Skip to main content
摘要：数据不会撒谎，但解读数据的人会。本文将揭示“平均胜率 50%”背后的陷阱，引入辛普森悖论与幸存者偏差的修正模型，并提供一套完整的数值健康度（Numeric Health）评分体系。

​
📉 数据陷阱：为什么“平均数”是最大的谎言？

​
1. 辛普森悖论 (Simpson’s Paradox)

这是数值策划最容易踩的坑：在分组比较中都占优势的一方，在总评中反而处于劣势。

​
案例推演

假设我们监控英雄 A 的胜率，全服平均胜率是完美的 50%。看起来很平衡？ 拆分段位一看：
  • 青铜段位 (占80%人口)：胜率 70% (无脑强，新手杀手)
  • 王者段位 (占20%人口)：胜率 30% (机制笨重，高端局被秀)
结论：英雄 A 其实严重设计失误。它在低端局是毒瘤，在高端局是废柴。单纯看平均值 50% 会让你错过这次重大事故。

​
2. 幸存者偏差 (Survivorship Bias)

现象：某把武器的使用者胜率高达 60%。 直觉：这把武器太强了，要削弱 (Nerf)。 真相：
  • 这把武器价格极贵（或获取极难）。
  • 只有资深高玩才买得起/刷得到。
  • 胜率高是因为使用者强，而不是武器强。
  • 修正算法：引入 Elo 分数加权。计算 ΔWinRate=实际胜率−玩家平均Elo对应期望胜率\Delta \text{WinRate} = \text{实际胜率} - \text{玩家平均Elo对应期望胜率}。

​
🧬 数值健康度模型 (Numeric Health Score)

不要只看胜率，建立一个 5 维雷达图来评估一个单位/物品的健康度。 Health Score=w1⋅WR+w2⋅PR+w3⋅BR+w4⋅CV+w5⋅SD\text{Health Score} = w_1 \cdot \text{WR} + w_2 \cdot \text{PR} + w_3 \cdot \text{BR} + w_4 \cdot \text{CV} + w_5 \cdot \text{SD}
  1. WR (Win Rate 偏差)：∣50%−胜率∣|50\% - \text{胜率}|。越小越好。
  2. PR (Pick Rate 选择率)：是否过热或过冷？理想值应在 1/N1/N 附近。
  3. BR (Ban Rate 禁用率)：玩家有多讨厌它？这是挫败感的直接指标。
  4. CV (Coefficient of Variation 方差)：表现是否稳定？(方差大意味着要么超神要么超鬼，体验极差)。
  5. SD (Skill Dependence 技巧依赖度)：高分段胜率 - 低分段胜率。

​
🔬 A/B 测试的实战架构

不要全服一起调整。

​
📝 总结

数据驱动的核心不是“看报表”，而是“分层”与“去噪”。
  • 如果不分层，辛普森悖论会骗你。
  • 如果不去噪，幸存者偏差会骗你。
  • 记住：数值策划的直觉决定了下限，而数据分析决定了上限。