专注苹果竞价广告(ASM)研究
App Store Search Ads

运营人员如何有效的分析玩家诉求:词云分析

在实际游戏运营工作中,游戏从业人员除了关注游戏体验,游戏各系统设计,运营活动,游戏数据表现等等以外,玩家反馈及玩家诉求也是各位同行重点关注的内容。时下这种客服机制难以支撑运营策划人员了解玩家诉求的需求;由于玩家抵触性,运营成本受限,地域受限,时间受限等等原因,运营策划人员也难以通过自身主动了解来满足这一需求。Fish旨在介绍一种简便的方法(词云分析)有效的解决这一困境,不单单让玩家体验游戏,也能更好的让玩家诉求成为游戏版本策划,运营活动策划的考虑因素。

1、问题背景

从玩家评论中,获得玩家诉求中的关键词,进而了解玩家情感,玩家需求。借助Python强大的爬虫模块(urllib2&Tornado),抓取9游上海岛奇兵的玩家评论数据(1000条)。

简单代码如下:

#!/usr/bin/python
#coding:utf-8
import tornado.httpclient
import re
import pandas as pd
import sys
reload(sys)
sys.setdefaultencoding(‘utf8′)
comment_utf8 = []
url=’http://www.9game.cn/tpl/pc/common/commentajax.html?count=1000&total=10003&gameid=539038&platform_id=2&offset=20&isAjax=1′
http_header = {‘User-Agent’:’Chrome’}
http_request = tornado.httpclient.HTTPRequest(url=url,method=’GET’,headers=http_header)
http_client = tornado.httpclient.HTTPClient()
http_response = http_client.fetch(http_request)
body = http_response.body
commentId=re.compile(‘<li commentId=\”(.*)\”>’).findall(body)
comment_time=re.compile(‘<span class=\”time\”>(.*)<\/span>’).findall(body)
comment=re.compile(‘<p class=\”text\”>(.*)<\/p>’).findall(body)
for item in comment:
item.decode(‘utf8′)
comment_utf8.append(item)
result = pd.DataFrame([commentId,comment_time,comment]).T
print result
result.to_csv(r’C:\Users\Administrator\Desktop\fish\short.csv’)

2、数据简单描述

利用R强大的描述统计能力,获得近期玩家评论趋势。

9由上图可见,海岛奇兵的评论数每天保持在20以上,说明这款游戏在上线将近一年之后仍保持这玩家高关注度。

借助强大的数据分析语言R,及其丰富的统计分析工具包,进行文本分词及词云分析,此处会使用到Rwordseg包及wordcloud包。安装这两个包还是挺麻烦的,如果有兴趣的同学遇到什么麻烦可以加入Gamedatas游戏分析群(90342017)咨询Fish。

部分R代码如下:

f_cut <- function(x) {
library(Rwordseg)
unlist(strsplit(segmentCN(x, nature = T), ” “))
}
word_cut <- function(x, n = 1) {
x <- gsub(“[a-z]|\\.”, “”, x)
x[nchar(x) > n]
}
comment.words <- lapply(comment, f_cut)
words <- lapply(comment.words, word_cut, 1)
# 去掉words词汇量为0的文本
cw.len <- unlist(lapply(words, length))
short2 <- short[cw.len > 0, ]
words2 <- words[cw.len > 0]
cw.len <- cw.len[cw.len > 0] #8028
# 词频统计
all.words <- unlist(words2)
freq <- sort(table(all.words), decreasing = T)
words.name <- names(freq)
words.freq <- freq[]
sum(words.freq[1:50])/sum(words.freq)
# 词长至少为1
w3 <- all.words[nchar(all.words) > 1]
f3 <- sort(table(w3), decreasing = T)
w3.name <- names(f3)
w3.freq <- f3[]
par(mar = c(0, 0, 3, 0), bg = “black”)
wordcloud(words.name, words.freq, scale = c(5, 1.5), min.freq = 1, max.words = 100, colors = rainbow(130))
title(main = “评论出现频率最高的100个词汇”, col.main = “red”)

结果如图:从词云分析的结果中可以看出,“好玩”这一词汇在玩家评论中曝光程度最高,达到152次,在出现频数最高的词汇中,褒义词居多。而“流量”,“Wifi”这种词汇的出现也不容忽视,其频数也分别达到了16和12次,侧面反映了玩家在体验过程中存在受网络因素的影响。“2275866599”这一词汇的出现,也反映了在实际评论信息中存在这水军,噪声信息这一因素,可以在处理数据时做剔除处理 。

就此,这样一个分析玩家诉求的思路就阐述完毕了,希望能在实际工作中帮助到运营策划人员了解玩家诉求,在接下来的文章中,Fish将会结合本次词云分析的结果,重点讲述关联规则的一些数据分析方法,敬请期待。

本文由GameDatas授权APPYING发表,原文作者:Fish,APPYING做了适当润色以增强可读性,转载此文章须经作者及APPYING同意,并请附上本文来源(APPYING)及本文链接。

本文由 APPYING 原创发布,转载请注明来源及本文链接。
APPYING » 运营人员如何有效的分析玩家诉求:词云分析

分享到:更多 ()

留言交流 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址