加密賭場

Torrent Gear

A/B評分規則測試

得分是任何遊戲化的核心。玩家行為，參與結構和經濟學取決於積分的確切價值（ARPPU，獎金）。下面是一個實際的配方，如何有效測試新的眼鏡規則，並確保指標的生長是真實的，而不是人工制品。

1）我們到底要測試什麼

規則示例：

根據投註總額：每1歐元投註1分。
按乘數win/bet：分數=⌊乘數× k ⌋，每個出價。
混合動力車：「系列」（連續N旋轉）的營業額得分+噓聲，每分鐘/每小時的帽子。
任務：執行任務的虛構點（T1...Tn），具有越來越大的復雜性。

假設（示例）： 「「乘數+cap」模型將提高participation_net和完整率而不會降低Net ARPPU（獎金/獎金之後）。「

2）實驗單位和隨機化

單位：用戶（不是會話,不是設備）。

分布：固定鹽分的靜態哈希（user_id → bucket）；A/B/C所占比例50/50或33/33/33。

分層（建議）：payer-status（新支付/重新支付/不支付）、平臺、地理位置。

調整：用戶在測試過程中總是看到相同的規則。

SRM （Sample Ratio Mismatch）檢查：每天檢查預期組的實際比例（卡方）。SRM是流量泄漏，過濾錯誤，錯誤的信號。

3）度量標準和「眼鏡漏鬥」

活動和參與

Reach：看到活動者的份額。

Participation_gross：介入/eligible。

Participation_net：開始進步/eligible。

完成：完成/開始。

質量和金錢

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：（額外收入）−（獎品+獎金+運營+流失）。

花園花園

投訴/技術支持1,000 user，KYC豁免，異常投註模式，RG標誌（限制，自我體驗）。

4）持續時間、季節性和新穎性

至少有2個完整的業務周期（例如2個星期的時間來捕捉周末）。

考慮新穎效應：前48-72小時的激增。捕獲和分析階段（D0-D2，D3-D7，D8+）。

不要與大型促銷相交，或者計劃按組進行「等噪音」。

5）采樣功率和量（計算示例）

目的：檢測平均每位用戶眼鏡（或Net ARPPU）的Δ差異。

兩次t測試的公式（分組均等）：

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

示例：我們要抓住Δ=5分，σ=120，α=0.05（雙向），功率為80％（β=0.2）。

（z_{1-α/2}=1{,}96)、（z_{1-β}=0{,}84） →總計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）。

💡 底線：每個組~ 9,100個用戶（具有撲殺和防凍備份）。

6）減少方差： 使測試「便宜」

CUPED：對測試前協變量的回歸調整（例如，過去一周的積分/利率）。

協變量：付費標誌，營業額的日誌轉換，活動，平臺，地質。

錯誤聚類：在用戶級別（內部重復會話）。

7）幹擾和「海峽」

積分規則不僅會影響測試參與者：

社會比較（leadbord通用）→ 「spillover」。
通用頭獎/聯合任務→交叉效果。

解決方案：

按組劃分的領導板或隱藏的積分正常化。
按流量/地理群集進行群集隨機化（更貴但更清潔）。
Per協議（ITT）+敏感分析。

8）Antifrod和Caps統治

眼鏡的任何變化都會刺激優化：微觀投註，博達和「眼鏡場」。

最低限度保護：

每分鐘/每小時/每小時和一次下註。
最低利率波動（禁止「理想」序列）。
無頭/重復指紋檢測，代理。
推遲驗證+KYC大獎。
分析：比較「積分/投註」和「積分/分鐘」分布，尋找尾巴。

9）事件和數據模式（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}`

參考書：

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

10）用於分析的SQL草圖

SRM驗證（按組分布）：

sql
SELECT group, COUNT() AS users
FROM assignments
WHERE test_id =:test
GROUP BY group;
-進一步的卡方與預期份額

分組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和獎金/獎金成本：

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：面試前的分數/收入；value：在測試期間
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）私人效應和異質性

檢查HET效果：

初學者vs核心，低價值vs高價值，不同的平臺/地質。
有時，新的眼鏡配方「點燃」中核心而不改變鯨魚是正確的結果。
進行分段註冊以避免捕獲「p-hacking」。

12）頻繁陷阱

1.所有群體的共同領導層→幹涉。

2.在測試期間更改獎品結構→不可比性。

3.微量投註眼鏡的農場→不有效的uplift。

4.ETL中的SRM和「浮動濾波器」→偏移分數。

5.依靠「陷入困境」的ARPPU而不扣除獎金/獎金。

6.由於沒有正確的一致統計數據的流動而導致的早期停止。

13）Bayes vs頻率和順序解決方案

框架：可以使用貝葉斯方法（後周期度量差，概率「B優於A」），尤其是在時間監控中。

小心：眼鏡規則的bandites在確認的uplift之後是合適的--在操作階段，在初級驗證中。

14）負責任的遊戲和合規性

透明規則和帽子：玩家必須了解如何獲得積分。

活動和存款限制，「暫停」和RG線索。

沒有隱藏的遊戲風格的「罰款」。

15）迷你案例（合成）

上下文：每周活動,A=「每1個投註的積分」,B=「乘數分數win/bet, cap=50/投註」。

規模：2 × 10 000個用戶，按支付狀態分層。SRM-c。

結果是：

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歐元43.5（+2.3歐元）≈ 6.4歐元（未變）。
投訴/1k：不變；frod-flag ↓0,3 p.p.以犧牲帽子為代價。
結論：規則B是獲勝者；我們使用獎品的「長尾巴」進行縮放，並保留帽子。

16） A/B按積分排列的發射清單

單位=用戶，粘貼分配，分層。
分開的領導板/正常化以消除幹擾。
清晰的帽子在眼鏡，反機器人信號，KYC主要獎牌獲得者。
假設和指標的預記錄（初級/次級/guardrails）。
電力和持續時間計劃，季節性考慮在內。
CUPED/協變量連接,引導線SRM-alert。

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

報告：獎金/獎金後的現金內化，後效應的尾巴。

計分規則是一種行為杠桿。通過正確設計的A/B測試（沒有SRM，帶有防凍劑和協變量），可以安全地增加參與，完善和Net ARPPU，同時保持玩家信心和戰役經濟性。