游戏玩家流失预测

课题背景

随着游戏市场的逐渐饱和，竞争也愈加激烈。许多研究声称吸引一个新玩家的成本远大于保留一个老玩家的成本。因此，使老玩家留存以提升游戏营收是游戏公司非常关心的问题。流失预测作为常用的提升用户留存率的手段，在电信、金融、在线游戏、电子商务等领域受到广泛研究。如图1所示，游戏用户生命周期是一个从探索成长到成熟稳定，并随着时间逐渐衰亡的过程。

在游戏领域中，大部分研究把流失预测建模为二分类问题，将未来一段时间未上线视为流失，反之视为留存，基于领域知识和数据分析，提取出有用的特征建模为用户的画像并进行分类预测。另一部分把流失预测建模为预测玩家流失的时间，即多久之后会流失，通常采用传统的回归方法和能处理删失数据的生存分析进行建模。

如何精确地对将流失的玩家进行预测，并执行有效的干预手段，提升玩家的留存，进而提升游戏的营收，对游戏的成功运营有着重要意义。

图1：游戏用户生命周期变化图

问题定义

定义一：将流失预测建模为二分类问题，未来一段时间未登陆标记为流失（如7天、14天），反之则为留存，基于领域知识和数据分析构建用户特征，进而建立流失模型，进行二分类流失预测。

定义二：将流失预测建模为预测玩家的流失时间，找到玩家最后一次登陆与当前登陆时间的距离天数作为标记，建模成回归问题。

问题挑战

游戏场景中的流失预测问题中的挑战主要包括以下几点：

• 如何更有效地定义流失，并与有效的干预手段结合，产生实际商业价值；

• 如何提升预测精度，尤其是对未来长时间流失的预测问题；

• 存在不可忽略且难以观测到的外部因素导致的流失，如何降低其影响。

评价指标

游戏场景中的流失预测主要通过两个指标进行评估：

• 二分类流失预测准确率： Accuracy、Precision、Recall、F1、AUC；

• 流失距离天数预测准确率：RMSE。

数据集描述

游戏数据集主要分为三个部分：

• 用户画像数据

字段	类型	描述
role_id	string	玩家id
level	int	玩家等级
role_class	int	职业
online_time	int	在线时长
total_exp	int	总经验
total_gold	int	游戏代币数量
……

• 用户历史动作序列

字段	类型	描述
role_id	string	玩家id
action_id	int	动作id
objective_ids	string	动作对象id，多个对象id以逗号隔开
time_stamp	int	动作发生的时间戳

• 用户关系网络（以游戏组队和师徒为例）

字段	类型	描述
role_id	string	玩家id
team_id	int	游戏队伍id
teacher_id	int	师傅id
student_id	int	徒弟id
……

联系我们

有任何问题，请联系 [e-mail], [e-mail]