本发明是利用游戏日志数据分析用户流失率的游戏记录分析方法。尤其，是能实时预测分析对象不玩或删除游戏软件(应用等)时流失率的记录分析方法。
背景技术：
得益于网络基建的普及，过去单机游戏为主的游戏市场，逐渐被网络游戏所取代。
mmo游戏为例，网络游戏物品(item)及游戏虚拟币都对玩家发挥着重要作用。因此，有时作为个人资产，成了玩家之间交易的对象。
由于上述原因，时有发生账号盗用、交换物品(item)诈骗事件等。如果玩家举报账号盗用问题，该网络游戏公司将分析服务器实时生成的记录信息并查明原因后，会向使用者提供相关解决方案。
而且，这些游戏的特点就是，在虚拟世界玩家操作的游戏角色之间会有各种交互发生。这些游戏角色之间产生的各种交互，都可以成为游戏记录分析对象。即，这些游戏需根据记录分析内容进行后续分析，而且这类游戏能进行后续分析，因此这与过去盒装游戏及与大部分的休闲游戏有很大的差别。
mmo网络游戏服务器会在一定时间段内生成存储玩家游戏角色动作的游戏记录文件。
一般来说，游戏记录文件包括玩家游戏角色动作记录信息、动作时间信息及玩家游戏角色的相关信息等。而且还包括游戏各种变数相关信息。
技术实现要素：
(一)要解决的技术问题
本发明将对分析对象的游戏软件设置、执行阶段进行用户流失可能性分析。本发明不仅会把分析内容提供给游戏公司(游戏开发商)或者游戏服务公司(游戏发行商)，而且还会通过用户游戏流失原因分析及实时分析，当用户出现流失现象时，会立即提供能防止用户流失的运作算法。
(二)技术方案
本发明作为包括终端的游戏客户端包括能提供游戏内容的游戏服务器；以及在上述游戏客户端所说的上述游戏内容相关日志数据收集记录分析服务器。上述记录分析服务器包括能从上述客户端收集日志数据的通信模块；通过上述通信模块存储已收集日志数据的记录存储部；还包括为预测活动期间或非活动期间的上述收集、存储的日志数据记录内容，根据需要信息的选择及已被选择信息，提供不同加权值进行日志数据分析的分析模块。上述活动期间显示上述游戏内容进行活动的期间；上述游戏活动是指，属于上述游戏内容操作信息的游戏状态信息。如：游戏难易度、游戏角色级别以及游戏进行速度中至少一个以上的变更设定值。
(三)有益效果
通过本发明记录分析方法，不仅能通过实时收集的日志数据做用户分析，而且还有能有效分析用户游戏下载或删除信息、活动信息等优势。并且有通过日志数据分析结果，更容易地获得游戏开发信息、游戏收益模式等优点。
附图说明
图1是本发明游戏记录分析系统结构图。
图2是表示本发明记录分析服务器(执行游戏记录分析)的结构图。
图3是根据本发明实施例，说明游戏记录分析方法的流程图。
图4是根据本发明实施例，说明能作为分析游戏流失率标准，即解释可作为基准的基础数据收集、分析过程的流程图。
图5是根据本发明实施例，说明游戏下载后预测初期流失率方法的流程图。
图6是根据本发明实施例，说明实时预测游戏执行流失率方法的流程图。
具体实施方式
图1是本发明游戏记录分析系统结构图。
首先，本发明游戏记录分析方法是利用从游戏公司客户端10执行的游戏及用户客户端11生成的记录信息，根据游戏活动期间与否进行指标分析的方法，这能为游戏公司提供有意义的信息。
本发明的“游戏活动”定义如下：
“游戏活动”是指，由游戏公司游戏服务器或是记录分析服务器特别设置的特定期间。又指在此特定期间，对游戏的技能、金币、比赛方式等给予不同优惠的策划活动。
例如，如在游戏里追加新的游戏角色时，并追加的新游戏角色为raid(团队副本活动)boss的话，原有的boss游戏角色的等级将降低，获得特定物品(uniqueitem)的机会将一时提高(特定期间)，破关的难度也随之降低，因此能吸引更多用户玩游戏。而这些要素都可称之为游戏活动。
即，游戏活动是指在游戏活动期间改变物品(item)获得难易度、调整游戏角色等级(水准)或是调整游戏进行速度等为执行游戏改变游戏状态信息等一系列动作。
而游戏状态信息是指，用户执行游戏时所需的诸多信息。可以是能让用户执行游戏的对游戏关卡情况设置、破(clear)每个关卡需要的分数或等级等能使用户更容易过关时需要的物品(item)信息、为购买上述物品(item)所需的游戏虚拟币等，即执行游戏时所需的物品、游戏角色及关卡设置皆可成为游戏状态信息。
而且，本发明系统及方法中有与上述游戏状态信息共同使用的词汇——用户活动记录。
用户活动记录是指，用户执行游戏时的信息。用户执行游戏时的所有活动信息都成为用户活动记录。例如，用户活动记录可以是用户在游戏或是在游戏角色分别进行的所有动作，或是游戏角色、物品(item)、每个关卡执行状态及游戏执行次数等用户执行或操作游戏时发生的动作或可视为是用户游戏分身的游戏角色动作信息等。
同时，活动期间是指上述活动进行的期间，而不进行活动的期间则成为非活动期间。即，用户执行游戏或记录日志数据的期间可以是在活动期间内或是在非活动期间内。
分析流失率时，本发明将根据日志数据收集期间(活动期间或非活动期间)，提供不同的加权值指标(indicator)。
即，一般来说用户在游戏进行的动作信息都将收集到日志数据，但本发明使用该日志数据记录信息时，会有根据记录日志数据期间(是否在活动期间)更改显示内容或变更内容加权值的特点。
因为，运营游戏服务器20的游戏公司推出新的游戏角色或新增表示游戏进行程度的游戏等级时，会进行多种游戏促销活动，而在游戏活动期间会有游戏参与度低的用户参加。
而且，在本发明为分析日志数据，将同时利用分析对象下载的游戏软件终端信息和该游戏软件下载信息。在此所说的终端包括pc、mac、平板电脑、ios设备及安卓设备等能下载游戏软件的所有设备。不单包括移动终端。
本发明分析日志数据的具体方式及说明，请参考下面图片及内容。
同时，如想知道从上述游戏客户端11传送的游戏记录信息，是否在活动期间记录的，使用者可在上述游戏服务器20或是记录分析服务器100进行确认及验证。
上述游戏服务器20是指，移动终端等下载于用户终端的客户端11。该服务器不仅提供游戏服务，而且会把游戏用户设备里安装、运行以及删除的记录(log)推送到游戏分析服务器100上。
上述游戏客户端11也会把用户在设备下载、执行及删除游戏的游戏记录传送至上述记录分析服务器100。
从上述游戏客户端11和游戏服务器20获得的游戏信息；即，本发明根据接收日志数据的上述记录分析服务器100，将对记录分析方法进行详细说明。
图2是执行游戏记录分析的本发明记录分析服务器结构图；图3是根据本发明实施例，说明游戏记录分析方式的流程图。
首先，根据图2本发明记录分析服务器100包括接收日志数据的通信模块110；通过上述通信模块110存储已收集日志数据的记录存储部120；根据活动期间与否，对已收集的日志数据，给予不同标准值与加权值，并对日志数据进行分类及提取的分类提取模块130；分析已提取或分类日志数据的分析模块140；以及对日志数据进行模块化过程的模式化系统150。
说明本发明时，上述记录分析服务器100像是由多个模块构成。但实际上服务器实际结构，即物理上这些模块不需分开执行。根据实施例，可在单一的chip执行模块的多维功能。因此，可把模块的结构及动作看作为助于理解的辅助说明。
每个模块结构的运作方式，根据图3进行说明。
首先，将通过通信模块110，从客户端11和游戏服务器20收集(s11)日志数据。
在此，收集的日志数据包括记录日志数据的时间信息、表示游戏用户活动信息的前述用户活动记录、在终端下载的游戏状态信息(终端状态信息)。而且日志数据还可包括用户信息(账号、邮箱等)。
在本发明，为事先预测参与、执行分析对象游戏软件的用户流失率，将收集删除该游戏等流失记录及终端相关信息，并分析从该用户及终端收集的日志数据后，读取预测流失率所需的相关信息。
为进行上述分析，并为存储于记录存储部120收集的日志数据信息，可包括以下项目，而且这些还可以是用户活动信息和终端状态信息。
把信息分为删除游戏前与删除游戏后的话，则会有删除该游戏前的用户活动信息、删除该游戏后用户活动信息、删除该游戏前终端状态信息以及删除该游戏后的终端状态信息。下载该游戏的终端，可把下载上述记录分析服务器100之前记录的日志数据和删除后记录的日志数据，一定期间传送至记录分析服务器100。
例如，删除该游戏前的用户活动信息可以是，游戏结算失败记录、数十日停留在特别关卡但没有突破的记录、删除游戏前数十日用户未执行游戏的记录以及即使进行活动，但数十日仍未突破特别关卡等的信息。
而且，删除该游戏前的终端状态信息可以是，如：发生过网络不良的记录、该游戏用户账号在其他终端连接(更换终端等)记录以及执行游戏时，因电话或执行其他软件(应用)而停止游戏等的记录。
这些日志数据会从游戏客户端11和游戏服务器20传送至上述通信模块110。如上前所述，游戏客户端包括曾下载过分析对象游戏软件的终端等。
根据本发明实施例，为更有效地分析、利用日志数据，可根据用户行动进行规格管理。
例如，分析对象下载游戏之前所在的用户终端画面信息，可收集到日志数据。从特定应用(脸谱facebook)连接至对象游戏下载ui时，将存储并传送特定应用画面信息。
如此，收集的日志数据可存储(s12)于上述记录存储部120。存储的文件将执行存储协议，因此还可存储于hadoopecosystem。在此，hadoopecosystem是由共同与有存储功能的hdfs/maspreduce多种次级项目构成的文件存储系统。统称flume、hbase、hive、pig、sqoop、zookeeper、storm、kafka等大数据相关项目。
例如，收集的日志数据将会以20151010120000_connectionlog_0001.log、20151010120100_itemlog_001.log、20151010120100_connectionlog_0001.log、20151010120000_virtualmoneylog_0001.log等格式存储于记录存储部120。
而且，以上述格式存储的日志数据会自动执行存储协议，并把信息存储至hadoopecosystem。
上述存储协议引擎可使用flafka，flafka是混用hadoopecosystem使用的flume及fafka的服务。数据则会以能实时分析数据的sparkstreaming、hive或是能提供原始记录的hbase三种形式进行存储。完成上述工作，则会进入分析程序。
而且，sparkstreaming只对需实时进行分析的游戏信息，如：游戏结算(包括虚拟金币)、游戏物品相关信息、用户访问信息及内容执行信息等进行存储程序。
在此，可通过sparkstreaming一个解决方案完成，过去在各种平台反复进行才能完成的工作(task)，而且可在多台服务器进行分布式分析，因此是适合进行大数据分析的平台。使用者可利用sparkstreaming对实时分析对象信息，如：分析对象中下载游戏用户的初期流失率和执行游戏时的实时流失率等进行分析。
而且，sparkstreaming为例，虽会以标量形式呈现，但具有能支持python、java等多种程序语言的sdk，因此提供hadoop、亚马逊s3、cassandra等存储多种数据的存储数据库。
根据上述存储协议，在hadoopecosystem存储的文件可通过分析模块140进行记录分析程序。
之后，会对通过本发明分类提取模块130存储的日志数据进行分类、提取等工作。如，会进行(s13)提取统计指标工作。
提取统计指标工作是，后面阶段日志数据分析工作的预处理过程。如想使用上述存储的日志数据统计，就要把hive处理的日志数据加载至spark，那么加载后的数据会通过sparksql提取统计指标。
sparksql是指处理有结构的数据或者无模式的数据。不仅提供sql相关基本功能，而且还可简化存储于外部程序的数据查询次数，因此能消除数据库结构关系的模型。
利用上述sparksql的统计指标可以是游戏软件里的，如：每日活动用户数、每日新的销售额、每日重复购买销售额、每日累计销售额、每日使用不到10分钟的用户、每日自然流入新注册会员、每日通过广告流入的新注册会员、每日活动用户、每日新购买游戏物品的用户、每日新购买游戏物品所需时间、每日重复购买游戏物品用户、每日购买整个游戏物品的用户、每日购买游戏物品5千韩元以下的用户、每日购买游戏物品1万～1.5万韩元的用户、每日游戏下载数、每日游戏删除数、每日游戏重新下载数以及每日游戏执行数等信息。
提取的统计指标，可存储于一般数据库系统或区划存储于上述记录存储部120，并将通过分析模块140需要时使用。统计指标是根据实施例，表示各种信息，并能选择多个选项的指标。上述统计指标是一个举例例子。
其次，为提取有意义的游戏软件分析结果，会利用提取的统计指标及游戏日志数据进行提取工作(s14)。
即，将对收集的游戏日志数据及通过上述游戏日志数据处理、提取的统计指标进行数据分析(记录分析)之后，将再次通过上述分析模块140进行日志数据的分析工作。
上述分析模块140将利用sparkcore的distributecomputing技术进行分析工作。而且为评估活动效果(或是有效性)，能追踪游戏活动前、游戏活动期间、游戏活动结束等各个统计指标的变化。
使用者可利用上述分类提取模块130提取的统计指标，确认活动进行前、进行期间、进行后的统计指标增加幅度，维持一定状态指标的有无以及活动期间大幅度增长统计指标的有无。因此能详细比较活动前后的数据。
而且，进行(s104)游戏日志数据及统计指标分析工作时，将根据本发明实施例，会对分析对象下载游戏后的初期流失率以及执行游戏时的流失率进行分析。
以下是利用游戏日志数据预测、分析流失率的详细说明。
首先，根据本发明实施例，分析下载游戏后的初期流失率及执行游戏时的流失率之前，需先分析基础数据。
即，本发明分析模块140可预测游戏软件用户持续执行游戏的可能性，以及删除或长期不执行该游戏的可能性。在此，可把生成属于基础数据的日志数据的终端及用户视为是第一用户，而根据上述基础数据提取指标，新下载游戏但有可能流失的终端及用户可视为是第二用户。
根据本发明实施例，该游戏的流失及用户的流失是指，用户删除游戏以及未在已设置的期间再连接、执行游戏等行为。游戏流失率及用户流失率都有上述流失的可能性。
图4是根据本发明实施例，说明能作为分析游戏流失率标准，即解释可作为基准的基础数据收集、分析过程的流程图。
日后为进行流失率预测，将进行特定标准指标的相关工作。
上述分析模块140为分析、预测上述记录存储部120存储的日志数据流失率，将收集、分类(s101)与游戏相关的日志数据。即，上述记录存储部120中有游戏日志数据相关大数据信息。而上述分析模块140则会从记录存储部120中提取能预测流失率的游戏相关日志数据。
而且，提取的日志数据能通过分析模块140，可把能分析、预测游戏对象流失率的日志数据，划分为上述说明的用户活动信息及终端状态信息。
而且，上述分析模块140还会针对判断为与该游戏相关的日志数据，按时间进行分类工作。即，会根据游戏下载后有删除记录的用户信息(如账号等)、游戏下载后有删除记录的终端信息(macaddress等)针对用户及终端生成的日志数据进行分类。之后，并会对已分类的日志数据按记录、生成时期进行划分。
在此，已分类的日志数据记录时期，不能成为决定该游戏是否在活动期间记录的判断标准。换句话说，已分类的日志数据，不能成为确定记录时间是否在活动期间或非活动期间的判断标准。
活动期间及非活动期间的分析表有可能一致。但，可对实际流失的用户或终端生成的日志数据所包括的特定信息(指标信息)给予不同的加权值。
例如，利用ax+by+cz＝p公式定义流失率(p)时，x、y及z将成为包括于日志数据的指标信息及数值，而a、b及c则成为各指标的信息的加权值。计算流失率的具体例子，即，流失率(p)＝a(raid胜率)+b(raid贡献度)+c(用户等级)+d(攻击力+防御力)/2。
本发明将对包括于已分类日志数据的诸多信息中的特定信息，随着记录日志数据的时期是否在活动期间或非活动期间，给予不同的加权值(s103)。
上述所说的活动期间，会有游戏状态信息上的变化。即，为了让更多的用户加入游戏降低游戏物品价格，或者降低破关分数等会有相关的变化。例如，raid的胜率会比过去平均值上升，游戏用户平均贡献度也会发生变化。因此，活动期间与非活动期间用户数会有很大的差别。而且，游戏的难易度及用户的贡献度都可能发生变化，因此预测流失率时需划分活动期间与非活动期间，在已被选择的信息给予不同的加权值。
其次，可利用每个日志数据里已采用的不同加权值信息(指标信息)及已设定的数学公式，判断流失率最高的用户群。
即，对实际流失用户及终端收集的日志数据信息，按记录时间采用不同的加权值后，会利用已设置的公式，提取、生成(s104)流失率最高的信息(指标)。
因为这已是出现流失的日志数据，因此为在日志数据生成有意义的指标，首先要在事先设置的数学公式给予不同加权值后，需通过计算得出流失率接近100％的指标。这时，生成的指标能成为预测流失率的重要基准指标。
重新收集、分类实际有流失的游戏用户及终端的日志数据时，为预测包括于日志数据的流失率信息，使用的信息可根据实施例给予各种变化及修改。
预测流失率的对象游戏软件像实施例同是游戏时，以下信息可适用于预测流失率。但，这些项目仅是本发明的一实施例，包括但不限于此。
冒险类游戏为例，破关能力信息、破关时间信息、内容结束比率信息等都可使用于预测流失率。
而且，pvp(playervsplayer)游戏为例，pvp胜率信息及pvp贡献度信息可使用于预测流失率。
并且，raid(团队副本活动)戏为例，raid胜率信息、raid贡献度信息及raid获得物品信息等都可使用于预测流失率。
即，为实时预测、分析该游戏的流失率，将选完该使用的指标。
之后，会根据上述选择的指标，进行流失率预测工作。流失率预测在本实施例分为，分析对象下载游戏后的初期流失率分析及下载游戏后执行中发生的实时流失率分析等过程。
图5是根据本发明实施例，说明游戏下载后预测初期流失率方法的流程图。
首先，将收集(s201)下载该游戏的用户及终端的状态信息。即，上述分析模块140会为增加游戏软件使用量事先预测流失率。因此，会提取下载游戏软件的用户账号、性别、年龄等个人信息，及终端种类等下载游戏的终端状态信息。
而且，为预测流失率，将会从日志数据提取(s202)基础数据(流失用户及终端的日志数据)指标信息。
这时，为预测从游戏下载阶段开始的流失率，上述分析模块140将会从每个日志数据提取游戏下载渠道信息。虽然该日志数据预测流失率时，会随着记录时间是否在活动期间给予不同的加权值，但该游戏的下载方式及渠道，也对选择指标的加权值大小发挥重要作用。
在本发明，通过回报性广告下载或执行的用户称为non-organicuser，而不通过回报性广告等渠道直接从软件商店等进行搜索、选择下载游戏的用户称为organicuser。
回报性广告一般会以在网页链接或其他应用链接等给予下载金币、物品等优惠的方式呈现。
这些用户中non-organicuser一般只会下载游戏或只破目标等级后删除游戏、不执行游戏的特征。因此，在本发明需在日志数据记录游戏下载渠道相关信息。
而且，上述分析模块140为分别预测organicuser和non-organicuser的流失率，将利用上述用户的日志数据，对游戏使用时间、内容结束率、内容执行时间等进行分析。
其次，将根据收集的日志数据是否在活动期间，对提取指标给予不同的加权值进行公式化(s203)。
之后，将通过比较有加权的结果值及从基础数据中提取的指标标准值，预测(s204)游戏下载阶段的流失率。
下载游戏渠道或方式以及通过回报性广告流入等信息结包括于日志数据。而且使用这些数据预测流失率时，可事先分别预测、分析organicuser流失率及non-organicuser流失率。而且，可只对有预测流失率意义的organicuser进行分析。
图6是根据本发明实施例，说明实时预测游戏执行流失率方法的流程图。
将基于分析对象游戏用户及终端信息，实时从游戏客户端(终端)收集(s301)日志数据。
而且，为预测每个日志数据的流失率，将从决定选用的指标提取信息。而且，随着记录日志数据的时间(是否在活动期间内)，基础指标也会发生变化(s302)。
例如，在活动期间内收集的日志数据为例，会以a信息、b信息及c信息作为基础提取指标，而在非活动期间则会以b信息、c信息及d信息作为基础提取指标。
而且，会随着收集期间(活动期间或非活动期间)对包括于日志数据的选择指标信息，采用不同的加权值(s303)。
为预测该游戏的流失率，将根据利用选择标准指标实时收集的日志数据，对用户游戏流失率进行预测(s304)。
而且，流失率接近其设定值或突破其设定值的用户或者终端，则可采用已设置的防止流失算法(s305)。
防止流失算法可采用于，日志数据流失率预测值高的用户或终端。而且，还可根据用户游戏活动信息或是终端状态信息采用不同的算法。
冒险类游戏为例，用户活动信息不到标准值，并其流失率高的情况有如下：比流失率低群体冒险的时间长、使用武器及防御能力比目前冒险等级所需的能力低或者物品(药水)消费比一般高1.3倍。
这时，可通过防止流失算法向用户提供符合游戏角色等级的冒险地区推荐提示、物品(药水)打折扣提示或者符合游戏等级的免费物品等，能采用多种算法。
而且，用户游戏执行信息中有因用户技术不足游戏流失率高的情况。
即，技术不足的用户有破一个关卡时间长、内容结束率低、pvp低等诸多信息。
这时，根据实施例，可通过防止流失算法提高用户游戏角色的攻击力及防御力、发送能增强能力的物品购买提示信息或者提供能容易操作的免费物品或折价销售提示等可采用不同的算法。
其他情况为例，根据终端信息显示内容有用户流失率高的情况。使用性能低的电脑或手机而常常当机的话，有流失率高的判断可能。这时，能向用户发出因终端或pc等游戏客户端的原因，游戏不流畅等提示信息。