Comments 9
Некоторое время назад описал наш способ подсчета LTV для игр, с помощью функции Rt = (B + t -1) / (A + B + t -1):
www.facebook.com/arthur.ostapenko/posts/10202676797720878
Сумбурно описал, но возможно кому-то будет интересно/полезно.
www.facebook.com/arthur.ostapenko/posts/10202676797720878
Сумбурно описал, но возможно кому-то будет интересно/полезно.
Спасибо за формулу! Как мы знаем, лишних методов в нашем деле не бывает :) В целом по вашему способу — вижу схожесть с описанным методом №4, с той лишь оговоркой, что формула прогноза retention имеет несколько другой вид.
Это shifted-beta-geometric distribution, у нас на прошлой игре точнее всего получалось с ней.
Еще можно прогнозировать lifetime для каждого пользователя индивидуально, помещая его в соответсвующий узкий сегмент в зависимости от того какие внутриигровые действия он совершает в свои первые сессии.
Но это посложнее, нужно уже иметь исторические данные, чтобы построить дерево и дождаться пока все закончат играть и уйдут из игры.
Еще можно прогнозировать lifetime для каждого пользователя индивидуально, помещая его в соответсвующий узкий сегмент в зависимости от того какие внутриигровые действия он совершает в свои первые сессии.
Но это посложнее, нужно уже иметь исторические данные, чтобы построить дерево и дождаться пока все закончат играть и уйдут из игры.
А вы сравнивали точность предсказания с усредненным ARPDAU и с точным (по дням жизни игрока в игре)?
Интересно на сколько процентов отличается погрешность в первом случае, по сравнению с более точным вторым.
Первый это когда ретеншн за N-й день умножаем всегда на один и тот же ARPDAU, усредненный за весь период жизни.
А второй когда берем по-очереди ретеншн за N-й день и умножаем его на ARPDAU в этот конкретный n-й день.
Интересно на сколько процентов отличается погрешность в первом случае, по сравнению с более точным вторым.
Первый это когда ретеншн за N-й день умножаем всегда на один и тот же ARPDAU, усредненный за весь период жизни.
А второй когда берем по-очереди ретеншн за N-й день и умножаем его на ARPDAU в этот конкретный n-й день.
Нет, точность не сравнивали. Спасибо за повод для исследования!
Что касается LTV — в целом, трудно говорить о точности, так как нет ярко выраженного абсолютно точного значения.
Что касается LTV — в целом, трудно говорить о точности, так как нет ярко выраженного абсолютно точного значения.
Точность модели сравнивать можно на исторических данных, по тем группам пользователей которые уже целиком ушли из игры и по которым уже известен точный LTV.
Можно взять такую группу, первую половину данных (за половину срока жизни в игре) взять как источник данных для эктраполяции, а вторую для сверки результата модели. Чтобы проверять точность.
Если есть данные по многим играм, то такое исследование было бы очень интересно почитать. У каждой игры может быть свой паттерн заноса денег, где-то сразу нужно платить, где то через продолжительный промежуток времени. Плюс есть еще интересные паттерны с периодическими платежами, как например в Knights and Dragons.
Можно взять такую группу, первую половину данных (за половину срока жизни в игре) взять как источник данных для эктраполяции, а вторую для сверки результата модели. Чтобы проверять точность.
Если есть данные по многим играм, то такое исследование было бы очень интересно почитать. У каждой игры может быть свой паттерн заноса денег, где-то сразу нужно платить, где то через продолжительный промежуток времени. Плюс есть еще интересные паттерны с периодическими платежами, как например в Knights and Dragons.
Спасибо за информацию, почитаем. Но вот что касается расчёта LTV по тем группам пользователей, которые уже ушли из игры, нас смущает, что LTV серьёзно зависит от этапа жизненного цикла игры. LTV ещё и меняется во времени.
Вероятно вам будет интересно посмотреть наше небольшое исследование на эту тему (англ. яз) www.devtodev.com/promo/blog?id=10070#blogs
Вероятно вам будет интересно посмотреть наше небольшое исследование на эту тему (англ. яз) www.devtodev.com/promo/blog?id=10070#blogs
Судя по всему, чтобы построить точный график retention, все равно приходится экспертно задавать период после которого пользователь считается неактивным. Или есть способ этого избежать?
Хороший способ этого избежать — добавить дисконтирование.
Поскольку дисконтирующий множитель добавляется в знаменатель, то наступит момент, когда график накопительного ARPU достигнет своего максимума.
Поскольку дисконтирующий множитель добавляется в знаменатель, то наступит момент, когда график накопительного ARPU достигнет своего максимума.
Sign up to leave a comment.
Как считать lifetime value: обзор методов