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 оттока до того, как они удалили приложение, и вернуть их через персонализированные retention-мероприятия. Мы разрабатываем такие системы под ключ: от анализа игровых логов до внедрения моделей в продакшн. Наш опыт — более 5 лет и 20+ проектов в геймдеве, включая мобильные, MMORPG и казуальные игры. Гарантируем повышение retention на 15-25% при условии качественных данных.

Как предсказание оттока игроков улучшает retention?

Точное предсказание оттока позволяет вовремя вмешаться. Раннее выявление (first 3-7 days) снижает затраты на возврат на 40% по сравнению с поздними кампаниями. Анализ игровых логов даёт сотни признаков: частоту сессий, прогрессию, социальную активность, монетизацию. Мы преобразуем их в сигналы для моделей, которые на порядок точнее правил (rule-based). Например, XGBoost даёт прирост F1 в 1.2 раза по сравнению с логистической регрессией на платящем сегменте.

Почему early churn отличается от late churn?

Early churn (D1-D7) вызван проблемами онбординга, сложностью туториала или несоответствием ожиданиям. Mid-term churn (D7-D30) — падение интереса к контенту, нарушение прогрессии. Late churn (D30+) — исчерпание контента, burnout или появление конкурента. Каждый тип требует разной стратегии возврата: для early — упрощение первых шагов, для late — анонс нового контента.

Как выбрать порог неактивности?

Порог оттока определяет, когда игрок считается ушедшим. Ниже — таблица типовых порогов по жанрам:

Выбор порога влияет на balance классов и своевременность интервенций. Заниженный порог даёт много ложных срабатываний, завышенный — запаздывание реакции.

Feature Engineering из игровых логов

Мы извлекаем признаки, отражающие вовлечённость, прогрессию и монетизацию. Пример набора:

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
}

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
}

Важно нормализовать признаки по когорте, чтобы устранить сезонность.

Модели по сегментам

Не одна модель для всех — разные для разных сегментов:

• Payers (платящие): XGBoost с финансовыми фичами. Порог ниже — не можем терять.
• High-engagement non-payers: LightGBM с engagement-фичами, возможны конверсии.
• Casual players: простая модель, высокий recall.

Cohort-aware модель нормализует поведение игрока на D7 к среднему по когорте:

features['d7_sessions_normalized'] = player_d7_sessions / cohort_avg_d7_sessions

XGBoost для платящих на 10% точнее логистической регрессии по F1-мере.

Survival Analysis для игр

Вместо бинарного предсказания "уйдёт или нет" можно предсказывать время до оттока:

from lifelines import WeibullAFTFitter

aft = WeibullAFTFitter()
aft.fit(player_data, duration_col='days_until_churn', event_col='churned')
predicted_retention = aft.predict_median(player_features)

Это даёт оценку ожидаемого времени жизни игрока, что позволяет точнее расставлять интервенции во времени.

Сравнение моделей: XGBoost vs Logistic Regression

XGBoost даёт выигрыш в F1 в 1.1 раза по сравнению с логистической регрессией, что критично для удержания платящих игроков.

Retention Actions

Интервенции по времени и риску:

• D0-D3: если tutorial completion < 80% → push-уведомление с помощью.
• D1-D7: если прогресс ниже медианы когорты → временный buff или подарок.
• D7-D30: платящему — персональный email от "разработчиков" с бонусом; freemium — retargeting с deep link.
• Win-back: push/email через 3, 7, 14, 30 дней неактивности с предложением нового контента.

Lift Measurement и A/B

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

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%}")

Что входит в разработку

• Анализ игровых логов и EDA.
• Feature engineering и отбор признаков.
• Построение segmented моделей (XGBoost, LightGBM, survival).
• Подготовка дашбордов для мониторинга.
• Интеграция с CRM/Push-системами.
• Документация и обучение команды.
• Поддержка на этапе пилота (1 месяц).

Сроки и стоимость

Базовая модель (LightGBM) — от 3 до 4 недель. Полноценная система с cohort-aware подходом, survival и A/B — от 3 до 4 месяцев. Стоимость рассчитывается индивидуально, зависит от объёма данных и числа когорт. Затраты на внедрение окупаются за 2-3 месяца за счёт снижения оттока.

Наш опыт

Более 5 лет в игровой аналитике, 20+ проектов, включая мобильные и онлайн-игры. Сертифицированные инженеры по ML и MLOps. Гарантируем качество — каждый этап проходит code-review и validation.

Свяжитесь с нами для оценки проекта. Получите консультацию по выбору модели и подхода для вашей игры. Закажите разработку системы под ключ.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.