Evilom
17 KiB
PdyKdQnAGoKyrAxBXCocypJgnob
Source: https://fcnlycv6dd0w.feishu.cn/docx/PdyKdQnAGoKyrAxBXCocypJgnob
一、工作内容概述
二、研究设计验证：综合投入
第一阶段的重点，是先判断研究竞赛、规则机制、变量字段、综合投入和模型分析之间的链路是否能够跑通。今天分成两部分同步推进： 了解候选竞赛的具体玩法、规则结构、普通成员参与差异、核心角色投入方式，以及后台数据字段是否能够获得。 主要判断：候选竞赛本身是否适合作为后续正式论文的研究场景。 在竞赛还没有最终确定前，先整理后续论文分析需要用到的判断框架，包括竞赛适配性判断、七机制适配、变量字段映射、综合投入构造和模型分析可行性。 主要判断：如果候选竞赛进入论文，应该如何支撑后续研究设计。
（一）“综合投入”构造
文献支撑
原报告提出“综合投入”作为核心结果变量，并从团体赛季制竞赛场景、单一指标不足、K/L 操作化边界等方面进行了说明。但目前相关文献支撑仍较为分散，没有对应到 K、L、K+L 以及规则机制影响投入 的理论链条。需要补充文献支撑，说明为什么要提出“综合投入”，以及为什么综合投入可以由货币投入与有效行为投入共同构成。 从四个方向补充：
- 竞赛理论：支撑规则机制、排名奖励、差距反馈会影响投入。
- 用户参与行为：支撑 L 作为购买之外的有效行为投入。
- 客户参与价值：支撑不能只看 K，需要 K+L 共同衡量。
- 游戏付费与玩家参与研究：支撑游戏场景中付费行为和行为参与可以共同分析。 （1）竞赛理论与排名竞赛文献 在竞赛场景中，个体和团体会通过努力、资源、时间或金钱投入来争取相对领先位置。因此，多人社交竞争游戏中的赛局不能只理解为普通消费场景，而应理解为规则组织下的动态竞赛场景。
- 为什么规则机制会影响投入
- 为什么冲榜、追赶、弃赛和持续投入属于竞赛行为
- 为什么综合投入可以作为规则机制作用后的核心结果变量 支撑：“排名结构、奖励结构、榜单反馈、阶段性差距和追赶预期会影响综合投入” Konrad, 2009, Strategy and Dynamics in Contests（竞赛理论） Lazear & Rosen, 1981, Rank-Order Tournaments as Optimum Labor Contracts（排名竞赛理论） Ederer, 2010, Feedback and Motivation in Dynamic Tournaments（动态竞赛反馈） （2）用户参与行为文献 用户参与不应该只理解为购买行为，也包括购买之外的有效行为参与。所以，本文中的 L 不能简单等同于在线时长，而应理解为竞赛期内直接服务赛局推进的有效行为投入。
- 为什么综合投入不能只看货币投入 K
- 为什么 L 可以作为购买之外的有效行为投入
- 为什么参赛、捐献、协作、复活、进攻、防守、任务完成等行为事件可以用于刻画竞赛参与强度
- 为什么 L 应强调“竞赛相关有效行为”，而不是泛化的活跃、登录或在线时长 支撑：“用户价值不仅来自交易行为，也来自购买之外的行为参与”。用户参与行为文献主要用于说明：在多人社交竞争游戏中，个体对赛局推进的行为贡献同样属于投入的一部分。 van Doorn et al., 2010, Customer Engagement Behavior: Theoretical Foundations and Research Directions （3）客户参与价值文献 只用交易价值或付费金额衡量用户贡献是不充分的，用户还可能通过行为参与、互动、协作和影响他人创造价值。因此，本文不能只用货币投入 K 来衡量个体在竞赛中的投入，而需要将 K 与 L 共同纳入综合投入。
- 为什么不能只用消费金额衡量竞赛投入
- 为什么需要将货币投入 K 与行为投入 L 结合
- 为什么综合投入可以作为比单一付费指标更完整的结果变量
- 为什么低付费但高参与、高协作、高行为贡献的个体也应被纳入投入分析 支撑：“用户价值不能只由交易行为决定，还应包括非交易参与价值”—— K+L 的综合构造逻辑。 Kumar et al., 2010, Undervalued or Overvalued Customers: Capturing Total Customer Engagement Value （4）游戏付费与参与行为文献 在游戏研究中，付费行为、行为参与、社交互动和竞争机制通常是相互关联的。因此，在多人社交竞争游戏中，将货币投入与有效行为投入共同纳入分析，具有游戏研究中的经验基础。
- 为什么游戏付费不是普通消费，而是与竞争、社交、进度推进和机制反馈有关
- 为什么可以同时分析行为参与和内购付费
- 为什么后台行为数据可以用于刻画参与强度
- 为什么综合投入适合作为游戏竞赛场景中的核心结果变量 支撑：“游戏场景下，行为参与与付费投入可以共同分析” Hamari et al., 2017, Why Do Players Buy In-Game Content? An Empirical Study on Concrete Purchase Motivations （关于游戏内购买动机的研究） Jiao, Tang & Wang, 2022, An Empirical Study of Play Duration and In-App Purchase Behavior in Mobile Games （关于手游游玩时长与内购行为的研究） Huang, Jasin & Manchanda, 2019, Level Up: Leveraging Skill and Engagement to Maximize Player Game-Play in Online Video Games（在线游戏参与建模的研究）
◾
同步完成：
（二）“综合投入”变量操作化
作为正式研究场景，需要同时具备两类条件： 围绕综合投入公式：
- 能构造综合投入 Y
- 能从规则和字段中提取七机制变量 X
先从规则和埋点字段中筛选出哪些行为和付费可以作为“投入”，再进一步分类、去重和标准化。七机制变量属于后续解释综合投入的自变量 X，需要单独做规则映射。
游戏规则从四个维度判断：
埋点表从六个维度判断：
- L_behavior：基础行为投入，是否代表个体参与赛局推进
- L_collective：协作/资源投入，判断是否服务团体协作、公共资源和赛局推进，这部分可能与 K 存在重叠，需要后续去重。
（三）变量拆解与机制映射思路调整
参考已有研究中如何设置“行为投入、付费投入、参与强度、社交互动和竞争表现”等变量，本轮通过 AI 拆解了 Jiao et al.（2022）、Hamari et al.（2017）和 Huang et al.（2019）三篇论文的变量设置。 整体来看，并不存在一篇论文或一个研究场景能够完全对应本文的“七机制—综合投入”完整链路。顶刊通常更聚焦于一个具体问题、一个现象或一类变量关系，这更接近于对标本文七机制中的某一个机制。所以，后续文献和变量映射思路需要从“寻找一篇论文对标整体研究”，调整为“一个机制对应一类文献、一个机制对应一组变量，再为该机制寻找适合承载的活动场景”。 内部讨论，后续优先聚焦三类重点识别机制：
- 公平性机制：重点查找匹配公平、能力差距、胜率反馈、排名差距、挑战度等相关文献
- 激励性机制：重点查找奖励结构、排名激励、阶段反馈、付费动机、目标达成等相关文献
- 互补性机制：重点查找团体协作、社交互动、共同参与、成员贡献结构等相关文献 后续采用“单机制—单文献组—单活动场景”的方式推进。也就是：先判断某一机制在理论上如何被研究、变量上如何被操作化、数据上能否被字段支持，再看《烽火逐盟》或其他候选活动是否更适合承载这一机制。
三、游戏案例外部样本初筛
基于李总分享，单纯研究成功案例容易产生幸存者偏差，容易只看到已经跑出来的产品，却忽略大量项目在题材承接、核心循环、资源节奏、付费压力、内容更新和长期目标等方面可能出现的问题。 所以，想先通过小范围样本试跑，观察公开资料是否能够帮助我们提前识别潜在风险信号，例如口碑争议、评分偏低、评论集中抱怨、更新停滞、玩法承接不足等问题，并将这些信号转化为产品机制诊断的素材。 本次流程主要包括几个环节： 当前结果仍属于工作流试跑，不代表正式研究结论。后续可以扩大样本数量，并增加其他公开舆情渠道，提升样本覆盖和机制判断的可靠性。
◾
明天计划
一、工作内容概述
二、研究设计验证：综合投入
第一阶段的重点，是先判断研究竞赛、规则机制、变量字段、综合投入和模型分析之间的链路是否能够跑通。今天分成两部分同步推进： 了解候选竞赛的具体玩法、规则结构、普通成员参与差异、核心角色投入方式，以及后台数据字段是否能够获得。 主要判断：候选竞赛本身是否适合作为后续正式论文的研究场景。 在竞赛还没有最终确定前，先整理后续论文分析需要用到的判断框架，包括竞赛适配性判断、七机制适配、变量字段映射、综合投入构造和模型分析可行性。 主要判断：如果候选竞赛进入论文，应该如何支撑后续研究设计。
（一）“综合投入”构造
文献支撑
原报告提出“综合投入”作为核心结果变量，并从团体赛季制竞赛场景、单一指标不足、K/L 操作化边界等方面进行了说明。但目前相关文献支撑仍较为分散，没有对应到 K、L、K+L 以及规则机制影响投入 的理论链条。需要补充文献支撑，说明为什么要提出“综合投入”，以及为什么综合投入可以由货币投入与有效行为投入共同构成。 从四个方向补充：
- 竞赛理论：支撑规则机制、排名奖励、差距反馈会影响投入。
- 用户参与行为：支撑 L 作为购买之外的有效行为投入。
- 客户参与价值：支撑不能只看 K，需要 K+L 共同衡量。
- 游戏付费与玩家参与研究：支撑游戏场景中付费行为和行为参与可以共同分析。 （1）竞赛理论与排名竞赛文献 在竞赛场景中，个体和团体会通过努力、资源、时间或金钱投入来争取相对领先位置。因此，多人社交竞争游戏中的赛局不能只理解为普通消费场景，而应理解为规则组织下的动态竞赛场景。
- 为什么规则机制会影响投入
- 为什么冲榜、追赶、弃赛和持续投入属于竞赛行为
- 为什么综合投入可以作为规则机制作用后的核心结果变量 支撑：“排名结构、奖励结构、榜单反馈、阶段性差距和追赶预期会影响综合投入” Konrad, 2009, Strategy and Dynamics in Contests（竞赛理论） Lazear & Rosen, 1981, Rank-Order Tournaments as Optimum Labor Contracts（排名竞赛理论） Ederer, 2010, Feedback and Motivation in Dynamic Tournaments（动态竞赛反馈） （2）用户参与行为文献 用户参与不应该只理解为购买行为，也包括购买之外的有效行为参与。所以，本文中的 L 不能简单等同于在线时长，而应理解为竞赛期内直接服务赛局推进的有效行为投入。
- 为什么综合投入不能只看货币投入 K
- 为什么 L 可以作为购买之外的有效行为投入
- 为什么参赛、捐献、协作、复活、进攻、防守、任务完成等行为事件可以用于刻画竞赛参与强度
- 为什么 L 应强调“竞赛相关有效行为”，而不是泛化的活跃、登录或在线时长 支撑：“用户价值不仅来自交易行为，也来自购买之外的行为参与”。用户参与行为文献主要用于说明：在多人社交竞争游戏中，个体对赛局推进的行为贡献同样属于投入的一部分。 van Doorn et al., 2010, Customer Engagement Behavior: Theoretical Foundations and Research Directions （3）客户参与价值文献 只用交易价值或付费金额衡量用户贡献是不充分的，用户还可能通过行为参与、互动、协作和影响他人创造价值。因此，本文不能只用货币投入 K 来衡量个体在竞赛中的投入，而需要将 K 与 L 共同纳入综合投入。
- 为什么不能只用消费金额衡量竞赛投入
- 为什么需要将货币投入 K 与行为投入 L 结合
- 为什么综合投入可以作为比单一付费指标更完整的结果变量
- 为什么低付费但高参与、高协作、高行为贡献的个体也应被纳入投入分析 支撑：“用户价值不能只由交易行为决定，还应包括非交易参与价值”—— K+L 的综合构造逻辑。 Kumar et al., 2010, Undervalued or Overvalued Customers: Capturing Total Customer Engagement Value （4）游戏付费与参与行为文献 在游戏研究中，付费行为、行为参与、社交互动和竞争机制通常是相互关联的。因此，在多人社交竞争游戏中，将货币投入与有效行为投入共同纳入分析，具有游戏研究中的经验基础。
- 为什么游戏付费不是普通消费，而是与竞争、社交、进度推进和机制反馈有关
- 为什么可以同时分析行为参与和内购付费
- 为什么后台行为数据可以用于刻画参与强度
- 为什么综合投入适合作为游戏竞赛场景中的核心结果变量 支撑：“游戏场景下，行为参与与付费投入可以共同分析” Hamari et al., 2017, Why Do Players Buy In-Game Content? An Empirical Study on Concrete Purchase Motivations （关于游戏内购买动机的研究） Jiao, Tang & Wang, 2022, An Empirical Study of Play Duration and In-App Purchase Behavior in Mobile Games （关于手游游玩时长与内购行为的研究） Huang, Jasin & Manchanda, 2019, Level Up: Leveraging Skill and Engagement to Maximize Player Game-Play in Online Video Games（在线游戏参与建模的研究）
◾
同步完成：
（二）“综合投入”变量操作化
作为正式研究场景，需要同时具备两类条件： 围绕综合投入公式：
- 能构造综合投入 Y
- 能从规则和字段中提取七机制变量 X
先从规则和埋点字段中筛选出哪些行为和付费可以作为“投入”，再进一步分类、去重和标准化。七机制变量属于后续解释综合投入的自变量 X，需要单独做规则映射。
游戏规则从四个维度判断：
埋点表从六个维度判断：
- L_behavior：基础行为投入，是否代表个体参与赛局推进
- L_collective：协作/资源投入，判断是否服务团体协作、公共资源和赛局推进，这部分可能与 K 存在重叠，需要后续去重。
（三）变量拆解与机制映射思路调整
参考已有研究中如何设置“行为投入、付费投入、参与强度、社交互动和竞争表现”等变量，本轮通过 AI 拆解了 Jiao et al.（2022）、Hamari et al.（2017）和 Huang et al.（2019）三篇论文的变量设置。 整体来看，并不存在一篇论文或一个研究场景能够完全对应本文的“七机制—综合投入”完整链路。顶刊通常更聚焦于一个具体问题、一个现象或一类变量关系，这更接近于对标本文七机制中的某一个机制。所以，后续文献和变量映射思路需要从“寻找一篇论文对标整体研究”，调整为“一个机制对应一类文献、一个机制对应一组变量，再为该机制寻找适合承载的活动场景”。 内部讨论，后续优先聚焦三类重点识别机制：
- 公平性机制：重点查找匹配公平、能力差距、胜率反馈、排名差距、挑战度等相关文献
- 激励性机制：重点查找奖励结构、排名激励、阶段反馈、付费动机、目标达成等相关文献
- 互补性机制：重点查找团体协作、社交互动、共同参与、成员贡献结构等相关文献 后续采用“单机制—单文献组—单活动场景”的方式推进。也就是：先判断某一机制在理论上如何被研究、变量上如何被操作化、数据上能否被字段支持，再看《烽火逐盟》或其他候选活动是否更适合承载这一机制。
三、游戏案例外部样本初筛
基于李总分享，单纯研究成功案例容易产生幸存者偏差，容易只看到已经跑出来的产品，却忽略大量项目在题材承接、核心循环、资源节奏、付费压力、内容更新和长期目标等方面可能出现的问题。 所以，想先通过小范围样本试跑，观察公开资料是否能够帮助我们提前识别潜在风险信号，例如口碑争议、评分偏低、评论集中抱怨、更新停滞、玩法承接不足等问题，并将这些信号转化为产品机制诊断的素材。 本次流程主要包括几个环节： 当前结果仍属于工作流试跑，不代表正式研究结论。后续可以扩大样本数量，并增加其他公开舆情渠道，提升样本覆盖和机制判断的可靠性。
◾