PLw6wDDOMinsyBk2TcZcuMoenwb

Source: https://fcnlycv6dd0w.feishu.cn/wiki/PLw6wDDOMinsyBk2TcZcuMoenwb

今日内容

①竞赛活动《钲鼓连烽》数据对接 ②综合投入量化方法优化：PCA主成分分析

一、竞赛活动《钲鼓连烽》数据对接

本次数据对接目标 重点是确认活动过程中的玩家投入、行为变化和结果产出能否被完整追踪，用于验证 X（综合投入）是否可构建。 （一）向项目组提出的数据需求 ① 玩家基础与分组数据

玩家ID、区服、逻辑大区、VIP等级、战力、联盟ID、阵营ID等。
用于识别玩家基础差异，支撑后续分层分析。 ② 报名与进入活动数据
报名时间、报名状态、是否报名成功、是否进入活动。
用于明确样本口径，区分"有资格—报名—进入—实际参与"四类玩家。 ③ 玩家活动过程行为数据
攻城、防守、撤退、剿匪、扫荡、营地建设、征兵、兵力消耗、情报任务、飞鸽、领奖等。
用于构建 L（有效行为投入）。 ④ 消费与资源消耗数据
现金礼包、元宝消耗、商铺购买、活动道具消耗、物资消耗等。
用于构建 K（金钱投入），并分析 K 与 L 之间的关系。 ⑤ 个人与阵营结果数据
个人战功、个人排名、阵营军威、阵营排名、城池占领、奖励领取等。
用于衡量活动产出，作为辅助验证依据，不作为唯一分析口径。 （二）为什么强调按天的过程数据 《钲鼓连烽》是三天活动，论文关注的是"持续投入"和"机制治理"，而不是谁最后排名高**。** 如果只看最终结果，会丢失几个关键问题：
玩家是第1天就投入，还是第3天集中冲榜？
玩家是否在第2天后明显放弃？
金钱投入和行为投入是否同步发生？
阵营局势变化后，玩家是否继续参与？
哪些行为是真正推动战功和排名的有效投入？

🔎 小结 - **只有拿到过程数据，后续才有可能分析机制如何影响持续投入，**而不是停留在最终排名或总战功的结果描述。 - 最终结果只能说明活动结束时的累计表现，但无法解释玩家投入是如何发生的。论文要回答的问题是"规则如何持续组织投入"，答案藏在过程里，不在结果里。

二、综合投入量化方法优化：PCA主成分分析

（一）原公式

前期开题阶段综合投入设定为： 方法依据： 该公式属于复合指标的线性加权聚合方法，OECD/JRC《Handbook on Constructing Composite Indicators》将这类方法概括为以下步骤： 理论框架建立 → 变量选择 → 缺失值和异常值处理 → 标准化 → 权重设定 → 指标聚合 → 稳健性与敏感性分析

放到本研究中，综合投入并不是后台直接存在的单一字段，而是由玩家的金钱投入和有效行为投入共同反映。
将K和L标准化后进行线性加权聚合，在逻辑上可以作为综合投入的基础构建方式，能够直观表达"玩家投入不应只看付费，也要看有效行为投入"的核心观点。 目前存在的三个局限：
权重主观性：
- α=0.5 意味着K和L同等重要，但缺少数据依据，不同权重设定都需要额外解释
L的构建问题：
- 有效行为投入L由多个行为字段构成，各行为重要性不同，简单等权相加会把核心投入行为和轻量行为混在一起
K与L内生关系：
- 金钱投入越多可能带来更多行为机会，两者可能高度相关，人工权重合成难以准确反映真实投入结构

（二）为什么引入PCA

**PCA（主成分分析）**的核心作用是：

**当多个指标共同反映同一潜在概念时，根据数据本身的相关结构提取最能代表共同变化方向的综合因子，**不需要研究者提前人为规定权重。 引入PCA不是推翻原有公式，而是优化其中最容易主观化的部分——尤其是有效行为投入L的构建方式。

（三）PCA 解决的问题

在《钲鼓连烽》这类竞赛活动中，可能会有很多投入相关指标：

活动消费金额；
活动消费次数；
礼包购买次数等等这些指标可能都在反映同一个方向：玩家投入程度。但如果全部直接放进模型，会出现几个问题：
第一，指标太多，模型会变复杂；
**第二，指标之间可能高度相关，**比如消费金额和消费次数、派遣次数和攻城次数可能相关；
第三，很难人为判断哪个行为更重要、权重应该是多少。

◾ PCA 的作用就是：从这些指标中找出共同变化最明显的方向，并把这个方向提取出来，作为第一主成分。如果第一主成分在业务上能够解释为“玩家整体投入强度”，就可以作为综合投入构建的重要依据。 当前竞赛场景与PCA的适配性：

竞赛可用行为字段超过10个，人工赋权容易主观，适合降维提取综合因子
样本量预计超过7万人，足以支撑PCA方法并保证结果稳定
核心投入行为（派遣、攻城、捐献、鼓舞等）与轻量行为（登录、浏览）可以明确区分，先筛选再做PCA
论文理论结构仍需保留K和L，不宜直接把所有字段混合做总PCA

🔎 引入PCA（主成分分析）的核心目的：减少人工设权重的主观性。 PCA的作用是让数据自己判断哪些行为更能代表玩家真实投入

（四）PCA的计算过程

PCA的核心是从多个指标中提取最能代表共同变化方向的综合因子，分六步完成： 第一步：选择原始指标 只放投入型指标，不放结果型指标。

**金钱投入类：**活动消费金额、消费次数、礼包购买、鼓舞/复召/加速消耗
**行为投入类：**派遣次数、攻城次数、捐献次数、竞猜次数、领奖兑换次数、活动参与天数不建议放入排名、奖励、胜负、最终积分等结果型指标，否则提取的是"活动结果好坏"而非"投入强度"。 第二步：处理长尾变量 游戏数据中消费金额通常极度长尾，需先做对数处理压缩极端值： K' = log(1 + K)，行为次数同理 第三步：标准化 不同指标量纲不同，不标准化会导致数值大的指标天然压过其他指标： Z = (x - μ) / σ 标准化后所有指标在同一尺度上，PCA才公平。 第四步：计算指标之间的共同变化 PCA会识别哪些指标倾向于同时变高或变低，找出最能概括这些共同变化的方向。 第五步：提取主成分 PCA生成多个主成分 PC1、PC2、PC3……其中PC1解释最多信息，综合投入通常取： 权重由数据自动确定，不需要人为规定。 第六步：解释第一主成分 需要从三个角度验证PC1能否解释为综合投入：
解释率：
- PC1解释率较高（一般35%—50%较有解释空间），若低于15%说明指标没有共同指向
载荷方向：
- 各核心投入指标在PC1上应均为正载荷；
- 若出现消费高载荷、行为负载荷，说明PC1在区分"付费型vs行为型"，不适合作为综合投入总量
业务解释：
- 大R核心玩家和深度参与玩家PC1得分应较高，只登录领奖的玩家不应特别高

7.6 KiB Raw Blame History Unescape Escape