从非付费到 premium：用集成学习预测视频游戏中的用户转化
机器学习
2019-09-04 v2 机器学习
应用统计
摘要
留住 premium 玩家是免费游戏成功的关键，但他们中的大多数在加入游戏后并不会立即开始消费。通过利用现代视频游戏记录的极其丰富的数据集——其提供每位玩家个体行为的信息——生存分析技术可用于预测哪些玩家更可能成为付费（甚至 premium）用户，以及转化将在何时（就时间和游戏等级而言）发生。此处我们展示，传统的半参数模型（Cox 回归）、随机生存森林（RSF）技术以及基于条件推断生存集成的方法均产生非常有前景的结果。然而，最后一种方法的优势在于能够通过将过程分为两步来纠正 RSF 模型中固有的偏差：首先选择最佳预测变量进行分割，然后为该协变量选择最佳分割点。所提出的条件推断生存集成方法可立即用于运营环境中以早期识别 premium 玩家以及可能促使他们成为付费用户的游戏部分。此类知识将使开发者能够诱导其转化，更一般地，更好地理解为玩家之需求并为其提供个性化体验，从而提高其参与度并为更高的变现铺平道路。
引用
@article{arxiv.1906.10320,
title = {From Non-Paying to Premium: Predicting User Conversion in Video Games with Ensemble Learning},
author = {Anna Guitart and Shi Hui Tan and Ana Fernández del Río and Pei Pei Chen and África Periáñez},
journal= {arXiv preprint arXiv:1906.10320},
year = {2019}
}
备注
social games, conversion prediction, ensemble methods, survival analysis, online games, user behavior