feat: collect complete Feishu media assets
This commit is contained in:
Evilom
@@ -1,157 +1,72 @@
|
||||
# 2026.06.13-日报-莫润麟
|
||||
# XqvgwIgFQiM6ZTkzZlGcunDEnFf
|
||||
|
||||
|
||||
Source: https://feishu.cn/docx/XqvgwIgFQiM6ZTkzZlGcunDEnFf
|
||||
Source: https://fcnlycv6dd0w.feishu.cn/wiki/XqvgwIgFQiM6ZTkzZlGcunDEnFf
|
||||
|
||||
|
||||
### 今日内容
|
||||
**1.GPT Researcher 调研分析**
|
||||
**2.机器学习建模前预处理**
|
||||
### 一、**GPT Researcher 调研分析**
|
||||
|
||||
1.GPT Researcher 调研分析
|
||||
|
||||
2.机器学习建模前预处理
|
||||
|
||||
### 一、GPT Researcher 调研分析
|
||||
|
||||
完成 GPT Researcher 工具部署，以小游戏行业为测试场景，结合宏观行业报告与微信/抖音双平台畅销榜 Top50 数据进行交叉验证，形成阶段性行业判断。
|
||||
|
||||
#### （一）GPT Researcher （GitHub开源项目）是什么
|
||||
|
||||
面向深度调研场景的开源 AI 工具，核心能力是根据研究主题自动完成资料搜索、信息整合、内容归纳，并生成结构化调研报告。
|
||||
|
||||
> :mag_right:
|
||||
**完成 GPT Researcher 工具部署，以小游戏行业为测试场景，结合宏观行业报告与微信/抖音双平台畅销榜 Top50 数据进行交叉验证，形成阶段性行业判断。**
|
||||
#### **（一）GPT Researcher （GitHub开源项目）是什么**
|
||||
**面向深度调研场景的开源 AI 工具，核心能力是根据研究主题自动完成资料搜索、信息整合、内容归纳，并生成结构化调研报告。**
|
||||
工作原理：采用"规划者 + 执行者 + 汇总者"三段式代理结构：
|
||||
|
||||
规划者：拆解研究主题，形成具体调研子问题
|
||||
|
||||
执行者：联网检索、抓取资料、逐条生成摘要
|
||||
|
||||
汇总者：筛选整合各来源信息，输出结构化报告
|
||||
|
||||
准确定位：研究加速器，而非最终报告生成器。 适合承担资料抓取、框架搭建、信息归纳等前置环节，生成内容仍需人工核验与二次加工。
|
||||
|
||||
#### （二）本次研究说明
|
||||
|
||||
> :mag_right:
|
||||
准确定位：**研究加速器，而非最终报告生成器。** 适合承担资料抓取、框架搭建、信息归纳等前置环节，生成内容仍需人工核验与二次加工。
|
||||
#### **（二）本次研究说明**
|
||||
本次以"小游戏行业发展情况"为测试场景，分两条线推进：
|
||||
|
||||
行业报告线：通过 GPT Researcher 生成宏观行业研究框架，覆盖平台生态、产品形态、商业化模式和渠道机会；通过 Codex 辅助完成部署、资料整理与可视化优化。
|
||||
|
||||
榜单验证线：引入 2026年5月微信/抖音小游戏畅销榜 Top50 作为实际产品数据，用于验证或修正宏观判断。
|
||||
|
||||
- **行业报告线**：通过 GPT Researcher 生成宏观行业研究框架，覆盖平台生态、产品形态、商业化模式和渠道机会；通过 Codex 辅助完成部署、资料整理与可视化优化。
|
||||
- **榜单验证线**：引入 2026年5月微信/抖音小游戏畅销榜 Top50 作为实际产品数据，用于验证或修正宏观判断。
|
||||
说明：单月畅销榜只能反映特定时间段内的榜单表现，不能直接代表完整市场规模、用户规模或绝对收入。榜单分析作为辅助验证，而非最终结论依据。
|
||||
|
||||
（三）核心发现
|
||||
|
||||
**（三）核心发现**
|
||||
基于行业报告与双平台榜单交叉验证，形成以下阶段性判断：
|
||||
|
||||
小游戏行业仍在增长，但竞争重点已从"低成本上线"转向精品化、长线运营和商业化能力——榜单验证：中重度产品在 Top50 中占据重要位置，与宏观趋势一致
|
||||
|
||||
SLG、放置RPG、模拟经营、塔防等中重度品类已成为畅销榜重要组成，小游戏不再是轻度休闲产品的单一场景
|
||||
|
||||
微信 & 抖音 Top50 重合 23 款（约46%），部分头部产品具备跨平台畅销能力
|
||||
|
||||
支付宝小游戏、华为及快游戏联盟（ vivo + OPPO + 小米 + 荣耀，是这四家手机厂商成立的小游戏统一标准组织，可实现一次开发，四端上线）可作为成熟产品增量渠道
|
||||
|
||||
后续可优化方向
|
||||
|
||||
继续优化 GPT Researcher，使报告更聚焦平台差异、产品案例和商业化模式
|
||||
|
||||
对双平台 Top50 进行结构化补充（品类、发行商、变现方式、渠道表现类型）
|
||||
|
||||
向渠道运营请教小游戏发行渠道经验作为经验补充
|
||||
|
||||
> :mag_right:
|
||||
**后续可优化方向**
|
||||
### 二、机器学习建模前预处理
|
||||
|
||||
#### （一）基本分析原理
|
||||
|
||||
XGBoost 的作用
|
||||
|
||||
XGBoost 是一种基于树模型的机器学习方法，适合处理变量较多、关系复杂、非线性明显的数据。
|
||||
|
||||
在本研究中，XGBoost 的作用不是直接证明因果关系，而是用于回答：
|
||||
|
||||
在多个机制变量共同进入模型后，哪些变量对综合投入差异更有解释价值？
|
||||
|
||||
**在多个机制变量共同进入模型后，哪些变量对综合投入差异更有解释价值？**
|
||||
它可以帮助我们从七个机制变量中，初步筛选出更值得关注的关键机制变量。
|
||||
|
||||
SHAP 的作用
|
||||
|
||||
SHAP 是一种模型解释方法，用于解释 XGBoost 识别出的变量为什么重要，以及这些变量和综合投入之间呈现什么关系。
|
||||
|
||||
SHAP 主要回答三个问题：
|
||||
|
||||
哪些变量最重要；
|
||||
|
||||
变量值升高时，对综合投入是正向还是负向；
|
||||
|
||||
变量与综合投入之间是否存在非线性、阈值或倒 U 型关系。
|
||||
|
||||
XGBoost 更偏向“筛选变量”，SHAP 更偏向“解释机制”
|
||||
|
||||
- 哪些变量最重要；
|
||||
- 变量值升高时，对综合投入是正向还是负向；
|
||||
- 变量与综合投入之间是否存在非线性、阈值或倒 U 型关系。
|
||||
**XGBoost 更偏向“筛选变量”，SHAP 更偏向“解释机制”**
|
||||
#### （二）建模前的数据检查
|
||||
|
||||
缺失值检查
|
||||
|
||||
需要检查每个变量的缺失率，并确定处理方式。
|
||||
|
||||
|
||||
**需要检查每个变量的缺失率，并确定处理方式。**
|
||||
一般可以分为：
|
||||
|
||||
缺失率较低：可用 0、中位数或均值填充；
|
||||
|
||||
缺失率中等：保留变量，同时增加缺失标记；
|
||||
|
||||
缺失率较高：谨慎进入模型，必要时先放入探索变量。
|
||||
|
||||
异常值检查
|
||||
|
||||
需要检查金额、积分、次数、人数等变量是否存在极端值。
|
||||
|
||||
- **缺失率较低：**可用 0、中位数或均值填充；
|
||||
- **缺失率中等：**保留变量，同时增加缺失标记；
|
||||
- **缺失率较高：**谨慎进入模型，必要时先放入探索变量。
|
||||
**需要检查金额、积分、次数、人数等变量是否存在极端值。**
|
||||
可考虑：
|
||||
|
||||
P99 截断；
|
||||
|
||||
log 变换；
|
||||
|
||||
Z-score 标准化。
|
||||
|
||||
- **P99 截断；**
|
||||
- **log 变换；**
|
||||
- **Z-score 标准化**。
|
||||
虽然 XGBoost 不强制要求变量标准化，但为了后续解释和变量比较，建议尽量保持统一口径。
|
||||
|
||||
重复变量和高相关变量检查
|
||||
|
||||
如果多个变量表达的是同一个信息，容易造成解释分散。
|
||||
|
||||
**如果多个变量表达的是同一个信息，容易造成解释分散。**
|
||||
例如：
|
||||
|
||||
综合指数和组成分项同时进入模型；
|
||||
|
||||
两个变量相关性过高；
|
||||
|
||||
变量含义高度重复。
|
||||
|
||||
- 综合指数和组成分项同时进入模型；
|
||||
- 两个变量相关性过高；
|
||||
- 变量含义高度重复。
|
||||
处理建议是：
|
||||
|
||||
第一版优先保留解释最清楚的变量；
|
||||
|
||||
综合指数和分项变量可以分两个模型分别测试；
|
||||
|
||||
不建议把高度重复变量全部放进主模型。
|
||||
|
||||
因变量泄漏检查
|
||||
|
||||
- 第一版优先保留解释最清楚的变量；
|
||||
- 综合指数和分项变量可以分两个模型分别测试；
|
||||
- 不建议把高度重复变量全部放进主模型。
|
||||
这是进入模型前最重要的一步。
|
||||
|
||||
如果综合投入由金钱投入和有效行为投入构成，则自变量中不能直接放入这些组成项，否则模型会变成“用综合投入的一部分预测综合投入”。
|
||||
|
||||
**如果综合投入由金钱投入和有效行为投入构成，则自变量中不能直接放入这些组成项，否则模型会变成****“用综合投入的一部分预测综合投入****”。**
|
||||
因此，机制变量应尽量来自：
|
||||
|
||||
规则结构；
|
||||
|
||||
奖励结构；
|
||||
|
||||
组织结构；
|
||||
|
||||
匹配结构；
|
||||
|
||||
阶段差距；
|
||||
|
||||
协作关系。
|
||||
|
||||
- 规则结构；
|
||||
- 奖励结构；
|
||||
- 组织结构；
|
||||
- 匹配结构；
|
||||
- 阶段差距；
|
||||
- 协作关系。
|
||||
而不是直接使用综合投入的组成行为。
|
||||
Reference in New Issue
Block a user