Розробка AI-системи прогнозування відтоку гравців

Churn prediction в ігровій індустрії — фундамент retention-маркетингу. Мобільна гра втрачає 70% нових гравців у перші 7 днів. Правильна модель дозволяє виявити гравців на порозі відтоку до того, як вони видалили застосунок, і повернути їх через персоналізовані retention-заходи. Ми розробляємо такі системи під ключ: від аналізу ігрових логів до впровадження моделей у продакшн. Наш досвід — понад 5 років та 20+ проєктів у геймдеві, включаючи мобільні, MMORPG та казуальні ігри. Гарантуємо підвищення retention на 15-25% за умови якісних даних.

Як прогнозування відтоку гравців покращує retention?

Точне прогнозування відтоку дозволяє вчасно втрутитися. Раннє виявлення (first 3-7 days) знижує витрати на повернення на 40% порівняно з пізніми кампаніями. Аналіз ігрових логів дає сотні ознак: частоту сесій, прогресію, соціальну активність, монетизацію. Ми перетворюємо їх у сигнали для моделей, які на порядок точніші за правила (rule-based). Наприклад, XGBoost дає приріст F1 в 1.2 раза порівняно з логістичною регресією на платному сегменті.

Чому early churn відрізняється від late churn?

Early churn (D1-D7) спричинений проблемами онбордингу, складністю туторіалу або невідповідністю очікуванням. Mid-term churn (D7-D30) — падіння інтересу до контенту, порушення прогресії. Late churn (D30+) — вичерпання контенту, burnout або поява конкурента. Кожен тип потребує різної стратегії повернення: для early — спрощення перших кроків, для late — анонс нового контенту.

Як вибрати поріг неактивності?

Поріг відтоку визначає, коли гравець вважається таким, що пішов. Нижче — таблиця типових порогів за жанрами:

Вибір порогу впливає на balance класів та своєчасність інтервенцій. Занижений поріг дає багато хибних спрацьовувань, завищений — запізнення реакції.

Feature Engineering з ігрових логів

Ми витягуємо ознаки, що відображають залученість, прогресію та монетизацію. Приклад набору:

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

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

    # Соціальні
    '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 нормалізувати ознаки за когортою, щоб усунути сезонність.

Моделі по сегментах

Не одна модель для всіх — різні для різних сегментів:

• Payers (платящі): XGBoost з фінансовими фічами. Поріг нижче — не можемо втрачати.
• High-engagement non-payers: LightGBM з engagement-фічами, можливі конверсії.
• Casual players: проста модель, високий recall.

Cohort-aware модель нормалізує поведінку гравця на D7 до середнього по когорті:

features['d7_sessions_normalized'] = player_d7_sessions / cohort_avg_d7_sessions

XGBoost для платящих на 10% точніше логістичної регресії за F1-мірою.

Survival Analysis для ігор

Замість бінарного передбачення "піде чи ні" можна передбачати час до відтоку:

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)

Це дає оцінку очікуваного часу життя гравця, що дозволяє точніше розставляти інтервенції в часі.

Порівняння моделей: XGBoost vs Logistic Regression

XGBoost дає виграш у F1 в 1.1 раза порівняно з логістичною регресією, що критично для утримання платящих гравців.

Retention Actions

Інтервенції за часом і ризиком:

• D0-D3: якщо tutorial completion < 80% → push-повідомлення з допомогою.
• D1-D7: якщо прогрес нижче медіани когорти → тимчасовий buff або подарунок.
• D7-D30: платящому — персональний email від "розробників" з бонусом; freemium — retargeting з deep link.
• Win-back: push/email через 3, 7, 14, 30 днів неактивності з пропозицією нового контенту.

Lift Measurement і 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%}")

Що входить у розробку

• Аналіз ігрових логів та EDA.
• Feature engineering та відбір ознак.
• Побудова segmented моделей (XGBoost, LightGBM, survival).
• Підготовка дашбордів для моніторингу.
• Інтеграція з CRM/Push-системами.
• Документація та навчання команди.
• Підтримка на етапі пілоту (1 місяць).

Терміни та вартість

Базова модель (LightGBM) — від 3 до 4 тижнів. Повноцінна система з cohort-aware підходом, survival та A/B — від 3 до 4 місяців. Вартість розраховується індивідуально, залежить від обсягу даних та числа когорт. Витрати на впровадження окупаються за 2-3 місяці за рахунок зниження відтоку.

Наш досвід

Понад 5 років в ігровій аналітиці, 20+ проєктів, включаючи мобільні та онлайн-ігри. Сертифіковані інженери з ML та MLOps. Гарантуємо якість — кожен етап проходить code-review та validation.

Зв'яжіться з нами для оцінки проєкту. Отримайте консультацію з вибору моделі та підходу для вашої гри. Замовте розробку системи під ключ.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий 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 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    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"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.