Разработка AI-системы предсказания оттока игроков

Разработка AI-системы предсказания оттока игроков

Churn prediction в игровой индустрии — фундамент retention-маркетинга. Мобильная игра теряет 70% новых игроков в первые 7 дней. Правильная модель позволяет выявить игроков на пороге отток до того, как они удалили приложение, и вернуть их через персонализированные retention мероприятия.

Специфика игрового churn

Определение оттока: В играх нет "контракта". Чёрно-белая метка "ушёл/остался" определяется через порог неактивности:

• Мобильные игры: 7-14 дней без логина
• MMORPG: 30 дней без входа
• Казуальные игры: 3-5 дней

Выбор порога влияет на баланс классов и timely intervention.

Early vs. Late churn:

• Early churn (D1-D7): проблемы с онбордингом, сложность tutorial, несоответствие ожиданиям
• Mid-term churn (D7-D30): падение интереса к контенту, нарушение progression
• Late churn (D30+): исчерпание контента, burnout, появление конкурентной игры

Каждый тип требует разной стратегии возврата.

Feature Engineering из игровых логов

Вовлечённость:

engagement_features = {
    'sessions_last_7d': session_count_7d,
    'avg_session_length_min': avg_session_duration,
    'session_frequency_trend': sessions_last_3d / sessions_prev_3d,
    'days_since_last_session': recency,
    'total_days_played': frequency,
    'total_revenue': monetary,  # RFM

    # Игровой прогресс
    'player_level': current_level,
    'level_progression_rate': levels_gained_per_day,
    'progression_delta': level_now - level_7d_ago,
    'features_unlocked': count(unlocked_features),

    # Социальные
    'guild_membership': bool,
    'friends_count': friend_list_size,
    'pvp_matches_7d': pvp_count,
    'chat_messages_7d': messages_count
}

Монетизация:

monetization_features = {
    'payer_flag': has_ever_paid,
    'days_since_last_purchase': recency_purchase,
    'ltv_to_date': total_revenue,
    'purchase_count': total_transactions,
    'avg_purchase_value': mean(transaction_values),
    'subscription_active': bool,
    'ad_views_7d': rewarded_ad_count  # для free-to-play
}

Модели по сегментам

Не одна модель для всех — разные для разных сегментов:

• Payers (платящие): самый ценный сегмент. XGBoost с финансовыми фичами. Threshold ниже — не можем позволить терять.
• High-engagement non-payers: потенциальные конверсии. LightGBM с engagement фичами.
• Casual players: большинство. Более простая модель, высокая recall.

Cohort-aware модель: Поведение игрока на D7 нормализуем к когорте (средний D7 для данного acquisition channel, даты запуска):

features['d7_sessions_normalized'] = player_d7_sessions / cohort_avg_d7_sessions

Это убирает сезонность и различия между когортами.

Survival Analysis для игр

Альтернативная постановка: не "уйдёт ли в течение 14 дней", а "сколько дней до оттока":

from lifelines import WeibullAFTFitter

# AFT model: ускоренное время жизни
aft = WeibullAFTFitter()
aft.fit(player_data, duration_col='days_until_churn', event_col='churned')

# Медианное время до оттока для конкретного игрока
predicted_retention = aft.predict_median(player_features)

Это даёт более нюансированный сигнал: не просто риск, а ожидаемое время жизни.

Retention Actions

D0-D3 — Tutorial intervention: Если tutorial completion < 80% → push-notification с упрощённой помощью.

D1-D7 — Progression intervention: Если прогресс ниже медианы когорты → временный buff или подарок ресурсов.

D7-D30 — Engagement intervention:

• High-risk платящий: персональный email от "разработчиков" с уникальным бонусом
• High-risk freemium: рекламная кампания retargeting с deep link в игру

Win-back (после ухода):

• Email/push через 3/7/14/30 дней неактивности
• Специальные "Мы соскучились!" предложения
• Анонс нового контента через push

Lift Measurement и A/B

# Incrementality test
treatment = high_risk_players.sample(frac=0.5)
control = high_risk_players.drop(treatment.index)

# Через 14 дней
treatment_retention = treatment[treatment.is_active_14d_later].shape[0] / len(treatment)
control_retention = control[control.is_active_14d_later].shape[0] / len(control)

uplift = treatment_retention - control_retention
print(f"Retention uplift from intervention: {uplift:.1%}")

Сроки: базовая churn модель с логами (LightGBM) — 3-4 недели. Полноценная система с cohort-aware подходом, segmented models, survival analysis и A/B measurement — 3-4 месяца.