作者：Julian Runge Wooga数据分析
原文链接：
http://gamasutra.com/blogs/JulianRunge/20141104/229287/Predictive_analytics_set_to_become_more_valuable_in_light_of_rising_CPIs.php
假如你制作并发行了一款iPhone应用，并且在美国有一百万活跃用户。这些用户能给你带来哪些经济价值？我们作个假想实验：把这些用户卖给其他开发商，赚取CPI(cost-per-install)。2012年1月时，在不计交易成本和规模经济的情况下，这样做大致可以带来130万美元收入，到了2012年12月增长到200万，现在已经增长到340万美元。
这个行业在稳固发展。核心玩家在创造巨大收益的同时，开发商也在购买用户上做了大量投入。市场上有很多优秀的App排斥病毒营销和有机增长。处于资金匮乏时期的开发者获取用户是�非常难的，所以把用户留住就变得更重要。我在这里要说的不是用迭代开发提高留存率，而是为什么客户关系管理(CRM customer relationship management)在运营中很重要。CRM是市场营销行话。在移动应用中就是客服，社区管理，以及其它传统与用户建立联系的方法。追踪过程中用户的透明度，使得很多分析方法得以应用。这个叫做量化客户关系管理。以cross linking/交叉链接（推出的游戏和接收游戏的，都是自己的产品）和incentivizing/激励（送出礼物）为例，通过在游戏内展示广告横幅派发，或者给每个用户或者依据简单探索出的用户(比如只给30级以上用户)派发。如果你激励和交联过多和过早，都可能减少预测的玩家生命周期和游戏中花费。如图1中上面部分所展示的。Player1的生命周期最长花费最多。Player2和3是拥有不同生命周期的非转化用户。当你恰好在Player3的价值发挥到最大时进行交联，而且成功了，你也会在sending game/推出的游戏中丢失用户(player2)和收益(player3)。所以，你会想了解�用户什么时候会离开sending game，然后把它们送去另一个游戏，或者在不产生成本的前提下送他们一些免费东西。图1中下面部分展示的是：一个完美的预测，可以让你在每个用户都发挥了最大价值后进行crosslink。
在Wooga，我们会通过分析决定接下来做什么。我们想知道，玩家生命周期是否可以预测，量化CRM有没有价值。在受到网上一篇文章（(http://www.gamasutra.com/view/feature/176747/predicting_churn_when_do_veterans_.php) ）的启发后，我们决定在游戏中尝试文章中的做法。
学习
在讲述具体操作之前，先把我们在过程中总结的一些宝贵想法节选出来与大家分享：
1、正如Dmitry Nozhnin也在他在Gamasutra文章中提到的，个人活跃度和用户参与机制蕴含巨大预测能力。
2、休闲游戏用户的行为模式很少被关注，因为休闲游戏用户不会经常登录，或者在游戏中停留很久。这增加了为休闲游戏预测流失率的难度。
3、如果研究对象是一个有良好基础的用户群，预测流失率就会容易。
4、在用户流失之前就与其接触，一定会成倍提高与用户交互的效率。
5、当用户即将达到生命周期结点时，�用免费礼品的激励方式并不能留住他们；把他们cross-linking到你的其它游戏中会更实际。或者通过改进玩法，在用户流失之改变他的游戏体验。
方法论
我们来看Wooga两款最成功的游戏Monster World和Diamond Dash。Diamond Dash是一款休闲度很高的游戏，�类似Tetris，Bejeweled。玩家需要在有限时间里快速消除彩色钻石来获取高分。而Monster World是截然不同的一类休闲游戏，玩家要经常回到游戏中打理自己的花园以继续，参与度更深。这两款游戏都是成熟的游戏，采集了充足的历史数据，不会突然出现意想不到的错误。
我们把预测流失率当作一个二进制分类问题，通过公式计算结果。预测模型用的是历史数据，如果接收到新数据，就输出一个二进制变量，标明玩家是去是留。通过一系列数据的洗涤和转换，我们首先为两个游戏建立了高质量的表现良好的数据集，以备研究学习，并且仔细挑选了预测模型的属性。经验测试结果表明，大多数近期的一般活动数据，例�如一组近14天的登录时间结合其它用户数据（比如距离玩家第一次玩游戏过去了几天），有很好的预测功效。如果你对这个话题感兴趣，可以看看 http://kghost.de/cig_proc/full/paper_45.pdf. Also http://kghost.de/cig_proc/full/paper_46.pdf，非常有帮助。
实例
我们决定尝试激励Monster World的高价值用户。我们做了一个A/B测试，用不同方法控制每组用户的留存。第一组设定为探索组，用的是各公司常用的追踪用户方法：给满足条件(比如：已连续登录了14天)的即将流失的高价值流失用户发激励。第二组设定为预测组，我们给所有快要流失的高价值用户发激励，以及所有预测模型中预测到会在未来几周内流失掉的用户发激励。最后，我们保留一个不做任何留存管理的组。A/B测试持续了一个月。在期间，我们通过Facebook推送和e-mails来发送激励链接。当玩家点击链接时，他会得到一个大概价值10美元的游戏内货币礼品包。我们希望通过这样的方法让玩家继续留在游戏中，但结果却不尽人意。与没有做什么管理措施的组相比，这两组的留存率和收益并不让人满意。预测组和探索组之间的数据差异也是微乎其微。测试结果表明，我们的激励措施并没有成功留住高价值用户，建立预测模型也没有改变结果。 这无疑是个坏消息，但是我们还有其它发现：观察发送出去的激励链接点击率，预测组和探索组之间存在巨大差异。图3和4描述了两组的e-mail和Facebook推送的漏斗比对。预测组领取激励的比例更高些，它的Facebook转化率在18%，而探索组仅为4%。e-mail方面，两组分别为11％和2％。
商业影响
虽然激励措施能够带来的商业影响很小，预测留存和量化CRM仍有很大潜在价值。留存预测有助于休闲游戏运营，也适用于高价值用户在流失前的交联。这时候需要你有产品策略介入。最直接的做法就是把用户引入到你的其它同类游戏中，这样做肯定会节省获取用户的花费。每一个用户的成功交联都意味着省下一个CPI。CPI越高，省得越多。据说Supercell的Boom Beach也是这么做的，他们把已经厌倦了COC的用户倒入了Boom Beach(http://mobiledevmemo.com/supercells-strategy-boom-beach/)。把用户倒入同类游戏，不同类游戏，还是让玩家自己选择，研究这三种做法哪个更好会是个有趣的课题。顺着这些课题，Sifa et al开始研究游戏推荐系统 http://ceur-ws.org/Vol-1226/paper10.pdf。现在我也认同，有策略地进行产品业务管理，作用会在未来的日子力越来越凸显。对于量化CRM的需求也同样会增多。
