游戏产品的改进，到底是靠策划丰富的经验，还是靠参考别的游戏做法？甚至靠拍脑袋或灵感？

从《狂暴之翼》开始，我们探索用深入的数据分析，来改进游戏前期（前4天）的各种表现，取得了一定成果，帮助提升了产品的前期体验和留存数据。

我们的做法是：
用数据来客观中立地发现游戏的各种问题，然后由厂商结合游戏制作经验来改进产品。
深极智能的游戏数据挖掘团队，聚焦用监督机器学习技术（尤其是XGBoost）来深入分析游戏的留存和付费率，给厂商提供修改意见。

取得的成果是：使用机器学习做游戏留存数据挖掘的一种尝试尝试应用统计学分析技术、机器学习和大数据挖掘技术，对游戏前期埋点数据进行挖掘，从中寻找游戏显著统计特征，找到流失玩家和非流失玩家的差异，试图以数据找到游戏用户流失/留存的原因。从客观数据出发来研究游戏留存数据，属探索性质，所得结果是初步和粗浅的，但相信此研究方向对于国内游戏制作量化决策的意义。

基于机器学习的游戏付费用户特征挖掘

本文使用机器学习技术中一类监督学习技术—树提升，从一款成功的 ARPG 手机网游埋点数据中进行数据挖掘，解决基于数据的付费用户与非付费用户特征自动学习与预测问题，取得了初步成果，分享给游戏行业，意在推进网游制作决策量化与科学化。