您的位置：>>谈用户终身价值LTV对免费游戏的重要性
扫一扫直接下载
热度：99861
微信二维码
互联网出版许可证狂热网络全球首发基于AI的游戏LTV优化平台
狂热网络全球首发基于AI的游戏LTV优化平台
狂热网络（Avid.ly）近期正式在海外发布了世界上首个基于AI技术的LTV（用户生命价值）优化平台——UPLTV（）。UPLTV已将若干试点合作伙伴的游戏变现效率提升30%，部分甚至超过50%以上。 狂热网络对于这个产品的定位是解决独立开发者和游戏公司长久以来的商业模式挑战。结合机器学习技术以及从10亿用户获取的大数据，UPLTV实现了智能化实时分析用户行为，以达到变现用户留存率以及开发者利润的平衡。 用户行为分析UPLTV基于谷歌的TensorFlow 框架，使用长短记忆网络(LSTM)，即递归神经网络(RNN)的一种特例来分析用户行为。包括玩家怎样聚集以及在如何与游戏互动，何时开始或结束游戏，何时付费以及对广告的敏感程度。 变现逻辑个性化UPLTV会自动识别何种变现项目针对不同情境最有效——例如玩家何时做出内购或观看广告。通过测试玩家反馈以及预测7日和14日留存率，便可优化变现项目（广告）的时长以及频率，从而最大化提升玩家LTV，可达到95%的置信区间。 “我们研发和发行了许多移动应用和游戏，所以可以切身感受到开发者和初创公司面临的难题”，狂热网络的CEO谢峰说，“UPLTV是集合了我们过去的经验，致力于保障玩家在享受游戏的同时还能不断（为开发者）创造收益的最佳解决方案。” 谢峰表示UPLTV 只是基于AI实现LTV优化的第一步。狂热网络的数据科学家、UX专家和变现专家们会不断研发、测试，推出更多前沿AI科技产品。 “我们致力于将强大、高效的科技应用在游戏开发中，我们的目标是帮助合作伙伴持续提升LTV，同时为玩家创造更好的体验。” 关于狂热网络（Avid.ly）狂热网络是连续创业者谢峰2016年Q4创立的公司。谢峰曾在2014年创立了欧拉网络（Holaverse）并见证了欧拉成长为拥有4亿多用户的Top 10谷歌市场开发者。在2016年，狂热网络从欧拉网络分拆，成长为知名的移动游戏海外发行商，成功发行了数十款热门游戏，例如猪来了, 捕鱼来了和Tasty Treats。Avid.ly目前正在拓展基于AI技术的变现优化领域，致力于为全球的游戏开发者提供更高效的广告变现和用户获取解决方案。
来源：游戏陀螺
叶子猪每日行业播报系叶子猪游戏网出品的资讯栏目，仅作于汇聚互联网游戏行业的每日资讯，如需查看文章出处可点击阅读原文。DataEye: 手游KPI逆推模型【ios吧】_百度贴吧
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&签到排名：今日本吧第个签到，本吧因你更精彩，明天继续来努力！
本吧签到人数：0成为超级会员，使用一键签到本月漏签0次！成为超级会员，赠送8张补签卡连续签到：天&&累计签到：天超级会员单次开通12个月以上，赠送连续签到卡3张
关注：359,047贴子：
DataEye: 手游KPI逆推模型收藏
文章作者：seon
GRG游戏研究组 研究员，曾就职于腾讯无线
一款游戏准备投入运营， 往往需要对其货币化能力做评估。对于发行商来说，一般会小规模投放进行测试，根据测试结果进行预测，这期间，除了发现游戏本身的BUG，体验和设计问题，留存和ARPU是最需要关注的指标。
测试周期的选择对游戏长期运营有重要的意义！充分的测试和指标采集对KPI预测会更准确，然而，耗时太久的测试容易让游戏错过发行的最佳时机，如果多款游戏恰好集中上市，也会让档期拥挤不堪。一方面，不希望错过好的游戏和团队；另一方面，希望流量最优配置以期获得最大化收益。既快又准的KPI预测模型是所有人都希望看到的。
笔者的一位做发行运营的朋友上周遇到了这样的难题，需要对一款即将上线的新游戏制定KPI，该游戏甚至还未经过投放测试。被问到这个问题时，首先想到的是评估出玩家1~30天的LTV值，再逐步计算其月度收益。要准确得到30天LTV值，需要每天记录新增玩家的累计ARPU值，得到LTV数组后，再乘以每天的新增玩家数，就可得出月度收益。
我们需要得出数组 LTV_Set = [ LTV1,LTV2,LTV3 ... LTV30
假设每日放量N（即新增玩家数量），则：
月收入 = LTV1*N + LTV2*N + ... + LTV30*N
显然我们没有足够的时间获取30天LTV。好吧，只能通过有限的已知条件对未来作出预测了。联想到笔者之前的一篇关于LTV预测的文章，基于对数曲线对LTV变化进行预测，顺带提下，前文发表后，有读者对公式的推导过程尚有不解，这里一并作出解答：
还是熟悉的公式:
y=c*ln(x)+b
已知条件：首日和首2日ARPU值，可以认为是LTV1，LTV2
将我们已知两个坐标 (1,LTV1), (2,LTV2)，代入公式
LTV1=c*ln(1)+b
LTV2=c*ln(2)+b
c和b的值通过上述二元一次方程解出
c=(LTV2-LTV1)/(ln(2)-ln(1))
工具上，可以使用DataEye 新玩家价值模块，也可以使用Excel（下文有实现）。 KPI逆推
我们可以很容易使用公式推导出未来30日的LTV集合，下面我们对每日需要放出的量进行计算，笔者这里使用Excel规划求解等分每天的新增量Excel计算模型中，B15，B16填入新增前两日的ARPU值，模型自动计算公式的c，b值，再通过公式计算出未来30日的LTV值；通过Excel规划求解功能，在D15输入希望达到目标KPI值，并设定C15~C44的条件，这里设置的是等分，读者也可以改成等差数列等方式（即逐步放量）。从结果看出希望达到100W的月收入，每日必须引入9.9W新增玩家。而要降低新增玩家数量的压力，则可以考虑提高游戏的ARPU值。调整B15，B16的值 ，相关结果就会有相应变化。
模型的未来与局限
笔者认为，模型能对KPI做出初步预测，在已知条件匮乏的情况下，具有一定的指导意义。对于预测结果不理想的游戏可以去检查游戏本身是否存在问题，程序有BUG？计费点设置不合理？新手任务通过率低？ 而对于符合预期的游戏，可以关注下留存问题，毕竟我们还是希望玩家生命周期更长。总之，KPI预测在前期对游戏改进能快速给出建议，有利在当下纷乱的手游市场快速改进产品，快速推新，抢占先机。
如果测试时间允许，使用7日LTV会更准确。 但依然有其局限性，例如：对于一款长生命周期游戏，比如棋牌，定义30日的回本周期是否合适？游戏在日常运营中因活动引入带来的数值波动如何兼容？如何细化渠道间的差异？
ios开发?没有基础ios开发?这些你都不用担心,来NIIT,零基础入学,高薪任职.ios开发?NIIT拥有丰富的教学经验,零基础学IOS轻松简单
后半段已无心阅读，专业性太强
亲， 可以留个QQ，我们有个专业讨论群
登录百度帐号推荐应用计算手游不同阶段LTV的方法和模型一件事情是要问；当进入试运营(softlaunch)阶段，你需要；在市场推广阶段，你需要定位到CPI；设计阶段的“原始”LTV计算；游戏发布之前是没有真实数据的，只要一些假设数据即；分析：；输入：；ARPDAU；预期的用户生命周期：用户有可能使用APP的时间长；输出：；预计每用户的LTV；优势：；简单；有利于了解用户LTV；
计算手游不同阶段LTV的方法和模型 一件事情是要问明白计算LTV的目的是什么。如果你有一款基于免费模式的手游，那么毫无疑问用户终身价值就是该款游戏的主要KPI。以下是原因： 在设计阶段，先要做Benchmark分析，你需要估算跟你游戏类似的LTV及他们的CPI，以确保项目能有足够的投入预算。换言之，你需要先保证项目最后能赚钱。
当进入试运营(soft launch)阶段，你需要测算并不断优化LTV，以确保它能超过预期的CPI。
在市场推广阶段，你需要定位到CPI
设计阶段的“原始”LTV计算
游戏发布之前是没有真实数据的，只要一些假设数据即可。因此，你需要使用“原始”的计算方法，即简单地将ARPDAU乘以单个用户的预期生命时间即可。 举例：ARPDAU * Lifespan = 0.05 * 26 = 1.3
预期的用户生命周期：用户有可能使用APP的时间长度。可以基于其他app进行估算，或者追踪用户直到他不再出现在游戏里
预计每用户的LTV
有利于了解用户LTV
方法太过简单，且只假设所有用户在同一时间内均留存
无法提前得知用户会留存多久
试运营阶段需要建造用户留存模型
在试运营阶段，你需要一个不同的方式。此阶段的情况已经变了，因为你已经有了关于游戏留存率和付费情况的数据。具体需要ARPDAU和至少下列的留存率数据：次日、7日、14日和30日。建造留存率模型是一个复杂的数学测试，它需要用到统计回归、对数函数和积分运算。
假设留存函数是 y=a*x^b的幂函数，其中x为使用天数，a和b是模型的系数。首先预估的是180天内的留存率。它使用了第2天、7天、14天、30天和180天的加权系数，加权值为：2.5、7、12、57.5、100(顺序对应)。基于LTV公式的加权系数比在幂函数求积分更简单，对于精确度的影响也没有那么大。当用户生命周期计算好后，用ARPDAU乘以生命周期即可轻松计算出LTV值。
举例：ARPDAU * lifespan = 0.155 * 9.02 = 1.40
次日、7天、14天、30天的留存
ARPDAU(前30天)
用户预期的生命周期：所有用户的留存总和 (用户数 * 天数)
180天的LTV
几乎与更复杂的模型一样准确
30天的留存率加权过重
以ARPDAU不变为前提进行的假设
市场推广阶段的细分LTV计算
当你的游戏准备问世时，你将会对于终身价值的计算有新的需求。此阶段与广告投放和用户获取有关，目标就是让LTV高于CPI。但并不是所有用户都要满足这个条件，只要找到某些指定的细分用户满足即可。当你找到这些细分，就可以“有的放矢”地加大投放力度。之前的LTV计算方法都是基于一个全新产品的假设，历史数据是有限的。当来到市场投放的阶段，产品数据应该在其中一个细分群体积累了6个月(一般指自然量)。基于现有细分群体的数据，就可以预估新的细分的LTV值。这个对于新用户的计算方法需要对比前7天的新用户和现存用户基础，然后将同样的比率应用于现有的LTV。
假设A项与B项7天的收益比率会反映其在LTV的比率。举例，假如你有一个新的流量来源在前7天有0.5美元的ARPU，正常来说你能在前7天看到1美元，那么新的流量来源就是你正常LTV的一半。这非常直观，实际上改预测方法也被许多先进的模型支持。该计算方式有两步：
算出7天内收益数据间的比率
将同样的比率用到LTV中
举例：7天内收益比率 * LTV = 0.95 * 2.5 = 2.38
现有部分的训练数据 (主要用来训练LTV计算模型)
现有细分用户的ARPU：第1天到第7天
现有细分用户的LTV: 180天
新细分数据
新细分用户的ARPU：第1天到第7天
新细分用户的LTV
最准确的模式之一
需要现有细分的180天数据
高级LTV细分计算
第三种计算方式假设有180天的数据，而这有时候是不可能的。这时从现有细分的90天数据来建立现有细分的180天LTV模型，然后利用相同的比率方法来计算新细分的LTV。
这个计算方法的数据来自现有细分(如自然流量)来调整最初90天的模型，并利用模型功能来预估第90天到第180天的生命值。
该模型有2个步骤
步骤1：估算180天的LTV
把最初90天的已知ARPU与91-180天的预估ARPU相结合即可得到。这个估算是用90天的ARPDAU乘以90天到180天的用户预期生命时间。
步骤2：应用比例
当我们有预估的现有细分180天LTV数据，就可以用一个简单的比例来估算新细分的LTV：
用新细分的7天ARPU除以现有细分的7天ARPU
将相同比例应用到现有细分的180天LTV
所得结果即是新细分的180天LTV
现有细分的训练数据
现有细分的用户ARPU：第1天至第7天
现有细分的用户ARPU：第1天至第90天
现有细分的7天留存率
现有细分的90天留存率
现有细分的ARPDAU：第75天到90天
新细分用户的ARPU：第1天至第7天
更新的游戏app也可以使用该计算方法
如果你有新细分超过7天的数据，那你实际上可以使用任何日期的数据，只要你能将其应用到7天的现有细分和新细分数据里。
在现有细分的7天ARPU中输入第N天的现有细分ARPU
在新细分的7天ARPY中输入第N天的新细分ARPU
1.计算LTV的“原始”方法
ARPDAU * Lifespan。
2.生命周期计算模型(简化版)
“原始”方法的缺点是不能算出预期的生命周期长度。计算的方法会有点复杂。你需要收集用户在APP的留存数据，用上面的幂函数公式求积分算出来。当然，更简单的方法是通过加权平均的方法进行估算(参考上面“试运营”的例子)，而且结果的精准度并不会相差太远。
3.类推法则：用现有的细分历史数据类推新的细分用户LTV
这个是很多游戏公司采取的方法。它计算出现有180天的LTV，用新细分的7天ARPU除以现有细分的7天ARPU，得出来的比例应用到现有细分的180天LTV中，结果即是新细分的180天LTV。这样，即使没有180天的数据，也能通过现有细分的数据计算LTV。
三亿文库包含各类专业文献、高等教育、中学教育、生活休闲娱乐、幼儿教育、小学教育、外语学习资料、计算手游不同阶段LTV的方法和模型03等内容。　
　2013最新的KTV游戏大全_法律资料_人文社科_专业资料...做划 船的动作并喊:嘿咻嘿咻~~谁反映较迟钝者算...”游戏是锻炼一个人注意力和反映能力的绝好方法。 ... 　KTV游戏,KTV游戏是什么,如何挑选KTV游戏设备_专业资料...货比三家,是杜绝上当受骗最实在的方法。 对于不懂...如果您是准备开业,相关产品还在采购阶段,那么在选购...你可能感兴趣的文章：}