就是计算机对人群的聚类，其实也就是我们对行为特征相似的人的分类。游戏中不同喜好的玩家，喜欢买的商品就不一样，而不同行为之前也一定有一个购买行为，就是你生活中在什么样情况下会去买的东西，只要有历史的数据记下来，就可以明白背后的消费习惯。
聚类方式有很多种，是基于这个游戏用户的行为习惯去决定的。至于价格敏感度就是不同商品的不同折扣。喜欢投资健康的人，就其实可能也不在意折扣，每个人不同的喜好就构成了变量。
精细化的销售机制
在游戏的销售方式中，我们首先可以从用户的心态与视角出发。这里其实就是一个非常好的机会去做千人千面的策略。
在销售端的策略视角，可以通过洞察时机去做触发，然后再思考用怎样的形式（固定位、拍脸、悬浮图标等）售卖，再去做策略包装。比如战斗失败的时候，就是一个触发点，接下来就需要去设定卖的数量、折扣，其实变来变去本质是一样的，用聚类方式按照时机、形式与数量的规则来做就可以。
譬如游戏中玩家每次点开购买页面都出现不同的折扣，就会形成一个心理博弈——“我来到这个地方了，此前有过 6 折的，那现在 7 折，买不买？”它其实就是一个不断试探的过程。
总结一下，谈及销售思路，十年前玩游戏是人找货，后来货找人就是推荐，从千人千面到大数据，就是让不同用户看到不一样的商品，继而折扣也不一样，这是从单一策略到精细化营销的转变。
接下来对应的就是推送逻辑，这也一个规则，也正好对应数数科技 ThinkingEngine 的一个能力，情景触发式的推送（区别于定时类），支持按照用户行为数据来自动匹配满足条件的人群，从而进行个性化内容的触达。比如我们可以设置一个规则，让用户在完成条件 A，且 30 分钟内没有完成 B 的情况下立即收到推送刺激消费。
这里可以分享一个销售面板的装修提案。比如充值XX元送多少武器，限购多少个小时，它背后的概念无非就是需要一个主广告图素材，再加一个价格、属性，再加文案。这里就需要理解用户，然后你会发现用价格锚点的方式，还是用从众、心理账户的方式让用户买单。文案在其中一旦能做多变量的话，就可以给用户打标签——这个用户曾经吃哪个策略的文案，后续带来的效果就越好。
这样再结合前面讲的折扣，商品，用户群体的变量，就可以出一份规则表，去跟老板做进一步的提案。其实，任何一个商品有 14 种方式卖给用户，一个商品可以从 10 个角度去写文案。
让文科生轻松进阶的AI知识
明白了上面 2 部分的销售机制，对于游戏人来说，其实还需要了解背后的 AI 与数据知识，然后你可以做一个与算法模型相关的提案，从而获得进一步的进阶，从更全盘的视角让业务得到推进。
总的来说，游戏人譬如做运营，终归是存在一些上限的，所以也需要学一些新知识，拿这些东西武装自己，譬如可以去跟面试官聊，可以用人工智能技术带来很好的结果，也就是前文跟视频中讲到的逻辑。
讲到此处，也许大家已经能够通过上方内容感受到本期数数课堂分享的硬核程度，如果想要进一步理解并收获精彩的案例，还需要回到完整的回放。因为学习资深奸商的经验，终归“还是得听讲”。
