AI能取代人做产品投放吗？已有产品靠它将付费用户提升了4倍｜葡萄视点
「葡萄视点」是一个将于每周末推出的栏目，通过一篇文章提出一个有趣的视点邀请您来讨论。
文/独孤影月
如果将游戏产品的生命周期进行划分，那么它至少可以包括成长期、成熟期和召回期三个阶段。
成长期是其上线后开始快速积累用户的阶段。此时它需要在投入市场中具备良好的内在表现，以保证能够在类似玩法或者类似包装的产品中脱颖而出。
当一款产品步入成熟期时，它的用户增幅逐渐放缓。这时，游戏产品在针对核心用户进行精细化运营的同时，还需要通过广告投放，挖掘高价值的付费用户。
最后，一款产品运营多年后，它的用户基数可能会开始出现下滑，需要配合一些营销推广活动召回老用户，维持产品的生命周期。
此前，我们曾介绍过谷歌与智明星通、游族网络合作的案例，分析产品用户增长放缓，人工投放效果又难以精准获取用户时，AI能够起到怎样的作用。而谷歌机器学习在产品的成长期阶段，同样也可以预测用户LTV，帮助产品从市场中获取核心用户。值得注意的是，IGG的《王国纪元》曾经采用谷歌机器学习，使付费用户提升4倍；tap4fun的《野蛮时代 Brutal Age》也在上线后一年通过机器学习，全球营收也大幅提升。
高价值付费用户难以挖掘的两个原因
在了解谷歌机器学习在产品成长期的使用场景前，需要先理解对于一款游戏产品，高价值付费用户难以挖掘的原因是什么。
首先，付费用户在总体用户数量中占比较低。据谷歌数据显示，在大多数 App 中，仅不到2%的用户会选择在应用中付费。在这部分用户中，只进行一次付费的用户超过60%，高付费用户占比少于10%。因此，游戏厂商需要通过大量用户行为数据，挖掘符合他们产品调性的高价值付费用户。
其次，人工投放难以较为准确地预测用户的LTV和ROI。由于广告投放会消耗大量的时间成本和人力成本，即使拥有丰富的广告投放经验，人工进行广告投放仍存在一定的局限性。因此在投放的成本相同时，最终获得的用户LTV也存在很大差异。这是因为游戏产品在选择不同的广告素材、广告位置进行投放时，事先难以预判用户的LTV，使最终透过广告投放获得的用户，可能并不是游戏产品想要的核心用户。
机器学习获取核心用户的优势
相比人力获取用户，谷歌机器学习在定义和获取核心用户上更具优势。
谷歌机器学习这项技术在降低人工成本和时间成本方面，能够弥补人工竞价的不足。它通过统计游戏产品中用户所表现出的行为，分析出哪些用户属于付费用户、用户付费时的所表现出的共同特征，预测不同类型用户的LTV，以此有针对性地进行投放，提高ROI。
这项技术会根据互联网用户的特点，将这些用户划分为核心用户、已下载用户和感兴趣用户。在一款游戏中，三类用户的付费意愿存在较大差异，其中核心用户会为游戏带来大量收入。
因此，机器学习会对核心用户的价值作进一步的细分定义，将其拆分为已付费价值，付费倾向价值和社交价值（付费用户带动其他用户付费的价值）三类价值。已付费价值可以通过用户在游戏产品中的付费行为加以判断，付费倾向价值和社会价值则结合游戏中的大量用户数据与行为加以分析预测。
如果仅靠人力进行统计和分析付费倾向价值和社会价值，不仅会耗费大量的时间成本，同时也难以得到较为准确的结果。此时，机器学习则可以通过游戏中已知的用户行为和社交行为，分析预测这两项用户价值，方便游戏产品在之后进行有针对性的广告投放。
谷歌机器学习在分析上述用户价值的基础上，会针对活跃用户、即将付费用户和已付费用户的特点，建立特征选择、预测转化和预测pLTV（用户的潜在终身价值）三类用户模型。
特征选择模型会通过分析游戏中所有活跃用户的行为数据，选出那些利于刺激用户付费的行为。预测转化率模型则需要根据特征选择模型得出的用户行为数据，分析用户的付费率，以获得更多的付费用户。预测pLTV则要根据游戏中所有付费用户的行为和付费数据预测出ROI，来获得更多高价值用户。而这些模型得到的数据，都用于谷歌通用应用广告（UAC）的广告投放中。
产品如何依靠机器学习挖掘高价值用户
在之前的文章里，我们曾提到《COK列王的纷争》、《狂暴之翼》两款产品在遭遇付费用户挖掘瓶颈时，通过谷歌机器学习的预测转换概率模型，结合通用应用广告（UAC）和针对性的广告素材投放后，在付费用户量、ROI等方面均达到了明显的提升效果。
而机器学习也能在游戏产品需要快速积累用户的成长期阶段，起到较为有效的作用。比如tap4fun的《野蛮时代 Brutal Age》于2016年9月上线，在经历一年的推广后，2017年不再满足于用户量级的增长，希望将目标转为付费用户的增长。如果继续面向全球做广告推广，虽然能够提高用户量级，但显然不能为付费用户的增长做出贡献。
此时，首先需要了解哪些用户更容易付费，总结出他们的特点，并以此为基础从新用户中寻找高价值用户。这种需要对大量用户行为数据处理的情况，机器学习就发挥了它的作用。
这项技术可以根据游戏内的大量付费用户行为特征，总结出他们的共性特点（比如付费用户首次体验游戏的时间等），将这些数据发送给通用应用广告（UAC），由后者依照这些标准筛选新用户，并有针对性地进行广告投放。通过这种方式挖掘到的用户，在安装游戏后更容易在游戏中产生付费行为。
在采用机器学习挖掘付费用户后，《野蛮时代 Brutal Age》曾在用户量级和营收方面获得4倍的增长，同时降低了25%的用户获取成本，部分地区ROI获得了3倍的提升。
同样，IGG的《王国纪元》在海外市场推广时，也遇到了用户量级增加，但付费用户不易挖掘的难题。谷歌机器学习则根据已有的玩家信息，分析出付费用户的特征传给通用应用广告（UAC），帮助后者找到潜在的高价值用户。同时，IGG也根据这些用户数据分析，针对潜在的高价值用户推出了视频、文字和图片素材。最终，这款游戏的ROI提升2倍，付费用户数量增长4倍。
另外，谷歌的机器学习报告也给出了特征选择、预测转化率和预测pLTV的应用场景。数据团队仅需要用户分析时，特征选择较为合适；跨团队项目需要关注非付费用户到付费用户的转化时，可以选择预测转化率；而当跨团队项目需要从已存在的付费用户中挖掘高价值用户时，则可以选择预测pLTV。
目前已经有一些产品在成长期、成熟期和召回期，通过谷歌机器学习寻找付费用户，可以一定程度上降低人力和时间成本，并具备更高的精准度。那么，你认为未来人工智能是否会取代人做广告投放？