# DeOCwJ8GZibah7ktWnmcChjEnWf

Source: https://fcnlycv6dd0w.feishu.cn/wiki/DeOCwJ8GZibah7ktWnmcChjEnWf


## 今日内容
**①《烽火逐盟》《钲鼓连烽》策划案了解对比，评估确定主案例**
**③峰值策略仿真调研与初版模拟**
### 一、竞赛活动主案例选择评估

> :mag_right:
今天拿到《烽火逐盟》和《钲鼓连烽》两个活动策划案后，开始从正式论文推进角度重新判断：**当前阶段到底应优先选择哪个活动作为主研究场景。**
此前开题阶段更偏向《烽火逐盟》，主要因为它更符合“多人社交竞争游戏”“联盟竞赛”“团体赛季制”“平台生态治理”等原有框架。但进入正式论文阶段后，不能只看活动是否符合开题表述，还要进一步判断它是否能支撑后续实证分析。
当前重点从以下几个方面进行判断：
  - ** 是否能构造综合投入变量 **
  - ** 是否能承接七个规则机制 **
  - ** 是否有足够清晰的个体行为差异和付费差异 **
  - ** 是否能把规则机制转化为可观测、可入模的机制作用变量 **
  - ** 是否适合后续 XGBoost、SHAP 和聚类分析 **
核心不是简单判断哪个活动“更好”，而是**判断哪个活动更适合作为当前阶段的主实证候选**。
#### （一）两个活动的初步判断
**1. 《烽火逐盟》**
**优势是：**
  - 更适合分析联盟组织、公共资源、指挥和团体生态治理
  - 公平性、补偿性、互动性等机制在规则层面比较明显
**风险是：**
  - ** 活动胜负较大程度依赖存量国力 **
  - ** 普通成员的持续操作深度可能不足 **
  - ** 关键决策可能集中在总兵、盟主等少数组织角色 **
  - 鼓舞、捐献、派遣、竞猜等字段本身就是**投入行为，容易和综合投入结果同源 **
因此，《烽火逐盟》更适合研究：
**存量实力差异下，联盟如何通过组织动员、公共资源和指挥机制维持团体竞赛活力**。
**它作为主活动的优势在于开题稳定性较强，但如果论文重点是“个体持续增量投入”，它可能不是最优场景**。
**2. 《钲鼓连烽》**
**优势是：**
  - 个体行为更多样化，链条也更长
  - 玩家在活动期内有持续操作空间
  - 攻城、防守、建设、征兵、资源转换、任务推进、战功排名、礼包触发等行为更丰富
  - 更容易构造金钱投入、有效行为投入和综合投入
  - 更容易形成玩家之间的增量投入差异
  - 更适合后续机器学习模型识别关键变量
更重要的是，它更容易构造机制作用变量。例如：
    - ** 玩家距离下一战功奖励档的差距 **
    - ** 个人排名距离奖励边界的差距 **
    - ** 所在阵营与领先阵营的积分差 **
**这些变量不是描述玩家已经做了什么，而是描述规则让玩家在投入前面对了什么处境。因此，它们更适合作为后续模型中的解释变量。**
因此，《钲鼓连烽》更适合研究：**竞赛活动中，平台规则机制如何持续激发个体综合投入。**
#### （三）关键判断维度
**1. 研究问题是否适配**
活动是否能回答：平台如何通过规则机制持续组织玩家投入。
**2. 综合投入是否能构造**
是否能清楚区分：
  - 金钱投入
  - 有效行为投入
  - 综合投入
**3. 机制作用变量是否能构造**
是否能用玩家投入发生前的竞争处境、奖励压力、资源约束、追赶机会等变量，解释后续投入行为。
按照这个标准，目前初步判断是：
  - ** 《烽火逐盟》更适合承接原开题框架和团体生态治理 **
  - ** 《钲鼓连烽》更适合作为当前阶段的主实证候选 **
  - ** 是否最终切换主活动，仍要以数据字段验证结果为准**

> :mag_right:
**当前看，《钲鼓连烽》更适合优先作为主实证候选，**因为它更容易构造个体综合投入和前置机制作用变量；《烽火逐盟》则保留为备选方案。
### 三、峰值策略仿真工具调研与模拟准备
#### （一）工具调研
围绕"峰值策略"如何做初步仿真，调研了相关工具与算法路径。
**方案一： Monte Carlo（主线方案）**
**① 算法本身是什么**
  - **Monte Carlo 模拟是一种基于随机抽样的数值模拟方法**，用于处理结果存在不确定性、难以用单一公式直接计算的问题。
  - 基本思路是：先设定一组概率假设和参数范围，**让系统随机运行很多次，最后观察大量结果的分布。**
它适合回答：
  - 某件事在不同随机条件下大概率会怎样
  - 平均结果是多少、最坏情况可能有多差
  - 某个风险发生的概率有多高
  - 哪些参数变化会明显影响结果
离散事件模拟则用来模拟系统中一系列按时间顺序发生的事件，只在关键事件发生时更新状态
例如：某个任务开始、等待一段时间、某个条件触发、进入下一阶段、产生收益或损失。
**② 代入到峰值策略场景**
  - 峰值策略存在大量不确定因素：项目命中率、市场信号强弱、收益倍率、加码时点、止损速度等。
  - 用 Monte Carlo 反复模拟不同经营路径，用离散事件方式描述项目从启动、测试、出信号、加码、回落到退出的完整过程。
可以帮助比较：
  - **轻量多次试错 vs 重注少次押注**
  - **趋势确认后再加码是否降低错误投入**
  - **不同成本、命中率、回报倍率下，策略结果是否稳定**
  - **哪种策略更能降低最大亏损和破产概率**
**方案二：SimPy**
  - SimPy 是 Python 的离散事件仿真框架，适合把"开发→上线→观察→加码→止损"的时间流程显式建模，可以观察多项目并行时团队资源是否被打满、决策延迟会不会吞掉窗口。
  - 与方案一的分工是：方案一解决"这套逻辑值不值得"，方案二解决"这套逻辑跑不跑得动"。待方案一基础模型跑通后视需要引入。
**方案三：Mesa**
  - Mesa 是 Python 的多主体仿真框架，适合模拟玩家口碑扩散、KOL放大Steam热度、渠道推荐行为、竞品跟进节奏等多方互动场景。
  - 前基本经营变量还没跑清楚，建模门槛又高，暂不引入，待后续问题进入市场互动层面再考虑。
#### （二）峰值策略数值模拟初跑

> :mag_right:
**将峰值策略 vs 重投入策略进行仿真模拟对比，观察它们在不同筹码池条件下的平均收益和风险结构。**
#### （二）模拟思路
**峰值策略对应的是“小团队快速试错”的经营方式。**
它的基本逻辑是：
  - 先用小团队快速开发 Steam / Demo 探针
  - 先读取市场真实信号
  - 如果出现活跃、传播、付费等峰值信号，再考虑加码手游化或继续投入
  - 如果没有有效信号，则及时止损退出
  - 用较低单次成本换取更多尝试次数和更快反馈
它的核心不是一开始做大，而是：
**先低成本接触市场，再根据真实反馈决定是否扩大投入**。
**重投入策略对应的是“大团队前置投入”的经营方式。**
它的基本逻辑是：
  - 前期团队规模更大
  - 单项目投入更高
  - 开发周期更长
  - 单次成功后的收益上限可能更高
  - 但失败后损失更大，也更容易受到沉没成本影响
它的风险在于：
**如果市场反馈不成立，前期投入、团队成本和继续加码惯性可能持续放大亏损。**
本次模型采用：
  - ** Monte Carlo 随机模拟 **
  - ** 离散事件模拟 **
核心事件链为：
**启动 → 开发 / 准备 → Steam 触发 → 判断是否手游承接 → 收益回流 → 加码 / 止损**
**通过大量随机重复试验，观察两种策略在不同筹码池下的表现差异。**
#### （三）实跑结果

> [嵌入电子表格: BpnksasO3him0Lt0Bktc...]

**参数说明：**
  - **重投入策略**对标30人团队、15个月开发周期，5年合理跑3个项目；
  - **峰值策略**对标3支6-10人并行小团队、3-4个月一个周期，5年合理跑40个。

> [嵌入电子表格: BpnksasO3him0Lt0Bktc...]


> :mag_right:
#### 阶段性理解
这次实跑进一步支撑了一个判断：
**峰值策略的核心价值，不只是追求更高收益，而是用更低成本换取更快信号，用更多次试错降低单次押注失败带来的系统性风险。**
**从当前结果看，重投入策略并不是一定不成立**。
它在理论上仍然具备更高的单次上限，但它对**命中率、收益倍率、资金窗口和开发周期更加敏感**。
**一旦命中率不足或回报周期过长，就容易被前置投入和沉没成本拖住**。
相比之下，峰值策略的优势更偏向于：
    - ** 降低单次错误投入 **
    - ** 减少最大亏损压力 **
    - ** 保留更多后续尝试机会 **
    - ** 更快读取市场反馈 **
    - ** 在不确定环境中保护经营下限 **
因此，**当前更适合把峰值策略视为“优先验证方向”，而不是直接定性为最终答案**。