1.03M

Предиктивное_моделирование_оттока

1.

ФГАОУ ВО "Дальневосточный федеральный университет"
Предиктивное моделирование оттока
пользователей на основе анализа
поведенческих паттернов в онлайн-играх
Владивосток, 2026
Выполнила студентка
группы
Б9123-02.03.01сцт
Алиева Севинч Наибовна
Научный руководитель
Литвин Михаил Алексеевич,
ассистент ДМиКМ

2.

ПРОБЛЕМА ОТТОКА ПОЛЬЗОВАТЕЛЕЙ
Поведенческие паттерны, предшествующие оттоку, часто
остаются скрытыми без применения методов машинного
обучения, что влечёт за собой:
снижение активной
аудитории;
прямые финансовые потери;
снижение качества матчмейкинга;
риск "цепной реакции" ухода игроков.
2

3.

АКТУАЛЬНОСТЬ РАБОТЫ
Отток активных игроков ведёт к прямым экономическим
потерям
Стоимость привлечения нового игрока в 5–7 раз выше
удержания текущего
Снижение онлайна → падение выручки и качества
матчмейкинга
Рост конкуренции → угроза быстрого переключения на
аналог
3

4.

ЦЕЛЬ И ЗАДАЧИ
Цель: Разработка и оценка эффективности модели машинного
обучения для прогнозирования оттока пользователей на основе
анализа их поведенческих данных в игре
Задачи:
провести анализ предметной области;
провести разведочный анализ данных о пользователях для
выявления поведенческих паттернов;
обучить и сравнить три модели: Логистическую регрессию,
Случайный лес, XGBoost.
4

5.

ДАННЫЕ И СТРУКТУРА
Датасет: "Mobile Game User ChurnDataset"
Ключевые признаки:
уровень, время в игре, кол-во использованных
бустеров или ускорителей;
сумма покупок, сообщения в гильдии/чате;
целевая переменная: прогноз отттока (True/False).
5

6.

ОПРЕДЕЛЕНИЕ ОТТОКА
Отток пользователей (churn) — отсутствие авторизации
пользователя в игре в течение заранее определённого
промежутка времени.
Индикаторы риска:
снижение частоты и длительности сессий;
снижение социальной активности;
стагнация игрового прогресса.
6

7.

ЦЕЛЕВАЯ ПЕРЕМЕННАЯ
Ушедшие игроки —
ниже уровнем, меньше
используют бустеры,
имеют больше
времени в игре
Целевая переменная: Churn
Prediction
7

8.

ИНЖЕНЕРИЯ ПРИЗНАКОВ
На основе RFM-анализа созданы признаки, показавшие сильные
различия классами:
Признак
Скорость прохождения
Медиана
(остался)
Медиана
(ушёл)
Разниц
а
0.0208
0.0113
↓46%
96 дней
9999 дней
↑10316%
5.90
3.90
↓34%
уровней
Время с последней покупки
Социальная активность
18.54
5.60
8
↓70%

9.

АРХИТЕКТУРА ОБРАБОТКИ ДАННЫХ
9

10.

Логистическая регрессия + SMOTE
Логистическая регрессия — линейный классификатор, который
оценивает вероятность оттока по формуле:
SMOTE (Synthetic Minority Over-sampling Technique) — метод синтеза
новых искусственных примеров для класса «отток». В отличие от
простого дублирования, SMOTE создаёт новые точки между
существующими, что уменьшает риск переобучения.
10

11.

Результаты обучения:
ROC-AUC = 0.91 означает, что
модель с вероятностью 91%
отличит ушедшего игрока от
оставшегося
11

12.

СЛУЧАЙНЫЙ ЛЕС (RANDOM FOREST)
Случайный лес — ансамбль из множества решающих деревьев.
Каждое дерево строится на случайной подвыборке данных и
случайном наборе признаков. Итоговый прогноз — голосование
деревьев.
Модель идеально
предсказывает оставшихся
игроков (Precision=1.00,
Recall=1.00).
12

13.

XGBoost (ГРАДИЕНТНЫЙ БУСТИНГ)
Градиентный бустинг — метод последовательного построения
деревьев, где каждое новое дерево исправляет ошибки предыдущих.
В отличие от Random Forest, деревья строятся не независимо, а одно
за другим.
Recall = 1.00 по классу
«Ушёл» — модель находит всех
реально ушедших игроков.
13

14.

CРАВНЕНИЕ МОДЕЛЕЙ
Метрика
LogReg
Random Forest
XGBoost
Accuracy
0,81
0,99
0,98
ROC-AUC
0,91
1
0,99
F1-Score
0,75
0,99
0,97
* XGBoost выбран в качестве финальной модели
14

15.

ФАКТОРЫ ОТТОКА (SHAP)
давность покупки (Recency)
низкий темп прохождения
отсутствие социальной активности
малое использование бустеров
Средняя абсолютная SHAP-важность
15

16.

СИСТЕМА СКОРИНГА РИСКОВ
Критический: P > 0.65
Средний: P [0.25 - 0.45]
Высокий: P [0.45 - 0.65]
Низкий: P < 0.25
16

17.

ПРАКТИЧЕСКИЕ РЕКОМЕНДАЦИИ
ежедневный расчёт P(churn) для всех активных игроков
автоматические уведомления при P(churn) ≥ 0.45
Time Since Last Purchase (время с последней покупки) - скидка или
бонус за возвращение
Level Progression Rate (скорость прохождения уровней) - подсказки,
упрощённые уровни
Social Engagement Ratio (уровень соц.активности) - приглашение в
гильдию
Total Booster Usage (суммарное использование бустеров) - набор
бустеров
17

18.

ЗАКЛЮЧЕНИЕ
изучены методы прогнозирования оттока;
разработана и обучена модель XGBoost с ROC-AUC = 0.9999 и
Recall = 1.00;
выявлены ключевые поведенческие паттерны,
предшествующие оттоку;
проведена интерпретация модели с помощью SHAP;
разработана система скоринга рисков.
18

19.

English Русский Rules