加密賭場

Torrent Gear

如何分析iGaming中的LTV和隊列

1）為什麼在iGaming中進行隊列分析

iGaming是「長」垂直：玩家不一次性支付，而是一系列存款。隊列方法回答了兩個主要問題：

1.購買是否得到回報（何時以及以犧牲什麼為代價）,2.未來的收入尾巴是什麼（我們將從這個隊列中獲得多少收入）。

沒有隊列，您將季節性，獎金和沖擊效果與真實的流量質量混淆。

2）基本定義（單張紙上）

隊列是按關鍵事件日期（通常是：click/reg/FTD）組合的一組用戶。

GGR（Gross Gaming Revenue）-賭註−獲勝。

NGR （Net Gaming Revenue）-GGR減去獎金/頭獎/遊戲提供商/付款人傭金,遊戲使命,chargeback/refund。

ARPU_Dn 是玩家到第n天（通常為NGR）的平均收入。

Cum_ARPU_Dn 是第n天累積的ARPU。

LTV是每位玩家在T級（或無限級）以外的折扣總收入。

Payback是Cum_ARPU_Dn CAC/CPA ≥的最低n。

Retention_Dn-在第n天活躍的隊列比例（登錄/出價/存款）。

2nd-dep rate是FTD玩家在此期間第二次存款的份額。

💡 在財務決策中,使用NGR而不使用GGR：只有ROI/Payback反映了現實。

3）在哪裏切斷「零日」： 隊列軸的選擇

點擊隊列-需要媒體優化和歸因。

Reg隊列-需要產品/CRM來激活和KYC。

FTD隊列（建議使用P＆L/ROI）-更準確地結合CAC和現金尾巴。

您可以保留所有三個,但財務決定由FTD隊列做出。

4）數據模型： 哪些事件和存儲量

事件（最低）："註冊"，"kyc_approved"，"deposit_success {amount，currency，is_ftd}，"withdrawal"，"refund"，"chargeback"，GGR的遊戲事件（如果有）。

Атрибуты: `click_id`, `utm_`, `geo`, `device/os`, `payment_method`, `brand`, `offer`.

時間：存儲在UTC中；在報告展示中-項目的所在地。

金錢：以交易貨幣和「報告貨幣」（按事件當日的匯率）儲存。

NGR在t日：


NGR_t = GGR_t
− BonusCost_t
− ProviderFee_t
− PaymentFee_t
− GamingDuty_t
− Chargeback_t

5）主要指標隊列

5.1.貨幣化

ARPU_Dn = (Σ NGR[0..n]) / FTD

ARPPU_Dn = (Σ NGR[0..n]) / ActivePayers_Dn

Deposit per，Payer_Dn Avg_Deposit_Size_Dn-對VIP切片很有用。

5.2.行為/質量

Retention_D1/D7/D30/D90（登錄/出價/-）

2nd-dep rate, 3rd-dep rate

Cashout rate, Chargeback rate

KYC pass-rate, FTD lag (рег→FTD)

5.3.采購經濟學

CPA（或CAC）=Spend/FTD

Payback-Cum_ARPU ≥註冊會計師的日子
ROAS_Dn = (Σ NGR[0..n]) / Spend;ROI_Dn = (Σ NGR − Spend − Direct Opex) / Spend

6）店面和報告： 在BI建立什麼

事實表：

`fact_events` (event-level: user, ts, type, amount, currency)
'fact_spend'（頻道/日/地理/創意）
'fx_rates'（課程）

測量值：

`dim_user`, `dim_utm`, `dim_geo`, `dim_device`, `dim_brand/offer`

關鍵店面：

1.cohort_ftd_daily — FTD-когорты: `cohort_date`, `users_ftd`, `NGR_d`, `deposits_d`, `retention_d`, `2nd_dep_d`.

2.cohort_cum是每天n：'cum_ARPU_Dn'，'cum_ROAS_Dn'，'payback_day'的累積度量。

3.channel_cohort — связка с UTM: `source/medium/campaign/content`.

熱圖：按行（cohorts）和列（day 1.90）Cum_ARPU。

7）公式和迷你示例

源（通道X，FTD隊列D0）：

FTD = 1 000;Spend = 50 000;к D30: ΣNGR = 94 200.

CPA = 50 000 / 1 000 = 50

ARPU_D30 = 94 200 / 1 000 = 94.2

Cum_ARPU_D30 ≥ CPA?是的→先前已經實現了回報。

粗略的薪資分數： 平均水平。ARPU ≈ 94.2 / 30 = 3.14 → 50 / 3.14 ≈ D16

（更準確地說是ARPU日復一日的累積曲線）。

2nd-dep rate_D30=32％（例如）是質量和未來尾巴的信號。

8）LTV預測： 如何評估「長尾巴」

8.1.簡單的推斷（手術）

將ARPU的每日貢獻建立在類似地理/來源/品牌的歷史隊列上（）之後。

應用尾部乘法器：「LTV_D 120 k」，其中「k」來自歷史（例如1。35用於特定地理/產品）。

8.2.參數模型（數據充足時）

BG/NBD（重復「購買」=存款）→頻率預測。

Gamma-Gamma（貨幣金額）→ 對活躍付款人平均存款/NGR大小的預測。

帶有VIP/質量分割的混合模型（對數範數/伽馬）。

8.3.打折

「LTV=Σ_{t=0..T}（NGR_t/ Users_FTD）/（1+r）^{t/30}」，其中r為月費率（計劃文件為1-2%/mes）。

9）「制造天氣」的細分市場"

GEO（稅收/付款/貨幣）

Device/OS (iOS vs Android)
支付方法（fee和允許的金額）
創意/角度/土地（不同期望→不同深度）

VIP層（例如NGR P95/P99）-將它們分開：它們「拉動」尾巴並發出聲音。

10）按隊列進行質量診斷

通常較高的CR（click→reg），但CR（reg→FTD）較弱→提取/支付問題。

FTD高，但2nd-dep率低→獎金獵人，重構弱。

良好的Cum_ARPU_D7，超越高原→沒有CRM機械師（任務，促銷，分段離場）。

Chargeback/refund激增→反血統/收費來源，灰色通道。

11）經常出錯（以及如何避免）

1.按GGR計數→系統性地高估ARPU/LTV。→始終按NGR計數。

2.時區/貨幣的混合→ D0/D1/Payback浮動。→保存UTC+報告貨幣。

3.P&L的點擊隊列→噪音歸因。→對於金錢，請使用FTD。

4.小樣本中的解決方案→掩蓋方差。→輸入閾值（≥30 -50 reg或≥300 -500點擊/捆綁包；LTV-≥200 FTD/切片）。

5.沒有chargeback/refund →過多的尾巴。→包括「負面」事件。

6.醫院的平均溫度→隱藏著VIP/創意效果。 → Segrency。

7.忽略2nd-dep →驗證隊列質量，直至加息/上限。

12）可視化迷你海德

Heatmap Cum_ARPU（cohorta × days）-可以看到尾巴的傾斜。

Retention曲線D1..D90-通過登錄和存款（兩個曲線）。

Водопад NGR: GGR → −Bonus → −ProviderFee → −PaymentFee → −Duty → −Chargeback.

運河上的付費點是「收支平衡的CPA」線。

VIP Pareto-20/80（或10/90）：NGR在前x%玩家中的份額。

13）數據質量控制

事件服務器側面（存款/結論），通過「event_id」進行排序。

Alerts：後衛延遲>15分鐘,「operator↔DWH」破裂,事件份額沒有「click_id」。

每周在來源之間進行一次金額核對（NGR）；「拒絕/調整」事件的日誌。

14）隊列LTV實施支票清單

數據和事件

S2S鏈：'reg/KYC/FTD/2nd_dep/refund/chargeback'（UTC，貨幣）
NGR公式是一致的（究竟是進入/不包括）
貨幣按事件日期兌換；「報告貨幣」保存"

[] Витрины `cohort_ftd_daily`, `cohort_cum`, `channel_cohort`

指標和報告

[] Cum_ARPU D1/D7/D30/D90, Retention, 2nd-dep rate

按隊列vs CPA付款；ROAS/ROI
VIP切片（P95/P99）、支付方法、設備/geo

流程

統計門檻和關機/利率指數化規則
每周復古：頂部/反韌帶,內幕轉移
「operator↔DWH」對賬，事件日誌

15）30-60-90計劃

0-30天-框架和衛生

描述NGR公式，包括關鍵事件的S2S。

收集基本店面隊列（FTD軸）和Cum_ARPU D1/D7/D30。

設置延遲/差異區分；引用貨幣/TZ。

31-60天-深度和質量

在報告中添加2nd-dep、Retention、chargeback/refund。

引入薪資門檻和隊列質量利率指數化規則。

細分：geo/device/payment/VIP；創意/土地報告。

61-90天-預測與管理

BG/NBD+Gamma-Gamma飛行員或歷史性的「尾部」系數。

LTV和Payback的計劃事實；SRA/Bonus Cost的「如果」腳本。

花花公子標準化：發射，交換，異常升級。

16）結果

iGaming中的隊列分析和LTV是一個系統：正確的軸（優於FTD），NGR的誠實收益，事件和貨幣學科/時間，累積曲線和質量控制（2nd-dep，Retention，chargeback）。添加尾部預測（模型或歷史系數），統計閾值和利率指數化過程-預算決策將變得快速，可復制和有利可圖。