游戏用户生命周期观测 | 时序模型业务洞悉

前文

下面简称D公司， D公司经营电子宾果、电子BC、体育BC、特色游戏及扑克在内的多元化业务，随着业务的扩展，游戏地区将覆盖东南亚、未来将辐身南美州一带的国家。

当前目前的日注单量为 10亿/天，预计明年将达到 50亿/天。行为数据和埋点事件量目前为 20亿/天，期望增长至 80亿/天。

要做到这一点，必须要做到大量的用户增加和高质量的转换，提高用户的留存率和付费率，增用用户的活跃度，促使用户快速进行转换。

关系型数据可以做这个事，过去的用户数据分析用的是RFM模型，用来衡量客户价值和创收能力，对不同价值的客户使用不同的运营策略，把公司有限的资源发挥到最大的效果，实现精细化运营。

• R（Recency）：最近一次消费时间与截止时间的间隔。通常情况下，最近一次消费时间的间隔越短，客户对商品或服务最有可能感兴趣。
• F（Frequency）：客户在某段时间内所消费的次数。消费频次越高的客户也是满意度越高的客户，其忠诚度越高，客户价值越大。
• M（Monetary）：客户在某段时间内所消费的金额。消费金额越大的客户，消费能力自然也越大。

基于考虑使用时序数据库，TDengines是一款国产时序数据库，通过TD实现时序数据建模，以时间点做为ID打通数据。

建模需求

• 最小单位精确到秒，目的当前用户生命的周期阶段的权重
• 最小单位精确到秒，每一次用户的投注数额及相关行为状态变化。
• 最小单位精确到秒，反映出用户的创建、转换、销毁的基本属 性
• 最小单位精确到分，反映用户的投注和整体状态变化
• 最小单位精确到分，反映用户行为和注单的趋势
• 最小单位精确到分，反映用户注单与活动紧密趋势
• 最小单位精确到时，从中洞悉用户与社区、游戏的联络获取能力。
• 最小单位精确到时，获取用户在每个小时的变化状况
• 最小单位精确到时，获取用户的行动分析结果。
• 最小单位精确到天，今天的数据变化改进相对昨天差异变化
• 最小单位精确到天, 各个游戏厅的消费以及存款
• 最小单位精确到天，游戏账号、注单号、下注时间、下注金额、派奖金额、输赢面。

原来关系表

基本属性

登录属性

消耗属性

充值属性

金币属性

死亡

经验属性

好友属性

副本属性

讨伐属性

任务属性

注单属性

TDengine建模

时序建模是 时间+名称+指标 = 数值 ，时间代表粗细粒度，通过秒、分、时、日控制业务属性。

• 时序秒用于用户行为数据、登录属性、当时注单属性、任务属性

• 时序分采用用户域数据、登录属性、当时注单属性、任务属性等多个属性，

• 时序时主要用于体察用户的消费变化、活动趋势。

• 时序天从宏观的层面来看，重视注单属性、交易属性、活动属性、活跃属性的交互，洞察客户内部的机会转换

部分建模实例

taos> create table user_basic(tt timestamp,juese_num   varchar(20),play_time   varchar(20),character_level varchar(50),charac
ter_var  varchar(50),chongwu_flag  varchar(50),create_day_now  varchar(50),fd_reg  varchar(50),fd_reg7day  varchar(50),dab  v
archar(50),new_dab   varchar(50),existing_dab  varchar(50));
Create OK, 0 row(s) affected (0.002534s)


taos> create table trans_summary(tt timestamp, login_name   varchar(30),  bet_site_id  int,total_bel_amount  int,total_ggr
int, turnover_range  float,deposit_times  int,deposit_amount  float,withdraw_times  int,withdraw_amount   float,betamount  float,ggr  float);
Create OK, 0 row(s) affected (0.004061s)



taos> create table recharge(tt timestamp, dep_amt   varchar(30),  dep_amt_wk1  int,dep_amt_wk2  int,dep_cnt int,dep_cnt_wk1   float,dep_cnt_wk2  int,dep_first_day_now  int,dep_last_day_now  int);
Create OK, 0 row(s) affected (0.004376s)

taos> create table fight(tt timestamp, monster_cnt   varchar(30),  monster_cnt_wk1  int,monster_cnt_wk2  int,monster_exp  int
,monster_exp_wk1  int,dep_cnt_wk2  int,monster_seal  int,monster_seal_wk1  int,monster_seal_wk2  int);
Create OK, 0 row(s) affected (0.002640s)


taos> create  table  transact(t1 timestamp, login_name  varchar(30),bet_site_id  varchar(30),total_bel_amount  int,total_ggr  int,turnover_range  double,deposit_times  int,deposit_amount  double,withdraw_times  int,withdraw_amount  float,betamount  float,ggr float );
Create OK, 0 row(s) affected (0.002162s)

测试总结

• 作为MySQL使用者，TDengine的使用风格接近MySQL,建库建表使用较容易上手
• 在时序秒的业务场景里面，针对注单10亿的数据，时序建模应用较佳 ，相对关系型数据库好一点。
• 从数据的浏览视角来看，时序排列更加轻易阅读，方便数据运营人员浏览查看。
• 时序相对于RFM模型，技术本质等于重新组装成了一个大宽表，涵盖更丰富的数据。