تجزیه و تحلیل AI از رفتار بازیکن و پیش بینی درآمد

مقدمه: از تجزیه و تحلیل «توصیفی» تا پیش بینی راننده

گزارش های کلاسیک به سوال «چه اتفاقی افتاده است» پاسخ می دهند، اما نمی گویند چه کاری باید انجام شود و چقدر آن را بدهد. هوش مصنوعی سیاهههای خام رفتاری را به پیش بینی های قابل کنترل تبدیل می کند: احتمال فعالیت، درآمد بخش مورد انتظار، سهم مسیر پرداخت، اثر تبلیغی و مخلوط محتوا. کلید اصلی، پایه «صادقانه» درآمد خالص، تخصیص صحیح و بررسی علیت است.

نقشه داده: چه چیزی را جمع آوری و چگونه به عادی

لایه ها:

1. بازی - جلسات, شرط/برنده, بازی/ارائه دهندگان, نوسانات, نسخه های RTP.

2. پرداخت - تلاش در سپرده, تصویب/MDR, نقدی T-زمان, بازپرداخت.

3. بازاریابی - منابع/UTM، کمپین ها، خلاقیت ها، پیشنهادات خوش آمدید/دوباره فعال سازی.

4. مشخصات/رفتار - فرکانس بازدید، ساعت فعالیت، دستگاه ها، جغرافیایی.

5. Compliance/RG - limits, self-exclusions, SoF/KYC statuses (بدون ذخیره کردن PII اضافی).

6. امور مالی/مالیات - حق امتیاز/تغذیه، مالیات، OPEX برای پیش بینی P&L.

Normalization: Uniform Dictionary of Metrics: GGR → NGR → درآمد خالص (−платежи − وابسته − تقلب). Aliasing شناسه, وحدت منطقه زمانی, deduplication رویداد.

Fici: از کلیک تا پیش بینی کننده

کوهورت: ماه ثبت نام کانال GEO نام تجاری عمودی.

جلسه: مدت زمان، فرکانس، فواصل بین بازدیدها (فرکانس/فرکانس).

پرداخت: نورد تایید (7/28 روز), MDR مخلوط, نقدی تاخیر, به اشتراک گذاری در سطح شیب دار/رمزنگاری.

محتوا: سهم زنده/RNG، نوسانات نمونه کارها، ارائه دهندگان نرخ بهره.

تبلیغی: شدت پاداش، ماموریت/ماموریت، فشار/ایمیل واکنش.

RG/خطر: محرک های رفتاری، نزدیکی به محدودیت ها، «dogons».

فصلی: تعطیلات، روزهای حقوق، تقویم ورزشی.

مدل پشته: چه کسی مسئول چه چیزی است

1. بقا/زمان به رویداد - منحنی P (active_d), دوره به «چرت زدن «/خود حذفی.

2. مدلهای مارکوف/HMM - transitions «new → active → dormant → reactivated».

3. GBM/LightGBM/XGBoost - رگرسیون NetRev/ARPU در افق 30/90/180 روز توسط راننده.

4. توالی (RNN/ترانسفورماتور) - توصیه های محتوا و پیش بینی جلسه.

5. علیت (بالا بردن/Bayesian/BSTS) یک اثر افزایشی از تغییرات تبلیغی/خلاقیت/پرداخت است.

6. سلسله مراتب سری زمانی/چندک - NGR/سود P10/P50/P90 برای نام تجاری/GEO/عمودی.

رفتار → درآمد → ارتباط سود

درآمد خالص روزانه برای هر کاربر:

E [NetRev _ d] = P (active_d) × E [NetRev	فعال, د], که در آن چند برابر دوم بستگی به محتوا, پرداخت و تبلیغی (ویژگی های).
LTV_T = Σ_{d=1..T} E [NetRev _ d ]/( 1 + r) ^ {d/30} اساس ROI و برنامه ریزی بودجه است.

کاربرد: راه حل هایی که پول می دهند

1) مسیریابی پرداخت و ریسک

مدل موفقیت سپرده + هزینه مسیر → مسیریابی خودکار از طریق PSP/APM.

اثر: تایید + 1. 5-4 pp، MDR − 30-80 bp، کمتر از پول نقد در انتظار است.

2) تبلیغی و NBO

مدل های Uplift فقط برای کسانی که افزایش LTV مثبت دارند ارائه می دهد.

اثر: − 2-5 درصد به سهم پاداش در NGR با LTV پایدار است.

3) توصیه های محتوا

مدل های توالی با نوسانات محدود و RG.

اثر: + 3-9٪ به ARPU، + 2-4 درصد امتیاز به D30 در بخش جرم.

4) فعال سازی مجدد/ضد سیاه و سفید

بقا + کانال باعث (ایمیل/فشار/وابسته به).

اثر: − 8-15٪ ریزش در 90 روز.

5) پیش بینی سود

راننده TS + GBM، مونت کارلو برای P10/P50/P90.

اثر: دقت برنامه ریزی، کمتر جعبه دفتر «شگفتی».

معیارهای کیفیت: چگونه درک کنیم که مدل ها کار می کنند

حفظ/AUC/PR-AUC برای طبقه بندی فعالیت.

MAPE/WAPE توسط NGR/درآمد ؛ از دست دادن پین بال و پوشش برای چندک.

Uplift @ K، Qini - برای تبلیغ.

کالیبراسیون (Brier/Expected Calibration Error) - اطمینان به احتمالات.

PSI/KS - رانش از ویژگی های/توزیع.

افزایش - A/B و جغرافیایی به عنوان «استاندارد طلا».

داشبورد «در یک صفحه»

1. رفتار → درآمد: DAU/MAU، چسبندگی، تازگی/فرکانس، ARPDAU/ARPPU.

2. نردبان نگهداری: D1/D3/D7/D30/rolling-180، منحنی بقا.

3. پرداخت سلامت: تایید/MDR/cashout/chargeback ؛ اثر مسیریابی.

4. ارتقاء ارتقاء: LTV test-vs-control، شدت پاداش، ROI.

5. محتوا مخلوط: به اشتراک گذاری زنده/RNG، نرخ ضربه، حق امتیاز/NGR.

6. پیش بینی سود: P10/P50/P90، سهم رانندگان (آبشار).

7. RG/پذیرش: خود حذفی, هشدارهای اولیه, SLA KYC.

P&L مینی مثال (6 ماه، ساده شده)

پایه: NGR 60 میلیون دلار، پاداش 26٪، تایید 86٪، MDR 2. 6%, D30 = 8%, ARPU_30=$42.

پیاده سازی: مسیریابی پرداخت (+ 2. 2 تصویب pp، − 40 bp MDR)، NBO (پاداش − 2 pp)، توصیه ها (+ 4٪ ARPU)، فعال سازی مجدد (+ 2 pp D30).

خط پایین: سهم بالا بردن $3. 1–4. 0 میلیون, پیش بینی سود + $2. 2–3. 0 میلیون (قبل از مالیات)، بازپرداخت در بازاریابی − 20-35 روز.

چارچوب اخلاقی و قانونی (RG/AML/حریم خصوصی)

حریم خصوصی توسط طراحی: به حداقل رساندن PII، pseudonymization، DPIA، رمزگذاری.

محدودیت های RG: محدودیت های سخت، شخص در یک حلقه برای VIP/پیشنهادات بالا.

توضیح: SHAP/ICE برای بازاریابی/پرداخت/RG - دلایل قابل درک برای تصمیم گیری.

حسابرسی دنباله: نسخه های مدل، ورود به سیستم مداخله، تکرارپذیری.

AML/SoF: ادغام تجزیه و تحلیل زنجیره ای/نمایش ها ؛ قانون سفر (در صورت لزوم)

MLOps: به طوری که پس از 2 ماه «پژمرده» نشود

داده ها: برنز/نقره/طلا، تست طراوت/کامل بودن/سازگاری.

خطوط لوله: ذخیره سازی phiche، سازگاری آنلاین/آفلاین.

Abacking: ثابت A/B/holdouts در تصمیم گیری های کلیدی.

نظارت: رانش، کالیبراسیون، چرخش اتوماتیک.

Cadence: هر 2-4 هفته یکبار، قهرمان-رقیب.

برنامه اجرایی 90 روزه

0-30 روز

دیکشنری یکپارچه معیارها (GGR → NGR → درآمد خالص)، data mart، داشبوردهای رفتار/پرداخت.

مدل های MVP: کسر بقا، طبقه بندی موفقیت سپرده، NBO پایه.

31-60 روز

PSP خودکار مسیریابی در 1-2 GEO ؛ A/B تبلیغی (بالا بردن هدف); توصیه های محتوا در بخشی از ترافیک.

شامل محدودیت های RG در NBO/توصیه، شروع به ارزیابی علی.

61-90 روز

پیش بینی سود سلسله مراتبی با P10/P50/P90 ؛ مقیاس NBO/مسیریابی ؛ امتیاز دهی VIP با انسان در حلقه.

پس از مرگ: دقت، بالا بردن، حوادث → پردازش ویژگی ها/فرایندها.

بررسی برگه ها

داده ها

شرط بندی کامل/مسیر برنده → NGR → درآمد خالص.
سیاهههای مربوط به پرداخت (تلاش، دلایل رد)، خلاقیت/UTM، شناسه محتوا.
Aliasing و هماهنگی منطقه زمانی.

مدل ها

بقا/مارکوف، GBM-NetRev، توصیه کننده دنباله.
ارتقاء برای تبلیغی، موفقیت مسیریابی برای پرداخت.
سود پیش بینی چندک.

عملیات ها

A/B/holdouts، قوانین خارج از سوئیچ، محدودیت پیشنهاد VIP.
نظارت بر رانش/پوشش، ورود به سیستم راه حل.
RG/AML در خطوط لوله یکپارچه شده است.

اشتباهات رایج

1. سپرده ها را به جای درآمد خالص → LTV بیش از حد تخمین بزنید.

2. ارزیابی تبلیغی توسط همبستگی بدون گروه کنترل.

3. چشم پوشی از هزینه های پرداخت/عوارض در هنگام پیش بینی سود.

4. بازآموزی پنجره کوتاه بدون فصلی.

5. بدون محدودیت RG در شخصی سازی.

6. بدون MLOps - معیارها کاهش می یابند، اثرات ناپدید می شوند.

تجزیه و تحلیل رفتار هوش مصنوعی «اعداد دیروز» را به اهرمهای عمل P&L تبدیل می کند: ترافیک صحیح، سپرده های موفق، تبلیغات دقیق، محتوای مربوطه و سود قابل پیش بینی. در نظم داده ها، تست علیت و RG/AML تعبیه شده، چنین سیستم هایی حاشیه های قابل اندازه گیری را بالا می برند و رشد را تسریع می کنند - نه به صورت یک طرفه، بلکه به صورت مداوم.