基于深度学习与参数模型在电子游戏中的客户生命周期价值预测
计算机与社会
2019-02-20 v1 机器学习
机器学习
摘要
如今，电子游戏开发者记录玩家执行的每一个虚拟动作。由于每位玩家可在游戏中留存数年，这产生了异常丰富的数据集，可用于理解和预测玩家行为。特别是，该信息有助于识别最具价值的玩家，并预见其在应用内购买中于生命周期内将花费的金额。这在免费游戏中至关重要，其中高达 50% 的收入仅由约 2% 的玩家（所谓鲸鱼用户）产生。为应对此挑战，我们探索如何利用深度神经网络预测电子游戏中的客户生命周期价值，并将其性能与 Pareto/NBD 等参数模型比较。我们的结果表明，卷积神经网络结构在预测个体玩家经济价值方面最为高效。它们不仅在准确性上表现更优，而且可扩展至大数据并显著减少计算时间，因其可直接处理原始序列数据而无需任何特征工程过程。当数据集非常庞大时（电子游戏日志常如此），这一点尤为重要。此外，卷积神经网络特别适于识别潜在鲸鱼用户。此类早期识别对商业目的极为关键，因其可使开发者实施游戏内举措以留存大额消费玩家并最大化其生命周期，最终转化为收入增长。
引用
@article{arxiv.1811.12799,
title = {Customer Lifetime Value in Video Games Using Deep Learning and Parametric Models},
author = {Pei Pei Chen and Anna Guitart and Ana Fernández del Río and África Periáñez},
journal= {arXiv preprint arXiv:1811.12799},
year = {2019}
}