【∝是什么意思】预测玩家生命周期的三种方法

统计应用程序安装成本是免费游戏运营战略的核心部分。每次安装的费用达到1-2美元时尤其如此。为此，发行商投入了大量资源来预测玩家生命周期价值(LTV)。这种预测方法通常有三种：

1、每名活跃选手收入(ARPDAU)平均每天

2、交易预测。

3、预测不同的玩家群体。

第一种方法是每日收入预测。第二种方法是每个玩家的交易次数和配额预测。最后是通过同一个群体的玩家的历史价值预测的。下面将详细说明这三种计算方法。从中可以选择最适合自己的方法。

1) ARPDAU模型：最简单的方法

最常用的方法是使用ARPDAU和保留来估计玩家的生命周期价值。以下公式：

一般来说，每个设备的平均游戏天数可以通过保持功率曲线来预测。

适用多种方法，但最简单的方法是使用回归算法log(R)log(d)。不建议使用线性回归，因为Log (R)中的错误不在正常范围内。

力曲线的斜率可以计算为安装应用后总游戏天数(即寿命周期LT)对保持力数的积分，如下所示：

那么，价值可以用ARPDAU计算的LTV值来估算。

例如，假设ARPDAU=$0.1，第二次保留率至第七天保留率分别为35%、28%、25%、21%、18%、15%和13%。功率比=1.3，游戏生命周期为2.77

从上面的数据可以得到LTV=$0.28。

这是目前最简单的LTV预测方法。很简单，但有很多缺陷。首先，对于使用寿命较长的游戏，ARPDAU源自现有玩家，可能会支付比预期更多的费用。第二，所有玩家的持有会比付费玩家的持有差很多。综上所述，当玩家的样本数据达到500个时，可以使用此方法预测误差为30-40%。

2)交易模式：付费玩家消费分析。

更复杂的方法是在整个生命周期内模拟玩家的付费数据。

创建概率模型P(T|D)。也就是说，玩家从游戏安装开始计算D天内每天的支付概率。如果玩家一天的成交量是T，那么未来游戏D天的成交量是：

根据上面提到的公式，付费玩家模式也可以简单地设置P(C|D)，即免费玩家在游戏D天内转换为付费的概率。

这种概率分布可以用长尾分布来解释。取决于游戏类型，取决于分布。例如：PC端游戏适合力量函数，具有赌博性质的社交游戏适合Gamma函数。

上述模型可用于数值方法，并可在R和python中轻松打包。在r中，fitdistr函数接受一系列最大似然参数的数据集函数分布。完全适应模型后，预测d天的LTV的值可以通过以下公式得到：

那么，IAP的价值也就知道了。ND表示D日的交易数字，CD表示D日的玩家转化率。

这种方法的优点是玩家创建了生成LTV的动作模型。能够准确模拟付费转换，如MMO玩家。同时建立玩家的大量交易数据模型也很重要。就像休闲益智类的游戏一样，各种代币种类也不适用。(阿尔伯特爱因斯坦)。

这种方法比第一种方法更准确，但仍然是提供队列的方法，因此玩家样本数据的准确性必须更高。否则，无法对单个播放器进行LTV预测。

除此之外，使用适当的分布和测试可以将该模型的误差减少20%(玩家样本必须达到500)。

3)玩家模型：单玩家LTV预测

理想情况下，您可以使用单个可靠播放器的LTV值。这不仅可以用于玩家获取和保存，还可以改变游戏中对不同玩家的交互方式，例如那个LTV值得向玩家推送更多广告，LTV值高的玩家获得更多VIP服务等。

要预测播放器的LTV等级，需要有关播放器的详细信息，包括统计数据和动作数据。例如：国家、设备类型、游戏频率、成功率、游戏中的朋友数等。

利用历史数据，通过回归算法建立LTV模型。根据基本指标分布，使用单个数据模型，根据玩家的行为特征分为多个组。例如，使用iOS和Android的玩家以不同的回归模型计算。

这些模型可用于预测单个播放器的LTV。通过多个单独玩家的LTV平均值，可以预测游戏的整体LTV。

所有这些模型都可以打包到R和Python中。在r中，K系数和hclust可用于部分数据，glm可用于LTV回归指标。

这种方法有显着的优点，因为它会生成单独的LTV值。还有缺点。需要大量历史相关数据。这意味着，如果是网络游戏，或者是新更新了主要版本的游戏，则此方法不适用。

4)选择正确的方法

三重LTV的预测方式都可以得到结果，但使用哪种方式取决于你的游戏。如果玩家数量少，寿命短(即寿命几周)，则方法更合适。

如果有很多玩家，游戏生命周期长，消费模式多，第二种方法更合适。

最后，拥有稳定版本和忠实玩家群体的成熟游戏，第三种方法更合适。

综上所述，为了确认哪种方法的误差最小、局限性最小，对历史数据进行模型测试非常重要。最后，以上三种方法都不适用于太小的数据样本(小于100的玩家数据)。在这种情况下，根据以前的经验，LTV=4 x ARPDAU这个公式比上述三个预测更准确。