Elif想表达的主要想法是：
“设计合适的盈利方案是重中之重，这需要花费很长时间，你还得不断思考、测试。持续评估、学习和改进。所以，机器学习（ML）和人工智能（AI）能成为你最好的帮手。”
今天，我们会把他们演讲中的关键点过一遍(尤其关于是机器学习），其中包括：
-Rovio是如何改进他们的盈利模式
-《愤怒的小鸟：梦幻爆 破》案例研究，奖励广告的分析
-对有志向成为游戏开发者的人提出的建议
好了，我们立即开始！
一、为什么Rovio想研究奖励广告
现如今，行业中有一些经过市场检验的盈利模式可供开发者探索。但面对这么多的选项，你可能很难确定要聚焦于哪一种，要测试什么。而Rovio选择了奖励广告。
angry birds go biz(from pocketgamer.biz)
为什么？
原因一：IAP的王冠正在滑落
IAP一直是F2P游戏盈利的王牌手段，但市场上那些热门游戏的IAP转化率却在下降。
依赖IAP，实质上就是将希望寄托于那一小群愿意掏钱买东西的玩家。现在，开发者想从绝大多数不接触IAP的玩家身上争取收益，这并不令人意外。
但与此同时，开发者们也很谨慎，不想因为添加什么东西导致这些珍贵的玩家离开你的游戏。这是一个不小的挑战。
原因二：游戏内广告正变得越来越流行
最近的研究表明，如果广告融合得好且与玩家有关联性，他们确实会对广告很有兴趣。而且随着机器学习和人工智能的进化，开发者现在对玩家有了更好的认识，能够为他们量身打造广告。
广告会破坏游戏体验的这种说法，如今自然也就不成立了。
原因三：找到适合的平衡点会给你带来收入
IAP转化率并不是一成不变的，游戏的生命周期总价值也是如此。它们俩都会时间的推进而降低，但原因不同。
简单来说就是优秀的盈利模型不会完全依赖于IAP或广告。关键是要在两者间找到平衡。解决这个问题，你的收入就有可能节节攀升了。
二、案例研究：《愤怒的小鸟：梦幻爆 破》
在演讲的过程中，Elif详细讲解了他们的新游戏《愤怒的小鸟：梦幻爆 破》。游戏是一年多年以前发行的，现在已经是他们最成功的产品之一了。《愤怒的小鸟：梦幻爆 破》进入了iOS平台畅销榜的前100，并且一直没有掉出来。
以防你还没玩过这个游戏，我先跟你讲讲：游戏使用了基于物理学的“点击&清除”机制——通过点击五颜六色的泡泡，让一定范围内的同色泡泡消失。清除大量泡泡会给你小鸟，你可以组合它们来清除更大范围的泡泡。
那么，他们是如何利用奖励广告的呢？这些广告的奖励方式很简单：
每天，玩家可以通过看广告获得每日礼物，或者更多生命/更长的游戏时间。
广告通常都是Rovio的交叉推广，这是符合逻辑的——如果玩家喜欢《愤怒的小鸟：梦幻爆 破》这个游戏，那么他们很有可能也会喜欢其它的《愤怒的小鸟》游戏。
Rovio旗下还有一些游戏，但这并不意味着每一款游戏的广告效果都是一样的。奖励广告有好几种运用方式：在开局前获得免费的增强道具、重试失败关卡的机会或者是回收失去的资源。
Elif说这些方法都有不错的效果，但它们基本上都算是“通用”模式。他们希望在不影响IAP转化率的情况下，探索个性化奖励广告的投放方式，由此来提高广告收入。
于是，《愤怒的小鸟：梦幻爆 破》就成为了他们的实验目标。
他们分为了三个阶段：
第一阶段：测试奖励广告
关于奖励广告模式，Rovio团队想出了一个好点子，在测试发行期间展开了实验。根据他们在其它游戏中看到的情况，游戏中的设定都相当慷慨。
但不幸的是，结果并不是他们所期待的那样。
他们测试了什么：
如果玩家在通关失败后看了一个广告(每天至少可以看一次)，就可以获得额外三个步数来继续尝试闯关。
结果：
增加这种特色对游戏的盈利产生了负面影响——IAP收入和转化率都下降了。
经验教训：
1.“通用”模式并没有效果。他们从非付费玩家身上获得的收入无法弥补付费玩家那边流失的利益。
2.在测试发行期间进行实验不是个好办法。因为样本量很小，数据的不确定性很大，小小的调整都可能造成很大的影响。
计划的下一步：
获得令人失望的结果是否意味着他们永远不应该使用奖励广告？“不，当然不是，”Elif说。“我们需要研究结果、改进优化然后重新测试。”
他们知道这些广告对付费玩家产生了消极影响——这是他们最不想看到的结果，所以他们想：“要是我们把这些奖励广告只展示给非付费玩家呢？”
但是你要怎么快速试别哪些会成为付费玩家，哪些不会呢？
阶段二：几个团队聚集在一起，提出了一个假说和检验的方法
他们需要找到一种方法来预测谁是付费玩家谁是非付费玩家，然后进行A/B测试，看看他们的假说是否成立。
要完成这个任务，他们需要广告、商业智能、技术和游戏团队保持持续合作。关键人物有：
·游戏的产品经理——负责安排测试和游戏新特色。
·数据分析员——负责运行A/B测试，提供与游戏表现相关数据。
·广告营销经理——负责提出广告投放的思路，以及如何巧妙地融合。
经过长时间的头脑风暴，他们敲定了一个理论：
“如果我们只向非付费玩家提供+3步数的奖励广告，我们将看到IAP、广告收入都会增加。”
设计一个机器学习模型
为了检验他们的假设，Rovio需要一个可分配值的系统，这个值可以预测用户成为付费玩家的可能性有多大，以及大概会消费多少钱。这样他们就能够瞄准非付费玩家，展示奖励广告了。
这是个数据科学方面的挑战。但是凭借Rovio强大的机器学习和人工智能，他们早已准备好了。事实上，他们之前就在制作一个针对玩家的LTV预测模型，可以通过调整来服务于新的测试任务。
随着新模型的建立和运行，验证马上就可以展开了。
阶段三：测试新模型
他们测试了什么：
只对模型预测为非付费玩家的用户提供+3步数奖励广告。
他们做了几个星期的测试，并在此后的几个星期里继续观察长期影响。这次他们的测试环境比较好，因为游戏在全球范围内上架了，所以样本量不是问题。
结果：
仍没有看到任何积极影响，但是消极影响减少了。他们的总收入减少了一点——额外的广告收入依然没能完全弥补IAP的微小损失。
但是要记住，这对比上次测试来说效果已经有所提升了。游戏的转化率维持不变，IAP收入只稍稍减少。
经验教训：
1.广告收入很难弥补从付费玩家那里流失的收益
2.预测模型大部分是准确的，但少数几个不准确的地方会让大家付出不小的代价
3.当+3步数奖励影响到其它奖励广告的消费时，可以将每个用户的平均广告展示量降低。
4.尽管结果仍然是不理想的，但它们正朝着正确的方向发展。
计划的下一步：
Elif说他们有三个选择：
1.做一个新的A/B测试，把付费用户的概率评分调低。这是一个低风险的选项。
2.做一个新的A/B测试，调高广告的展示频率。这有可能会提高广告收入，但是也有可能会对IAP收入造成更进一步的负面影响。
3.让测试模型变得更加精准，或者换一个不一样的模型。这是技术要求最高的选择，但可以带来一些快速的效果。
那有没有考虑过放弃奖励广告这个模式？Elif说“不，没有。在强调一下，这些实验是需要时间和耐心的。我们在不断调整、测试、学习。”
他们选择了第三个方案，重点是改进或更换预测模型，这样他们就可以更有效地针对非付费玩家，降低IAP收入受影响的风险。
三、最后来讲讲我们从Elif的演讲中学到了什么
Elif谈到了很多技巧、建议和教训，以下是我们在这次演讲中学到的重要知识：
1.合适的广告投放能够提升产品的生命周期总价值
游戏内广告，关键就在于你怎么使用。你只需要把对的广告在对的时间展现给对的玩家。
2.每一次测试都是新的教训
即使你的测试结果并不乐观，这些付出也并没有白费。至少你知道了什么是行不通的，而且你一般都能从测试中看出为什么行不通。每一次测试其实都是循环中的又一个学习&提升的阶段。
3.个性化，机器学习和人工智能是关键
玩家是一个相当多元化的大群体——经过细分的目标市场也是如此。“通用”盈利策略的效果肯定比不上为玩家量身定制的个性化策略。机器学习和人工智能对定制化能起到非常关键的作用，如果你没有使用，你的收入永远都不可能持续往高处走。
4.游戏开发需要数据驱动
在游戏这个行业，我们可以快速实验、测试、吸取教训。总是有很多的新测试、新技术可以帮助我们提升优化。为了获得效果最佳的盈利模式，我们必须要加以利用。
