다수의 모바일 게임은 Free-to-play(FTP) 방식의 수익 모델을 취하고 있다. 부분 유료화라고도 불리는 FTP방식에서 이용자는 무료로 게임에 가입하고 플레이를 할 수 있으며, 보다 높은 업적을 얻기 위해 결제를 통해서 게임 재화나 아이템을 구매할 수 있다. 이러한 방식에서 이용자의 구매는 매출과 직결된 중요한 요소이므로, 게임 서비스 사업자들은 이용자의 구매를 촉진시키고자 노력한다. 한편 신규 서비스의 경우 새로운 이용자를 확보하는 것이 서비스 운영에 중요한 영향을 미치지만, 지속되어온 서비스의 경우 기존 이용자의 비중이 신규 이용자에 비해 훨씬 높다. 신규 이용자 획득에 드는 비용이 높기 때문에, 기존 이용자들이 더 오래 게임을 즐길 수 있는 환경을 만드는 것이 중요한 과제이다. 매출 증대와 기존 이용자 유지의 측면에서, 이용자의 수명을 미리 파악하여 이용기간 내 구매를 촉진하는 이벤트를 마련하거나 이탈 예측 이용자의 활동성을 높이는 장치를 마련하는 것은 중요한 전략으로 여겨진다. 본 연구는 모바일 게임 이용자 수명을 예측하기 위하여 잔존 수명을 다섯 개의 그룹으로 분류하고, ...
다수의 모바일 게임은 Free-to-play(FTP) 방식의 수익 모델을 취하고 있다. 부분 유료화라고도 불리는 FTP방식에서 이용자는 무료로 게임에 가입하고 플레이를 할 수 있으며, 보다 높은 업적을 얻기 위해 결제를 통해서 게임 재화나 아이템을 구매할 수 있다. 이러한 방식에서 이용자의 구매는 매출과 직결된 중요한 요소이므로, 게임 서비스 사업자들은 이용자의 구매를 촉진시키고자 노력한다. 한편 신규 서비스의 경우 새로운 이용자를 확보하는 것이 서비스 운영에 중요한 영향을 미치지만, 지속되어온 서비스의 경우 기존 이용자의 비중이 신규 이용자에 비해 훨씬 높다. 신규 이용자 획득에 드는 비용이 높기 때문에, 기존 이용자들이 더 오래 게임을 즐길 수 있는 환경을 만드는 것이 중요한 과제이다. 매출 증대와 기존 이용자 유지의 측면에서, 이용자의 수명을 미리 파악하여 이용기간 내 구매를 촉진하는 이벤트를 마련하거나 이탈 예측 이용자의 활동성을 높이는 장치를 마련하는 것은 중요한 전략으로 여겨진다. 본 연구는 모바일 게임 이용자 수명을 예측하기 위하여 잔존 수명을 다섯 개의 그룹으로 분류하고, 다중 분류 모형을 이용하여 이를 예측한다. 관찰 기간 동안의 접속, 구매, 게임 내 행동데이터를 입력 변수로 사용하여 모형을 구축한다. 서비스 중인 모바일 게임의 대용량 사용자 데이터를 이용하여 실험한 결과, SMOTE+RandomForest조합의 분류 성능이 가장 높았다. 접속 빈도와 관련된 변수들이 예측력이 가장 높았으며, 이 외에도 클리어 실패 횟수와 게임 내 재화 획득과 관련된 변수들이 잔존 일 수에 영향을 미치는 것으로 확인되었다.
다수의 모바일 게임은 Free-to-play(FTP) 방식의 수익 모델을 취하고 있다. 부분 유료화라고도 불리는 FTP방식에서 이용자는 무료로 게임에 가입하고 플레이를 할 수 있으며, 보다 높은 업적을 얻기 위해 결제를 통해서 게임 재화나 아이템을 구매할 수 있다. 이러한 방식에서 이용자의 구매는 매출과 직결된 중요한 요소이므로, 게임 서비스 사업자들은 이용자의 구매를 촉진시키고자 노력한다. 한편 신규 서비스의 경우 새로운 이용자를 확보하는 것이 서비스 운영에 중요한 영향을 미치지만, 지속되어온 서비스의 경우 기존 이용자의 비중이 신규 이용자에 비해 훨씬 높다. 신규 이용자 획득에 드는 비용이 높기 때문에, 기존 이용자들이 더 오래 게임을 즐길 수 있는 환경을 만드는 것이 중요한 과제이다. 매출 증대와 기존 이용자 유지의 측면에서, 이용자의 수명을 미리 파악하여 이용기간 내 구매를 촉진하는 이벤트를 마련하거나 이탈 예측 이용자의 활동성을 높이는 장치를 마련하는 것은 중요한 전략으로 여겨진다. 본 연구는 모바일 게임 이용자 수명을 예측하기 위하여 잔존 수명을 다섯 개의 그룹으로 분류하고, 다중 분류 모형을 이용하여 이를 예측한다. 관찰 기간 동안의 접속, 구매, 게임 내 행동데이터를 입력 변수로 사용하여 모형을 구축한다. 서비스 중인 모바일 게임의 대용량 사용자 데이터를 이용하여 실험한 결과, SMOTE+RandomForest조합의 분류 성능이 가장 높았다. 접속 빈도와 관련된 변수들이 예측력이 가장 높았으며, 이 외에도 클리어 실패 횟수와 게임 내 재화 획득과 관련된 변수들이 잔존 일 수에 영향을 미치는 것으로 확인되었다.
Most mobile games take a free-to-play revenue model, which allows users to play games for free and generate revenue from in-game purchases. In this revenue structure, user purchase is an important factor directly linked to sales. In the case of new services, it is important to acquire new users, but...
Most mobile games take a free-to-play revenue model, which allows users to play games for free and generate revenue from in-game purchases. In this revenue structure, user purchase is an important factor directly linked to sales. In the case of new services, it is important to acquire new users, but in the case of ongoing services, existing users account for a majority. Therefore, it is more efficient for service companies to focus more on existing user and create an environment where they can enjoy the game much longer. Therefore, it is important to know the retention of user in advance. Based on this retention, a business strategy that enhances users' play engagement can be developed. In this paper, we classify the remaining lifetime of mobile game users into five groups and predict their retention groups through multi-class classification model. During the 10-day observation period, the model was constructed based on login, purchase, and activity logs in the game. This proposed a measure to predict how long the user would use the service. For the case study, this retention group prediction model was applied to the data of the mobile game currently being serviced. As a result of the experiment, SMOTE+RandomForest combination performed the best. The variables related to login frequency have high predictive influence, along with the number of stage clear failed and game money acquisition-related variables.
Most mobile games take a free-to-play revenue model, which allows users to play games for free and generate revenue from in-game purchases. In this revenue structure, user purchase is an important factor directly linked to sales. In the case of new services, it is important to acquire new users, but in the case of ongoing services, existing users account for a majority. Therefore, it is more efficient for service companies to focus more on existing user and create an environment where they can enjoy the game much longer. Therefore, it is important to know the retention of user in advance. Based on this retention, a business strategy that enhances users' play engagement can be developed. In this paper, we classify the remaining lifetime of mobile game users into five groups and predict their retention groups through multi-class classification model. During the 10-day observation period, the model was constructed based on login, purchase, and activity logs in the game. This proposed a measure to predict how long the user would use the service. For the case study, this retention group prediction model was applied to the data of the mobile game currently being serviced. As a result of the experiment, SMOTE+RandomForest combination performed the best. The variables related to login frequency have high predictive influence, along with the number of stage clear failed and game money acquisition-related variables.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.