使用Bass扩散模型预测手游LTV(玩家生命周期价值)

文/ 白狗 2014-05-04 19:45:03

1.前言

对游戏LTV(玩家生命周期价值)预测有多种方法,比较常见的有使用指数曲线或对数曲线建模,使用一些线性规划方式优化修正数据(见GRG之前文章)。后来朋友推荐一种用于新产品,新技术市场预测的模型——Bass扩散模型(据说曾被用于微信用户规模预测)。最近,笔者对此模型进行了一些研究,希望能借鉴到LTV预测上。


2.模型及求解

先来看下公式:

Nt=Nt-1+pm-Nt-1+qNt-1m(m-Nt-1)

mpq是三个常数:

l m=市场潜力即潜在需求总数。

l p=创新系数(外部影响),即尚未使用该产品的人,受到大众传媒或其他外部因素的影响,开始使用该产品的可能性。

l q=模仿系数(内部影响),即尚未使用该产品的人,受到使用者的口碑影响,开始使用该产品的可能性。

(摘自wiki

我们对公式进行一些变换

St=Nt-Nt-1=pm+q-pNt-1-qmNt-12

则增量S(t)可以使用以下公式计算出:

St=a+bNt-1+cNt-12

通过非线性(或线性)规划计算出abc的值,进而计算出mpq

m=(-b±b2-4ac)2c

p=am

q=-mc

3.预测LTV

笔者使用一些真实的数据进行试验,如下,某游戏前3日的LTV

天数

Nt-1

Nt-12

St

1

0

0

0.21

2

0.21

0.0441

0.39

3

0.6

0.36

0.7

使用Excel实现预测的过程:

如图所示,设置:

J4=$H$4+C4*$H$5+D4*$H$6

J5=$H$4+C5*$H$5+D5*$H$6

J6=$H$4+C6*$H$5+D6*$H$6

约束:

E4=J4

E5=J5

E6=J6

规划求解出H4~H6abc值,进而求出H10~H12mpq

C7~C33的遵循以下规则:

Nt=St+Nt-1


最后得出30天LTV值,绘制成图表。


4.Bass曲线的局限


相对于对数曲线求解LTVBass扩散有其明显的缺陷,mpq值有取值范围,

m>0

1>p>0

1>q>0

也就是说并不是所有游戏都能采用这种方式预测,对于不合适的游戏,模型不成立或者预测结果相去甚远。对数曲线求cb时可使用已知数据最小二分法修正,这样预测随着时间会趋于准确。而Bass曲线虽然也可以通过非线性规划求解最优mpq,然而一旦不满足其取值范围,则模型失效。

从笔者从大量数据分析得出的经验来看,能应用bass扩散模型的场景比较少,大多是偏重度且盈利能力较强的游戏。


5.计算预测模型的误差


前文LTV预测系列文章发出后,有朋友问到预测的误差问题,这里一并作出解答,在这里,依然取出真实数据,逐日观察并与预测结果比对。

上图是某游戏30LTV值,黄色为预测部分。求出每日平均误差,绘制成曲线。

可以看出随着预测跨度变长,预测的误差变大,这也是符合自然规律,这里使用的数据显示28日(最大)平均误差在6%

注:本文为GRG原创,如需转载,请注明出处,谢谢合作!

消息来源:
Alex Matveev
2022-06-06 16:27:13
不合规
审核中
@苏某某: 她在音乐方面的喜好,以及对天文的兴趣,也源于这部动画的影响。一直很喜欢爵士乐的她突然开始想
乐方面的喜好,以及对天文的兴趣,也源于这部动画的影响。一直很喜欢爵士乐的她突然开始想,没有系统了解过此类音乐的她怎么会喜欢上 呢?后来听完《美少女战士》原声带后才发现,“原来我在那么小的时候
评论全部加载完了~