游戏行业数据分析：AI 玩家行为聚类与付费预测模型实战
大家好，我是朱大喜！最近在游戏行业做了个有意思的项目——用 AI 帮运营团队识别高潜付费玩家。今天就和大家聊聊，怎么通过行为聚类和付费预测模型，把游戏数据玩出花来。
一、业务背景与数据画像
游戏行业的用户生命周期管理和付费转化一直是核心命题。我们合作的是一款卡牌类手游，DAU 大约 50 万，但付费率不到 3%。运营团队面临的问题是：新用户首周流失率高达 60%，而老用户的付费意愿也在逐年下降。
整个项目的数据源主要来自三张核心表：用户基础信息表（注册时间、渠道、设备型号）、游戏行为日志表（登录时长、副本通过率、PVP 场次、社交互动次数）、以及付费流水表（充值金额、充值次数、首充时间、付费道具类型）。数据量级在每日 200GB 左右，所以我们在 Spark 上做了离线特征工程。
在开始建模之前，我们需要想清楚一个核心问题：什么样的玩家更可能付费？是那些天天上线肝副本的硬核玩家，还是那些偶尔上线但每次充大额的"氪金大佬"？这个答案决定了我们后续特征工程的方向。
二、行为聚类：给玩家贴标签
聚类的核心目的是将玩家按行为模式分成不同群体。我们选取了以下特征维度：
- 活跃度指标：近 7 天登录天数、日均在线时长、日均操作次数
- 战斗投入度：副本完成率、PVP 参与次数、战斗胜率
- 社交活跃度：好友数量、公会活跃度、聊天消息数
- 成长速度：等级提升速度、装备更新频率
数据标准化后，我们先用肘部法则确定最佳 K 值，然后用 K-Means 进行聚类。以下是用 Python 实现的核心代码。
import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
# ========== 1. 加载玩家行为特征数据 ==========
# 从 Spark 离线特征工程输出的 Parquet 文件中读取
df = pd.read_parquet('player_features.parquet')
# 选取用于聚类的特征列
cluster_features = ['login_days_7d', 'avg_online_minutes', 'avg_ops_per_day',
'dungeon_completion_rate', 'pvp_count_7d', 'win_rate',
'friend_count', 'guild_activity_score', 'chat_msg_count',
'level_growth_rate', 'equip_update_freq']
# ========== 2. 数据标准化 ==========
# K-Means 对尺度敏感，必须先标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(df[cluster_features])
# ========== 3. 肘部法则确定最佳 K 值 ==========
# 计算不同 K 值下的簇内平方和（Inertia）
inertia_values = []
K_range = range(1, 11)
for k in K_range:
kmeans = KMeans(n_clusters=k, random_state=42, n_init=10)
kmeans.fit(X_scaled)
inertia_values.append(kmeans.inertia_)
# 绘制肘部曲线图
plt.figure(figsize=(10, 5))
plt.plot(K_range, inertia_values, 'bo-', linewidth=2)
plt.xlabel('聚类数 K')
plt.ylabel('簇内平方和 (Inertia)')
plt.title('肘部法则 – 确定最佳聚类数')
plt.grid(True, alpha=0.3)
# 通常选择曲线拐点处的 K 值，这里 K=5 较为合适
# ========== 4. 执行 K-Means 聚类 ==========
best_k = 5
kmeans = KMeans(n_clusters=best_k, random_state=42, n_init=10)
df['cluster_label'] = kmeans.fit_predict(X_scaled)
# ========== 5. 分析每个聚类的特征画像 ==========
# 输出每个簇在各特征上的均值，帮助理解玩家类型
cluster_profile = df.groupby('cluster_label')[cluster_features].mean()
print("=== 各聚类群体特征画像 ===")
print(cluster_profile)
# 重命名聚类标签，方便业务理解
cluster_name_map = {
0: '轻度休闲玩家', # 各项指标均偏低
1: '社交活跃玩家', # 社交和聊天指标突出
2: '硬核战斗玩家', # 战斗相关指标高
3: '高潜付费玩家', # 综合指标优秀，历史有付费行为
4: '沉睡流失玩家' # 活跃度持续下降
}
df['player_segment'] = df['cluster_label'].map(cluster_name_map)
print(f"\\n=== 各群体人数分布 ===")
print(df['player_segment'].value_counts())
聚类结果很有意思。我们发现"硬核战斗玩家"虽然活跃度最高，但付费转化率只有 4.2%。反而是"社交活跃玩家"群体，付费转化率达到了 8.7%。这个洞察直接改变了运营策略——与其给那些天天肝副本的玩家推付费礼包，不如在公会活动和社交场景中嵌入付费引导。
三、付费预测模型搭建
聚类帮我们了解了玩家结构，但要精准找到"明天可能付费"的玩家，还需要一个预测模型。我们选择了 XGBoost 作为主力模型，因为它处理表格数据的表现一直很稳定，而且自带特征重要性分析，方便后续向业务团队解释。
样本构造上，我们以"过去 7 天"的行为数据作为特征窗口，预测"第 8 天"是否会发生付费行为。这是一个典型的二分类问题。正负样本比例约为 1:33，属于严重不均衡，所以我们在训练时设置了 scale_pos_weight 参数来调整权重。
import xgboost as xgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report, roc_auc_score, confusion_matrix
# ========== 1. 构造训练样本 ==========
# 特征窗口：过去7天的行为特征
# 标签：第8天是否付费（1=付费, 0=未付费）
feature_cols = ['login_days_7d', 'avg_session_duration', 'dungeon_completions',
'pvp_matches', 'social_events', 'prev_pay_amount_30d',
'prev_pay_times_30d', 'days_since_last_pay', 'resource_balance',
'level', 'vip_level', 'cumulative_pay_amount']
X = df[feature_cols]
y = df['will_pay_next_day'] # 目标变量
# ========== 2. 划分训练集和测试集 ==========
# 按时间顺序划分，避免数据泄露
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42, stratify=y
)
# ========== 3. 训练 XGBoost 模型 ==========
# 计算正负样本比例，用于处理不均衡
neg_pos_ratio = (y_train == 0).sum() / (y_train == 1).sum()
model = xgb.XGBClassifier(
n_estimators=200, # 树的数量
max_depth=6, # 树的最大深度，防止过拟合
learning_rate=0.05, # 学习率
scale_pos_weight=neg_pos_ratio, # 处理样本不均衡
subsample=0.8, # 每棵树随机采样 80% 数据
colsample_bytree=0.8, # 每棵树随机采样 80% 特征
random_state=42,
eval_metric='auc' # 使用 AUC 作为评估指标
)
model.fit(
X_train, y_train,
eval_set=[(X_test, y_test)],
verbose=False
)
# ========== 4. 模型评估 ==========
y_pred_proba = model.predict_proba(X_test)[:, 1]
y_pred = model.predict(X_test)
# AUC 是衡量排序能力的关键指标
auc_score = roc_auc_score(y_test, y_pred_proba)
print(f"测试集 AUC 分数: {auc_score:.4f}")
print("\\n=== 分类报告 ===")
print(classification_report(y_test, y_pred, target_names=['未付费', '付费']))
# ========== 5. 特征重要性分析 ==========
importance_df = pd.DataFrame({
'feature': feature_cols,
'importance': model.feature_importances_
}).sort_values('importance', ascending=False)
print("\\n=== Top 10 重要特征 ===")
print(importance_df.head(10))
模型在测试集上的 AUC 达到了 0.86，Top 3 重要特征分别是：历史 30 天累计付费金额、距上次付费天数、VIP 等级。这符合直觉——有过付费历史的玩家更可能再次付费。
四、模型落地与运营闭环
模型再准，如果没法落地就是摆设。我们把这套系统做成了每日 T+1 调度：
上线两个月后，付费转化率从原来的 2.8% 提升到了 4.1%，付费 ARPU 提升了 18%。最关键的是，运营团队从"盲推"变成了"精准触达"，活动的 ROI 有了明显提升。
五、总结
这个项目让我深刻体会到，数据分析的价值不在于模型有多复杂，而在于你是否能把数据洞察翻译成业务语言。K-Means + XGBoost 的组合虽然经典，但在游戏行业这个场景下确实好使。
关键收获有三点：第一，特征工程阶段一定要和业务方反复对齐，比如"社交活跃度"怎么定义，直接决定了聚类结果的质量；第二，样本不均衡问题不能忽视，否则模型会倾向于全部预测为"不付费"——那就没有任何业务价值了；第三，模型上线只是开始，持续监控和迭代才是正经事。
如果你也在做类似的项目，欢迎在评论区交流。下篇文章我们聊聊 RFM 模型的工程化落地，不见不散！
