LTV优化工具可以让你判断在超过90天周期内你的玩家将产生多少收入,并对这些玩家进行过滤和分组以识别出哪些特征与高价值玩家有关系。

要使用LTV优化,首先基于离散的玩家开始日期、人口统计学过滤器和按照你想要分析的分组来过滤你的玩家。

LTV_Filters

认真考虑你选择的玩家开始日期是非常重要的。LTV优化可以预测从玩家开始日期起在90天窗口内产生的收入。也就是玩家安装的日期是第0天,从这一天起到未来的90天中,预测结果将会被计算出。

如果所有的玩家开始日期都已经超过90天,那么LTV优化将专门根据真实的收入数据进行工作。如果部分或者全部的玩家开始日期都小于90天,那么一个预测将会创建以填补今天到第90天之间的空白,预测将会基于真实收入数据的加权组合和预测值,权重等于每天安装的真实数量。

LTV_optimiser

一旦你选择了你想要分析的玩家开始日期、过滤和分组,点击更新(UPDATE)按钮以运行LTV优化工具。这个工具将返回一个数值框和一个图表来概述结果。LTV优化返回的四个值是:

总玩家:这是在选定的开始日期之间安装,且满足过滤和分组选项的玩家的总数

总付费玩家数:这是在选定的玩家分组中付费玩家总数

每个玩家的预期收入:这是在安装的90天内平均每个玩家将花费的总数

预期总收入:这是在安装后的90天内玩家分组将产生的收入总数

玩家价值预测(Player Value Projection)图表展示了从安装到玩过的日期每个玩家产生的累加的预测收入。蓝线展示了每个玩家收入的最佳估计值,绿线和红线分别展示了最大值和最小值,每个玩家的收入都将在这一区间内。

由于LTV优化基于从选定分组中观察到的真实数据来预测,如果玩家和付费玩家的数量过低其将无法给出一个准确的预测。如果在选定分组中付费玩家的总数少于50那么这个预测将会基于默认的模型参数。这种情况下,这个工具将产生一个警告,且图表看起来是这样:

LTV_optimiser_poor

这种情况下产生的收入预测应当谨慎对待。如果付费玩家的总数少于5人那么LTV优化将无法返回有价值的结果。这种情况下返回的预测不应被使用。如果总付费玩家少于5人,那么LTV优化图表将看起来是这样:

LTV_optimiser_bad

 

我们的LTV模型是:

LTV = <S>CT

其中<S>是平均交易金额,C是汇率,N是每个付费玩家的交易数量。对于一个玩家分组,我们知道某一观察日期d的<S>、C、T,所以要预测LTV我们需要得出在一些天d+X中这些值是多少。我们计算器的工作原理是通过MLE方法使用一系列的参数概率分布(例如帕累托、伽马、指数等)直接拟合这些交易数据,然后使用这个拟合基于我们看到的内容得出将会有多少更多的换汇(Conversions)和交易(Transactions)。这意味着在这里花费是极其突出的,我们简单的使用交易的平均值,这比起目前看到的平均数值更多。

来自多概率模型的拟合是基于其如何拟合数据以产生最终估值的平均值。置信区间由模型之间的差异和自举数据生成。