加密赌场

Torrent Gear

A/B评分规则测试

得分是任何游戏化的核心。玩家行为，参与结构和经济学取决于积分的确切价值（ARPPU，奖金）。下面是一个实际的配方，如何有效测试新的眼镜规则，并确保指标的生长是真实的，而不是人工制品。

1）我们到底要测试什么

规则示例：

根据投注总额：每1欧元投注1分。
按乘数win/bet：分数=⌊乘数× k ⌋，每个出价。
混合动力车："系列"（连续N旋转）的营业额得分+嘘声，每分钟/每小时的帽子。
任务：执行任务的虚构点（T1...Tn），具有越来越大的复杂性。

假设（示例）： ""乘数+cap"模型将提高participation_net和完整率而不会降低Net ARPPU（奖金/奖金之后）。"

2）实验单位和随机化

单位：用户（不是会话,不是设备）。

分布：固定盐分的静态哈希（user_id → bucket）；A/B/C所占比例50/50或33/33/33。

分层（建议）：payer-status（新支付/重新支付/不支付）、平台、地理位置。

调整：用户在测试过程中总是看到相同的规则。

SRM （Sample Ratio Mismatch）检查：每天检查预期组的实际比例（卡方）。SRM是流量泄漏，过滤错误，错误的信号。

3）度量标准和"眼镜漏斗"

活动和参与

Reach：看到活动者的份额。

Participation_gross：介入/eligible。

Participation_net：开始进步/eligible。

完成：完成/开始。

质量和金钱

ΔDAU/WAU и stickiness (DAU/WAU).

Avg Bets per Session, Avg Bet Size.
ARPPU (net) = ARPPU − (Prize + Bonus Cost per payer).
Avg Deposit, Paying Share.

Net Uplift：（额外收入）−（奖品+奖金+运营+流失）。

花园花园

投诉/技术支持1,000 user，KYC豁免，异常投注模式，RG标志（限制，自我体验）。

4）持续时间、季节性和新颖性

至少有2个完整的业务周期（例如2个星期的时间来捕捉周末）。

考虑新颖效应：前48-72小时的激增。捕获和分析阶段（D0-D2，D3-D7，D8+）。

不要与大型促销相交，或者计划按组进行"等噪音"。

5）采样功率和量（计算示例）

目的：检测平均每位用户眼镜（或Net ARPPU）的Δ差异。

两次t测试的公式（分组均等）：

[
n_{\text{na组}}=\frac {2, （z_{1-\alpha/2}+z_{1-\beta}）^2,\sigma^2} {\Delta^2}
]

示例：我们要抓住Δ=5分，σ=120，α=0.05（双向），功率为80％（β=0.2）。

（z_{1-α/2}=1{,}96)、（z_{1-β}=0{,}84） →总计2.8 → 平方7.84。

(\sigma^2 = 14,400).

（n =\frac {2\times 7{，}84\times 14400} {25}\approx\frac {225.792} {25}\approx 9.032）。

💡 底线：每个组~ 9,100个用户（具有扑杀和防冻备份）。

6）减少方差： 使测试"便宜"

CUPED：对测试前协变量的回归调整（例如，过去一周的积分/利率）。

协变量：付费标志，营业额的日志转换，活动，平台，地质。

错误聚类：在用户级别（内部重复会话）。

7）干扰和"海峡"

积分规则不仅会影响测试参与者：

社会比较（leadbord通用）→ "spillover"。
通用头奖/联合任务→交叉效果。

解决方案：

按组划分的领导板或隐藏的积分正常化。
按流量/地理群集进行群集随机化（更贵但更清洁）。
Per协议（ITT）+敏感分析。

8）Antifrod和Caps统治

眼镜的任何变化都会刺激优化：微观投注，博达和"眼镜场"。

最低限度保护：

每分钟/每小时/每小时和一次下注。
最低利率波动（禁止"理想"序列）。
无头/重复指纹检测，代理。
推迟验证+KYC大奖。
分析：比较"积分/投注"和"积分/分钟"分布，寻找尾巴。

9）事件和数据模式（最低限度）

事件：

`session_start {user_id, ts, platform}`
`event_view {user_id, event_id, ts}`
`event_join {user_id, event_id, ts}`
`points_awarded {user_id, event_id, rule_id, amount, source, ts}`
`mission_progress {user_id, mission_id, step, value, ts}`
`mission_complete {user_id, mission_id, ts}`
`bet {user_id, game_id, bet, win, ts}`
`deposit {user_id, amount, ts}`

参考书：

`rules {rule_id, name, params, caps_minute, caps_hour, caps_day, version}`
`assignments {user_id, test_id, group, assigned_at}`

10）用于分析的SQL草图

SRM验证（按组分布）：

sql
SELECT group, COUNT() AS users
FROM assignments
WHERE test_id =:test
GROUP BY group;
-进一步的卡方与预期份额

分组Participation/Completion：

sql
WITH eligible AS (
SELECT user_id FROM users
WHERE last_active_at >=:start - INTERVAL '14 day'
), joined AS (
SELECT DISTINCT user_id FROM event_join
WHERE event_id =:event AND ts BETWEEN:start AND:end
), started AS (
SELECT DISTINCT user_id FROM mission_progress
WHERE ts BETWEEN:start AND:end AND mission_id IN (:missions)
), completed AS (
SELECT DISTINCT user_id FROM mission_complete
WHERE ts BETWEEN:start AND:end AND mission_id IN (:missions)
)
SELECT a.group,  COUNT(DISTINCT j.user_id)::float/COUNT(DISTINCT e.user_id) AS participation_gross,  COUNT(DISTINCT s.user_id)::float/COUNT(DISTINCT e.user_id) AS participation_net,  COUNT(DISTINCT c.user_id)::float/NULLIF(COUNT(DISTINCT s.user_id),0) AS completion
FROM eligible e
JOIN assignments a USING (user_id)
LEFT JOIN joined j USING (user_id)
LEFT JOIN started s USING (user_id)
LEFT JOIN completed c USING (user_id)
WHERE a.test_id =:test
GROUP BY a.group;

Net ARPPU和奖金/奖金成本：

sql
WITH payors AS (
SELECT DISTINCT user_id FROM payments
WHERE ts BETWEEN:start AND:end
), rev AS (
SELECT user_id, SUM(ggr) AS ggr
FROM revenue
WHERE ts BETWEEN:start AND:end
GROUP BY user_id
), costs AS (
SELECT user_id, SUM(prize + bonus) AS cost
FROM promo_costs
WHERE ts BETWEEN:start AND:end
GROUP BY user_id
)
SELECT a.group,  AVG(COALESCE(r.ggr,0) - COALESCE(c.cost,0)) FILTER (WHERE p.user_id IS NOT NULL) AS net_arppu
FROM assignments a
LEFT JOIN payors p USING (user_id)
LEFT JOIN rev r USING (user_id)
LEFT JOIN costs c USING (user_id)
WHERE a.test_id =:test
GROUP BY a.group;

CUPED（示例）：

sql
-pre_value：面试前的分数/收入；value：在测试期间
SELECT group,    AVG(value - theta pre_value) AS cuped_mean
FROM (
SELECT a.group, x.user_id, x.value, x.pre_value,     (SELECT COVAR_SAMP(value, pre_value)/VAR_SAMP(pre_value)
FROM x) AS theta
FROM assignments a
JOIN x ON x.user_id = a.user_id
WHERE a.test_id =:test
) t
GROUP BY group;

11）私人效应和异质性

检查HET效果：

初学者vs核心，低价值vs高价值，不同的平台/地质。
有时，新的眼镜配方"点燃"中核心而不改变鲸鱼是正确的结果。
进行分段注册以避免捕获"p-hacking"。

12）频繁陷阱

1.所有群体的共同领导层→干涉。

2.在测试期间更改奖品结构→不可比性。

3.微量投注眼镜的农场→不有效的uplift。

4.ETL中的SRM和"浮动滤波器"→偏移分数。

5.依靠"陷入困境"的ARPPU而不扣除奖金/奖金。

6.由于没有正确的一致统计数据的流动而导致的早期停止。

13）Bayes vs频率和顺序解决方案

框架：可以使用贝叶斯方法（后周期度量差，概率"B优于A"），尤其是在时间监控中。

小心：眼镜规则的bandites在确认的uplift之后是合适的--在操作阶段，在初级验证中。

14）负责任的游戏和合规性

透明规则和帽子：玩家必须了解如何获得积分。

活动和存款限制，"暂停"和RG线索。

没有隐藏的游戏风格的"罚款"。

15）迷你桉例（合成）

上下文：每周活动,A="每1个投注的积分",B="乘数分数win/bet, cap=50/投注"。

规模：2 × 10 000个用户，按支付状态分层。SRM-c。

结果是：

Participation_net: A 17,3% → B 22,1% (+4,8 п.п.).
Completion: A 38,9% → B 44,0% (+5,1 п.п.).
Net ARPPU：Prize+Bonus per payer的41.2 → B欧元43.5（+2.3欧元）≈ 6.4欧元（未变）。
投诉/1k：不变；frod-flag ↓0,3 p.p.以牺牲帽子为代价。
结论：规则B是获胜者；我们使用奖品的"长尾巴"进行缩放，并保留帽子。

16） A/B按积分排列的发射清单

单位=用户，粘贴分配，分层。
分开的领导板/正常化以消除干扰。
清晰的帽子在眼镜，反机器人信号，KYC主要奖牌获得者。
假设和指标的预记录（初级/次级/guardrails）。
电力和持续时间计划，季节性考虑在内。
CUPED/协变量连接,引导线SRM-alert。

[] Дашборд «Reach → Participation → Progress → Completion → Value».

报告：奖金/奖金后的现金内化，后效应的尾巴。

计分规则是一种行为杠杆。通过正确设计的A/B测试（没有SRM，带有防冻剂和协变量），可以安全地增加参与，完善和Net ARPPU，同时保持玩家信心和战役经济性。