劉安平,賈詩(shī)煒

(中國(guó)移動(dòng)通信集團(tuán)陜西有限公司，西安 710077)

根據(jù)中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心(China Internet Network Information Center,CNNIC)發(fā)布的第42次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，截至2018年6月，我國(guó)網(wǎng)絡(luò)游戲客戶規(guī)模達(dá)到4.68億人，占總體網(wǎng)民的60.6%，較2017年末增長(zhǎng)4 391萬(wàn)人。伴隨移動(dòng)互聯(lián)網(wǎng)產(chǎn)業(yè)飛速發(fā)展，網(wǎng)絡(luò)游戲產(chǎn)業(yè)也呈現(xiàn)出蓬勃發(fā)展的態(tài)勢(shì)，網(wǎng)絡(luò)游戲整體客戶規(guī)模在互聯(lián)網(wǎng)客戶規(guī)模的占比不斷攀升。網(wǎng)絡(luò)游戲要求實(shí)時(shí)交互、多人在線參與和畫面流暢清晰的特征，確定其對(duì)網(wǎng)絡(luò)傳輸速度、客戶終端配置及服務(wù)器響應(yīng)速度都有極高的要求。近年來(lái)，中國(guó)移動(dòng)公司寬帶業(yè)務(wù)大規(guī)模發(fā)展，網(wǎng)內(nèi)互聯(lián)網(wǎng)數(shù)據(jù)中心(Internet Data Center,IDC)資源匱乏，客戶數(shù)據(jù)業(yè)務(wù)感知劣勢(shì)也日益突出，尤其是網(wǎng)絡(luò)游戲業(yè)務(wù)卡頓、掉線問(wèn)題頻出，直接導(dǎo)致客戶滿意度下降、客戶投訴增加，嚴(yán)重影響客戶口碑。因此，須準(zhǔn)確刻畫客戶游戲業(yè)務(wù)感知，快速識(shí)別測(cè)試游戲業(yè)務(wù)質(zhì)量，先于客戶發(fā)現(xiàn)感知劣化趨勢(shì)，針對(duì)性優(yōu)化網(wǎng)絡(luò)質(zhì)量。

在實(shí)際網(wǎng)絡(luò)運(yùn)營(yíng)中，針對(duì)網(wǎng)絡(luò)游戲業(yè)務(wù)的客戶感知定向優(yōu)化面臨諸多挑戰(zhàn)：① 網(wǎng)絡(luò)關(guān)鍵性能指標(biāo)(Key Performance Indicator,KPI)無(wú)法準(zhǔn)確衡量客戶體驗(yàn)質(zhì)量(Quality of Experience，QoE)。網(wǎng)內(nèi)游戲質(zhì)量指標(biāo)如時(shí)延、丟包等異常，實(shí)際游戲業(yè)務(wù)客戶感知不佳的現(xiàn)象時(shí)有發(fā)生。② 網(wǎng)絡(luò)游戲的客戶體驗(yàn)質(zhì)量QoE無(wú)法量化分析，難以進(jìn)行針對(duì)網(wǎng)絡(luò)游戲業(yè)務(wù)客戶感知的實(shí)時(shí)監(jiān)測(cè)、評(píng)價(jià)和優(yōu)化。③ 網(wǎng)絡(luò)游戲在客戶登錄、進(jìn)入分區(qū)、創(chuàng)建角色及開始游戲過(guò)程中，客戶端與資源服務(wù)器頻繁交互，客戶行為產(chǎn)生海量、隨機(jī)和模糊的應(yīng)用數(shù)據(jù)，運(yùn)營(yíng)商難以根據(jù)其進(jìn)行客戶感知劣化的預(yù)測(cè)，不能有效保障客戶體驗(yàn)。文獻(xiàn)[1]構(gòu)建了客戶端/服務(wù)器端網(wǎng)絡(luò)游戲架構(gòu)，并對(duì)其進(jìn)行設(shè)計(jì)，分析用戶體驗(yàn)質(zhì)量。文獻(xiàn)[2]提出了顧客滿意度指數(shù)測(cè)評(píng)方法，對(duì)客戶感知的實(shí)時(shí)監(jiān)測(cè)進(jìn)行評(píng)價(jià)和優(yōu)化。文獻(xiàn)[3-4]基于回歸分析提出用戶體驗(yàn)質(zhì)量評(píng)估方法，分析了客戶感知劣化規(guī)律。文獻(xiàn)[5]研究了移動(dòng)云計(jì)算用戶體驗(yàn)質(zhì)量的模糊綜合評(píng)價(jià)方法。文獻(xiàn)[6]對(duì)用戶體驗(yàn)質(zhì)量評(píng)價(jià)方法進(jìn)行綜述，構(gòu)建了用戶體驗(yàn)質(zhì)量評(píng)價(jià)模型。文獻(xiàn)[7]基于神經(jīng)網(wǎng)絡(luò)建立了用戶感知預(yù)警模型，對(duì)客戶感知劣化進(jìn)行預(yù)測(cè)。文獻(xiàn)[8]對(duì)TCP /IP 協(xié)議在多人網(wǎng)絡(luò)游戲中的應(yīng)用進(jìn)行研究。文中借助深度包檢測(cè)技術(shù)對(duì)網(wǎng)絡(luò)游戲業(yè)務(wù)進(jìn)行識(shí)別，根據(jù)采集的網(wǎng)絡(luò)性能指標(biāo)及客戶行為數(shù)據(jù)，對(duì)網(wǎng)絡(luò)游戲感知進(jìn)行定量評(píng)估，實(shí)現(xiàn)網(wǎng)絡(luò)游戲客戶感知量化；基于數(shù)據(jù)挖掘技術(shù)，對(duì)網(wǎng)絡(luò)游戲客戶感知預(yù)測(cè)進(jìn)行建模，以對(duì)客戶滿意度進(jìn)行預(yù)測(cè)。

1 網(wǎng)絡(luò)游戲客戶感知量化方案

在網(wǎng)絡(luò)運(yùn)營(yíng)方面，數(shù)據(jù)業(yè)務(wù)量不斷增加，為保障網(wǎng)絡(luò)指標(biāo)良好，運(yùn)營(yíng)商持續(xù)推進(jìn)網(wǎng)絡(luò)建設(shè)和擴(kuò)容，網(wǎng)絡(luò)結(jié)構(gòu)日趨復(fù)雜。傳統(tǒng)的分析方法和工具已無(wú)法高效地支撐網(wǎng)絡(luò)問(wèn)題定位及網(wǎng)絡(luò)維護(hù)優(yōu)化工作。故本文從提升網(wǎng)絡(luò)游戲客戶感知的實(shí)際需求出發(fā)，提出了基于網(wǎng)絡(luò)游戲客戶感知的端到端網(wǎng)絡(luò)游戲業(yè)務(wù)質(zhì)量分析體系架構(gòu)(如圖1所示)。該分析架構(gòu)根據(jù)網(wǎng)絡(luò)層次將端到端網(wǎng)絡(luò)游戲業(yè)務(wù)質(zhì)量分析體系自下而上分為三層：采集層、存儲(chǔ)處理層和應(yīng)用層。采集層在客戶終端及網(wǎng)絡(luò)節(jié)點(diǎn)采集客戶行為數(shù)據(jù)，如信令數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)等；存儲(chǔ)處理層借助深度包檢測(cè)技術(shù)(Deep Packet Inspection，DPI)對(duì)采集的海量數(shù)據(jù)進(jìn)行特征識(shí)別及深度挖掘；在應(yīng)用層建立針對(duì)客戶滿意度的評(píng)價(jià)及分析模型，實(shí)現(xiàn)客戶感知的量化分析。

圖1 基于客戶感知的端到端網(wǎng)絡(luò)游戲業(yè)務(wù) 質(zhì)量分析體系架構(gòu)

1.1 網(wǎng)絡(luò)游戲客戶數(shù)據(jù)采集

采集層在現(xiàn)實(shí)應(yīng)用中具有普適性，不同地區(qū)、多樣場(chǎng)景、各種業(yè)務(wù)、多樣網(wǎng)絡(luò)、各類接口及不同終端均可采集獲取數(shù)據(jù)。針對(duì)網(wǎng)絡(luò)游戲業(yè)務(wù)，實(shí)際是在網(wǎng)吧客戶終端及移動(dòng)數(shù)據(jù)網(wǎng)絡(luò)的各個(gè)關(guān)鍵節(jié)點(diǎn)部署軟、硬探針來(lái)統(tǒng)一配合進(jìn)行數(shù)據(jù)采集、上傳及下發(fā)?；谟螒驑I(yè)務(wù)的特征，選取訪問(wèn)速率、平均通信時(shí)長(zhǎng)、客戶端時(shí)延、客戶端丟包率、客戶切服頻率、客戶活躍時(shí)長(zhǎng)和游戲幀數(shù)7個(gè)技術(shù)指標(biāo)數(shù)據(jù)(見表1)進(jìn)行周期性采集、上傳和存儲(chǔ)。

表1 網(wǎng)絡(luò)游戲客戶數(shù)據(jù)采集指標(biāo)

1.2 網(wǎng)絡(luò)游戲業(yè)務(wù)特征識(shí)別及分析

處理層應(yīng)實(shí)現(xiàn)海量測(cè)試數(shù)據(jù)的內(nèi)在映射體系建立，形成統(tǒng)一的管理和分析方法，并且可以集中呈現(xiàn)不同業(yè)務(wù)、不同參數(shù)的分析模型。對(duì)于網(wǎng)絡(luò)游戲業(yè)務(wù)，要實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)游戲的準(zhǔn)確識(shí)別，需對(duì)指標(biāo)數(shù)據(jù)與客戶體驗(yàn)進(jìn)行關(guān)聯(lián)分析。在實(shí)際應(yīng)用中，網(wǎng)絡(luò)游戲業(yè)務(wù)的識(shí)別主要是借助深度包檢測(cè)技術(shù)。陜西移動(dòng)公司在省網(wǎng)出口部署統(tǒng)一深度包檢測(cè)設(shè)備完成業(yè)務(wù)識(shí)別。

傳統(tǒng)的IP包流量識(shí)別和服務(wù)質(zhì)量(Quality of Service,QoS)控制技術(shù)是基于開放式系統(tǒng)互聯(lián)參考模型(Open System Interconnection Reference Model,OSI/RM)七層模型中的二層、三層和四層，通過(guò)對(duì)IP包頭中的“五元組”(信息源地址、目的地址、源端口、目的端口及協(xié)議類型)進(jìn)行分析，從而確定當(dāng)前流量的基本信息，確保清楚標(biāo)記所有數(shù)據(jù)。DPI技術(shù)可以提供傳統(tǒng)技術(shù)的包頭分析功能，還可對(duì)應(yīng)用層進(jìn)行分析，屬于流量撿測(cè)和控制技術(shù)。當(dāng)IP數(shù)據(jù)包、TCP/UDP協(xié)議數(shù)據(jù)流經(jīng)過(guò)統(tǒng)一DPI設(shè)備時(shí)，該設(shè)備系統(tǒng)通過(guò)讀取IP包載荷的內(nèi)容來(lái)對(duì)應(yīng)用層信息進(jìn)行重組，然后按照系統(tǒng)定義的管理控制策略對(duì)流量進(jìn)行操作。DPI技術(shù)可針對(duì)不同客戶、服務(wù)和內(nèi)容進(jìn)行不同的應(yīng)用。

DPI識(shí)別技術(shù)可分為三類：① 特征字的識(shí)別技術(shù)。不同的應(yīng)用使用不同的協(xié)議，各類協(xié)議有著類似于指紋的特殊標(biāo)記，特定端口、特定字符串和特定Bit序列均可作為標(biāo)記。② 應(yīng)用層網(wǎng)關(guān)識(shí)別技術(shù)。應(yīng)用層網(wǎng)關(guān)識(shí)別技術(shù)針對(duì)控制流和業(yè)務(wù)流分離的部分業(yè)務(wù)，由應(yīng)用層網(wǎng)關(guān)識(shí)別控制流，控制流協(xié)議選擇特定的應(yīng)用層網(wǎng)關(guān)對(duì)業(yè)務(wù)流解析，進(jìn)而識(shí)別業(yè)務(wù)。③ 行為模式識(shí)別技術(shù)。行為模式識(shí)別技術(shù)即根據(jù)客戶已實(shí)施的行為，判斷客戶進(jìn)行中的動(dòng)作或即將實(shí)施的動(dòng)作。基于網(wǎng)絡(luò)游戲業(yè)務(wù)特征，陜西移動(dòng)公司統(tǒng)一DPI系統(tǒng)通過(guò)業(yè)務(wù)攜帶的特征指紋進(jìn)行識(shí)別，如圖2所示。針對(duì)《絕地求生》游戲的識(shí)別，利用DPI抓取IP數(shù)據(jù)包中含有“Playerunkown’s Battlegrounds”字符串的流記錄，對(duì)識(shí)別為《絕地求生》游戲的數(shù)據(jù)流進(jìn)行整合。

1.3 網(wǎng)絡(luò)游戲客戶感知定量評(píng)估算法

應(yīng)用層在客戶體驗(yàn)角度，建立端到端的全面評(píng)測(cè)與分析體系模型，進(jìn)行客戶感知異常告警實(shí)時(shí)跟蹤和優(yōu)化分析。針對(duì)網(wǎng)絡(luò)游戲業(yè)務(wù)，可將采集層收集的7類分離性能指標(biāo)整合，使用多元回歸方式擬合分析關(guān)聯(lián)業(yè)務(wù)客戶感知。回歸分析是一種預(yù)測(cè)性建模技術(shù)，其可用于確定兩種或兩種以上有關(guān)聯(lián)關(guān)系的變量間的定量關(guān)系。網(wǎng)絡(luò)游戲的客戶滿意度受到各項(xiàng)基礎(chǔ)性能指標(biāo)和外界因素的影響，故通過(guò)回歸方程擬合作為對(duì)網(wǎng)絡(luò)游戲客戶感知的定量評(píng)估算法。

圖2 DPI技術(shù)對(duì)應(yīng)用特征的分析

將網(wǎng)絡(luò)游戲客戶滿意度由原來(lái)的主觀評(píng)價(jià)，劃分為百分制得分：很不滿意(0～20分)、不滿意(20～40分)、一般(40～60分)、滿意(60～80分)和很滿意(80～100分)。以滿意度得分作為定量評(píng)估的綜合質(zhì)量指標(biāo)Y，統(tǒng)計(jì)其與一組基礎(chǔ)性能指標(biāo)(X1，X2，…，Xn)的關(guān)系。采集的7類基礎(chǔ)性能指標(biāo)，根據(jù)對(duì)游戲質(zhì)量的影響標(biāo)識(shí)為兩類，指標(biāo)數(shù)值越大游戲質(zhì)量越好，如訪問(wèn)速率，對(duì)指標(biāo)進(jìn)行正向標(biāo)識(shí)；反之，對(duì)指標(biāo)進(jìn)行負(fù)向標(biāo)識(shí)。給出各類性能指標(biāo)的評(píng)價(jià)區(qū)間[Z,Z′]。

以客戶端時(shí)延指標(biāo)為例，若某次采集客戶訪問(wèn)游戲的客戶端時(shí)延為x，該指標(biāo)為負(fù)向標(biāo)識(shí)，其評(píng)價(jià)得分為

W1=(Z′-x)/(Z′-Z)

以此類推，可分別計(jì)算出7類性能指標(biāo)的評(píng)價(jià)得分：W1,W2,W3,…,W7。建立多元回歸方程，對(duì)于每條記錄，通過(guò)適度擬合，計(jì)算7類性能指標(biāo)的影響因子α1,α2,α3,…,α7，對(duì)指標(biāo)得分歸一化后可得客戶滿意度得分為

Y=α1W1+α2W2+α3W3+…+α7W7

以上評(píng)估算法即可將采集的性能指標(biāo)映射為綜合質(zhì)量得分，進(jìn)而計(jì)算出客戶滿意度得分，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)游戲客戶感知的量化評(píng)估。

2 基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)游戲客戶感知預(yù)測(cè)方法

在量化網(wǎng)絡(luò)游戲客戶感知的基礎(chǔ)上，為提升客戶體驗(yàn)，增加客戶黏度，應(yīng)對(duì)客戶感知劣化需進(jìn)行精準(zhǔn)預(yù)測(cè)。在實(shí)際運(yùn)營(yíng)中，難以在海量數(shù)據(jù)中提取到客戶感知的有效信息。借助數(shù)據(jù)挖掘技術(shù)，研究并搭建了網(wǎng)絡(luò)游戲客戶感知預(yù)測(cè)模型，可根據(jù)網(wǎng)絡(luò)性能指標(biāo)和客戶行為數(shù)據(jù)，采用分類算法，討論客戶的感知劣化趨勢(shì)，并進(jìn)行滿意度預(yù)測(cè)。

2.1 網(wǎng)絡(luò)游戲客戶感知預(yù)測(cè)模型選擇

網(wǎng)絡(luò)游戲客戶感知預(yù)測(cè)模型的選擇，需要考慮實(shí)際問(wèn)題：網(wǎng)絡(luò)游戲業(yè)務(wù)具有個(gè)性特征，需將海量行為數(shù)據(jù)及網(wǎng)絡(luò)性能指標(biāo)進(jìn)行關(guān)聯(lián)，運(yùn)營(yíng)商掌握的客戶數(shù)據(jù)可能存在不平衡及部分?jǐn)?shù)據(jù)空缺現(xiàn)象，并且模型算法多樣化，選擇合適的算法對(duì)預(yù)測(cè)效果至關(guān)重要。對(duì)此，本文采用跨行業(yè)數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程(如圖3所示)來(lái)搭建規(guī)范的預(yù)測(cè)模型。

圖3跨行業(yè)數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程

Fig.3Cross-industrydataminingstandardprocess

根據(jù)流程規(guī)范和游戲業(yè)務(wù)特點(diǎn)，網(wǎng)絡(luò)游戲客戶感知預(yù)測(cè)的數(shù)據(jù)挖掘過(guò)程共分為五步：① 數(shù)據(jù)理解。采集包括網(wǎng)絡(luò)游戲性能指標(biāo)和客戶行為數(shù)據(jù)，對(duì)其相關(guān)性進(jìn)行分析以理解原始數(shù)據(jù)。② 數(shù)據(jù)準(zhǔn)備。將原始數(shù)據(jù)映射為特征值。③ 建模。根據(jù)不同的算法及模型將參數(shù)調(diào)整至合理。④ 評(píng)估。審查模型是否完成挖掘目標(biāo)。⑤ 部署。將模型應(yīng)用于海量實(shí)際數(shù)據(jù)中。完成各個(gè)階段的循環(huán)即可實(shí)現(xiàn)完整的數(shù)據(jù)挖掘流程。

2.2 預(yù)測(cè)模型數(shù)據(jù)準(zhǔn)備

此階段完成對(duì)網(wǎng)絡(luò)游戲客戶原始采集數(shù)據(jù)的處理，進(jìn)行特征值提取。在網(wǎng)絡(luò)游戲客戶感知的特征值提取中，主要考慮網(wǎng)絡(luò)性能指標(biāo)和客戶行為數(shù)據(jù)，包括訪問(wèn)速率、平均通信時(shí)長(zhǎng)、客戶端時(shí)延、客戶端丟包率、客戶切服頻率、客戶活躍時(shí)長(zhǎng)和游戲幀數(shù)7個(gè)特征值(見表1)。這些特征值根據(jù)業(yè)務(wù)特征和運(yùn)維經(jīng)驗(yàn)選取，可實(shí)時(shí)更新。

2.3 網(wǎng)絡(luò)游戲客戶感知預(yù)測(cè)建模

根據(jù)選取的客戶特征值，選取合適分類算法進(jìn)行數(shù)據(jù)訓(xùn)練。網(wǎng)絡(luò)游戲客戶感知預(yù)測(cè)屬于離散分類問(wèn)題，訓(xùn)練樣本包括“滿意”及“不滿意”兩類。分類算法包括邏輯回歸、決策樹和隨機(jī)森林等訓(xùn)練算法模型，本文選用邏輯回歸算法進(jìn)行分類，提出網(wǎng)絡(luò)游戲客戶感知預(yù)測(cè)框架(如圖4所示)。完成數(shù)據(jù)挖掘的訓(xùn)練指標(biāo)集包括兩部分：用于訓(xùn)練模型的訓(xùn)練集以及用于驗(yàn)證模型的測(cè)試集。

圖4 網(wǎng)絡(luò)游戲客戶感知預(yù)測(cè)框架

模型的訓(xùn)練是采用適當(dāng)?shù)乃惴?gòu)造分類的過(guò)程，邏輯回歸算法主要使用邏輯回歸函數(shù)g(z)=1/(1+e-z)對(duì)數(shù)據(jù)進(jìn)行擬合，其中z表示與特征值線性相關(guān)的變量，預(yù)測(cè)值g(z) 即為邏輯回歸函數(shù)的值，顯然0≤g(z) ≤1，故將預(yù)測(cè)問(wèn)題適度擬合為0～1分類問(wèn)題。

本文使用上述算法對(duì)陜西西安地區(qū)中國(guó)移動(dòng)公司某網(wǎng)吧網(wǎng)絡(luò)游戲客戶感知(滿意度)進(jìn)行了預(yù)測(cè)，結(jié)果預(yù)測(cè)值g(z)=0.932，與實(shí)際客戶滿意度相符。由此可見，邏輯回歸算法的準(zhǔn)確性較高，可實(shí)現(xiàn)網(wǎng)絡(luò)游戲客戶感知的預(yù)測(cè)。

3 網(wǎng)絡(luò)游戲客戶感知量化及預(yù)測(cè)實(shí)施效果

本文面向網(wǎng)絡(luò)游戲業(yè)務(wù)，采集網(wǎng)絡(luò)性能及客戶行為數(shù)據(jù)，利用DPI標(biāo)識(shí)不同游戲業(yè)務(wù)的特征，通過(guò)合理的回歸方程，量化網(wǎng)絡(luò)游戲客戶感知，借助數(shù)據(jù)挖掘的方式，精準(zhǔn)預(yù)測(cè)客戶滿意度，解決了網(wǎng)絡(luò)游戲業(yè)務(wù)客戶感知差的問(wèn)題，提升了客戶滿意度。

在網(wǎng)絡(luò)性能指標(biāo)方面，實(shí)施客戶感知量化和預(yù)測(cè)后，陜西移動(dòng)公司主動(dòng)發(fā)現(xiàn)游戲感知劣化問(wèn)題，及時(shí)優(yōu)化網(wǎng)絡(luò)配置，網(wǎng)吧專線游戲鏈路平均時(shí)延為45 ms，環(huán)比降低10%，丟包率為0.31%，環(huán)比降低31.11%，見表2。

在游戲業(yè)務(wù)方面，陜西移動(dòng)公司借助DPI標(biāo)識(shí)50余種熱門游戲，根據(jù)業(yè)務(wù)流量統(tǒng)計(jì)出全網(wǎng)熱門游戲，經(jīng)過(guò)實(shí)測(cè)驗(yàn)證，識(shí)別的準(zhǔn)確性高達(dá)98%。同時(shí)，進(jìn)行基于量化的客戶感知指標(biāo)的游戲業(yè)務(wù)質(zhì)量分析，清晰呈現(xiàn)本省各地區(qū)網(wǎng)絡(luò)游戲質(zhì)差情況，通過(guò)定點(diǎn)支撐、專項(xiàng)投訴處理等方式，有效減少了客戶投訴，陜西移動(dòng)公司客戶針對(duì)網(wǎng)絡(luò)游戲相關(guān)投訴約48次，環(huán)比降低40%。

在客戶服務(wù)方面，陜西移動(dòng)公司使用調(diào)查問(wèn)卷的方式對(duì)新發(fā)展的13家網(wǎng)吧的780位網(wǎng)游客戶進(jìn)行調(diào)查，同時(shí)，采用數(shù)據(jù)挖掘技術(shù)對(duì)此客戶群體的滿意度進(jìn)行預(yù)測(cè)。對(duì)比發(fā)現(xiàn)，網(wǎng)絡(luò)游戲客戶感知預(yù)測(cè)準(zhǔn)確率高達(dá)87%。公司通過(guò)針對(duì)性預(yù)測(cè)分析，對(duì)專線業(yè)務(wù)發(fā)展做出了合理的規(guī)劃改進(jìn)。先于客戶發(fā)現(xiàn)網(wǎng)絡(luò)感知劣化問(wèn)題，及時(shí)優(yōu)化，同時(shí)推出配套客戶服務(wù)。實(shí)施預(yù)測(cè)方案期間，網(wǎng)絡(luò)游戲客戶滿意比例提升至85%，環(huán)比增長(zhǎng)23%，增加了存量客戶黏度，促進(jìn)了游戲業(yè)務(wù)客戶增長(zhǎng)。

表2 感知量化及預(yù)測(cè)實(shí)施效能指標(biāo)

4 結(jié) 論

基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)游戲客戶感知量化及預(yù)測(cè)方法，能夠精準(zhǔn)識(shí)別網(wǎng)內(nèi)客戶使用網(wǎng)絡(luò)游戲業(yè)務(wù)，結(jié)合采集的網(wǎng)絡(luò)性能及客戶行為指標(biāo)，建立網(wǎng)絡(luò)游戲客戶感知定量評(píng)估模型，通過(guò)模型的回歸擬合算法計(jì)算網(wǎng)絡(luò)游戲的真實(shí)滿意度得分。在此基礎(chǔ)上，利用數(shù)據(jù)挖掘技術(shù)，進(jìn)行網(wǎng)絡(luò)游戲客戶感知預(yù)測(cè)建模，對(duì)客戶感知進(jìn)行提前預(yù)測(cè)，通過(guò)定向分析，準(zhǔn)確評(píng)估感知劣化趨勢(shì)，定位質(zhì)差問(wèn)題，實(shí)現(xiàn)主動(dòng)發(fā)現(xiàn)、快速解決網(wǎng)絡(luò)問(wèn)題，提升網(wǎng)絡(luò)游戲業(yè)務(wù)客戶使用感知，提升客戶滿意度。