RFM विधि का उपयोग करके उपयोगकर्ता मंथन का अनुमान लगाएं

कल्पना करें: सुबह तीन बजे एक फोन कॉल, आप फोन उठाते हैं और एक चीख सुनते हैं कि कोई और आपके उत्पाद का उपयोग नहीं करता है। डरावना? जीवन में, ज़ाहिर है, ऐसा नहीं है, लेकिन यदि आप उपयोगकर्ताओं के बहिर्वाह की समस्या पर ध्यान नहीं देते हैं, तो आप खुद को एक समान स्थिति में पा सकते हैं।

हमने पहले से ही विस्तार से वर्णन किया है कि बहिर्वाह क्या है: हमने सिद्धांत में तल्लीन किया और दिखाया कि एक तंत्रिका नेटवर्क को एक डिजिटल ओरेकल में कैसे बदलना है। प्लारियम क्रास्नोडार के विशेषज्ञ भविष्यवाणी करने का एक और तरीका जानते हैं। हम उसके बारे में बात करेंगे।

यह वह RFM नहीं है जिसकी हमें आवश्यकता है।

RFM एक ऐसी विधि है जिसका उपयोग ग्राहकों को विभाजित करने और उनके व्यवहार का विश्लेषण करने के लिए किया जाता है। प्राप्त आंकड़ों के आधार पर, आप प्रत्येक समूह के लिए एक वफादारी कार्यक्रम बना सकते हैं, उपयोगकर्ताओं के वितरण का निर्माण कर सकते हैं और भविष्यवाणी कर सकते हैं कि वे खरीद के लिए कब लौटेंगे।

RFM डेवलपमेंट का इतिहास 1987 में शुरू हुआ जब आर्टिकल काउंटिंग योर कस्टमर्स: हू आर यू और व्हाट विल डू डू नेक्स्ट प्रकाशित हुआ। इसने पेरेटो वितरण (बिल्कुल निरंतर वितरण का एक दो-पैरामीटर परिवार) के आधार पर एक विश्लेषण पद्धति का वर्णन किया।

मॉडल को पेरेटो / एनबीडी कहा गया और केवल उपयोगकर्ताओं के खरीद इतिहास को ध्यान में रखा गया। शास्त्रीय व्याख्या में, इस पद्धति का काम पांच स्तंभों, या सन्निकटन पर बनाया गया था:

1. जब तक उपयोगकर्ता सक्रिय होते हैं, अवधि के दौरान खरीदार द्वारा किए गए लेनदेन की संख्या एक औसत टीआईआरटी के साथ पेरेटो वितरण का पालन करती है।
2. पैरामीटर λ (लेनदेन दर) की विविधता मापदंडों आर और α के साथ एक गामा वितरण का अनुसरण करती है।
3. प्रत्येक खरीदार के पास समय की एक लंबी अवधि "जीवन" है। वह बिंदु जिस पर उपयोगकर्ता निष्क्रिय हो जाता है, पैरामीटर μ (ड्रॉपआउट दर) के साथ तेजी से वितरित किया जाता है।
4. उपयोगकर्ताओं के बीच पैरामीटर μ की विषमता मापदंडों (आकार) और β (स्केल) के साथ एक गामा वितरण का अनुसरण करती है।
5. मापदंडों λ और μ स्वतंत्र रूप से खरीदारों के बीच भिन्न हो सकते हैं।

इस मॉडल के नुकसान दोनों गॉस हाइपरमेट्रिक फंक्शंस की गणना और उच्च संभावना फ़ंक्शन की खोज करने की उच्च जटिलता दोनों थे।

2003 के एक लेख में, "अपने ग्राहकों की गिनती," आसान तरीका: पेरेटो / एनबीडी मॉडल के लिए एक वैकल्पिक , एक बेहतर मॉडल का विचार प्रकाशित किया गया था। खरीद इतिहास के अलावा, इसमें दो और मापदंडों का उपयोग किया गया था: आवृत्ति और पर्चे। पारेतो / एनबीडी से इसका मुख्य अंतर यह था कि ग्राहक के पत्ते का निर्धारण किस क्षण किया जाता है।

क्लासिक सेटिंग में, यह माना गया था कि उपयोगकर्ता किसी भी समय छोड़ने में सक्षम है, अतीत में उसकी खरीद की आवृत्ति और पैटर्न की परवाह किए बिना। नया दृष्टिकोण इस परिकल्पना पर आधारित है कि लेन-देन पूरा होने के तुरंत बाद खरीदार ब्याज खोना शुरू कर सकता है।

इसने गणना को सरल बनाया और बीटा-ज्यामितीय (बीजी / एनबीडी) मॉडल का नेतृत्व किया। यह तीन मुख्य मापदंडों का उपयोग करता है: पुनरावृत्ति, आवृत्ति, मौद्रिक, और साथ ही चार अतिरिक्त पैरामीटर: आर, α, ए, बी (पैरामीटर ए और बी बीटा वितरण से जोड़े गए थे)।

अगर ग्राहक भविष्य में खरीदारी करेगा तो RFM भविष्यवाणी करने में मदद करता है। प्लेजरार क्रास्नोडार विशेषज्ञों ने इस पद्धति को संशोधित किया।

बहिर्वाह को केवल और स्वादपूर्वक पूर्वसूचक करें

गणना के लिए, हमें खेल सत्रों के बारे में डेटा की एक सरणी की आवश्यकता है। यह आरएफएम मापदंडों से मिलकर मैट्रिक्स में पुनर्गणित होता है, और चार और गुणांक में, जो सीखने की प्रक्रिया में मॉडल द्वारा चुने जाते हैं।

एक खेल के संदर्भ में, पैरामीटर निम्नलिखित अर्थ प्राप्त करते हैं:

• एकांतता - अंतिम लॉगिन के समय उपयोगकर्ता कितनी देर तक खेल रहा था;
• एफ की आवश्यकता - उपयोगकर्ता ने कितनी बार खेल में फिर से प्रवेश किया;
• एम ओनेट्री - उपयोगकर्ता कब तक ("जीवन" समय) खेल रहा है।

पैरामीटर एक मैट्रिक्स में एकत्रित होते हैं। फिर इसे एक मॉडल में लोड किया जाता है जो उपयोगकर्ताओं के "जीवन" की संभावना की गणना करता है - मौका है कि वे खेलना जारी रखेंगे।

गणना सूत्र के अनुसार की जाती है:


जाहिर है, फिर से प्रविष्टियों के बिना उपयोगकर्ताओं के लिए, "जीवन" की संभावना एक होगी। 2008 में, कम्प्यूटिंग पी (जीवित) लेख के लेखकों ने बीजी / एनबीडी मॉडल का उपयोग करके इस समस्या का समाधान प्रस्तावित किया। गेम कंपनियां दो विकल्पों का उपयोग कर सकती हैं जो समान परिणाम देते हैं।

विधि 1 -। पैरामीटर सभी उपयोगकर्ताओं के लिए दर्ज किया गया है। यह दिखाता है कि किन खिलाड़ियों को निष्क्रिय माना जाता है।
विधि 2 - एक इकाई को फ़्रीक्वेंसी पैरामीटर में जोड़ा जाता है। यह उपाय फ़्रीक्वेंसी = 0 पर सूत्र के पतन से बचा जाता है, लेकिन प्रत्येक उपयोगकर्ता के लिए खेल में एक और प्रविष्टि जोड़ता है।

खेल देव के लिए आरएफएम विधि को कैसे अनुकूलित करें

मान लीजिए हमारे पास एक नया उपयोगकर्ता है। उसने बस खेल में प्रवेश किया। पैरामीटर F = 1 (या 0, गणना के आधार पर), चूंकि पहली प्रविष्टि पर विचार नहीं किया गया है, और खिलाड़ी ने अभी तक दोहराई गई प्रविष्टियों को नहीं देखा है।

उपयोगकर्ता तीन दिन खेलता है। पैरामीटर बदलते हैं: एफ केवल दैनिक इनपुट्स को ध्यान में रखता है, इसलिए इसका मूल्य 2 है, और संकेतक एम और आर 3 हैं। इन आंकड़ों का उपयोग करके, हमें एकता के करीब "जीवन" की संभावना मिलती है।

अगले दिन, उपयोगकर्ता गेम में प्रवेश नहीं करता है। पैरामीटर M को अपडेट किया गया है, जबकि F और R समान हैं। सूत्र में सभी मानों को प्रतिस्थापित करते हुए, हम देखते हैं कि संभावना सूचक कम हो गया है।

यदि उपयोगकर्ता सप्ताह के दौरान नहीं खेलता है, तो एम संकेतक को फिर से अपडेट किया जाता है और "जीवन" की संभावना और भी अधिक गिर जाती है।

सक्रिय उपयोगकर्ता का ग्राफ अलग दिखता है। एक "जीवन" की संभावना उसके इतिहास के आधार पर घट जाएगी। यदि वह हर दिन खेल में प्रवेश करता है और अचानक बंद हो जाता है, तो संकेतक का मूल्य बहुत तेजी से गिर जाएगा, अगर वह हर दो दिन खेले।

महत्वपूर्ण पेशेवरों और RFM के अबाधित विपक्ष

इस विधि का मुख्य लाभ इसकी सादगी है:

• गणना के लिए आपको एक जटिल गणितीय उपकरण का उपयोग करने की आवश्यकता नहीं है;
• संकेतकों की गणना अपेक्षाकृत सरल सूत्र का उपयोग करके की जाती है;
• आप डेटा के लिए जटिल पाइपलाइनों के बिना कर सकते हैं;
• सभी इष्टतम मॉडल पैरामीटर स्वचालित रूप से चुने गए हैं।

इसके अलावा, RFM डेटा की व्याख्या करना आसान है। उपयोगकर्ता के इतिहास का अध्ययन, कोई यह समझ सकता है कि उसके पास "जीवन" की इतनी संभावना क्यों है। अक्सर, जब अधिक जटिल तरीकों के साथ काम करते हैं, तो विशिष्ट निष्कर्ष निकालना अधिक कठिन होता है।

RFM के नुकसान भी हैं। सबसे पहले , यह सबसे सटीक तरीका नहीं है। यह अच्छी तरह से काम करता है, लेकिन गणना में कई मापदंडों का उपयोग नहीं किया जाता है। उदाहरण के लिए, आदत से बाहर ब्याज खोने के लिए शुरू करने वाले कई उपयोगकर्ता गेम में प्रवेश करते हैं। यही है, प्रति दिन गेमिंग सत्रों की औसत संख्या कम हो जाती है, और पुन: प्रविष्टियों की आवृत्ति नहीं बदलती है।

दूसरे , विधि उपयोगकर्ता की गतिविधि को ध्यान में नहीं रखती है: उसने कितने संसाधन स्थानांतरित किए, चाहे उसने दुश्मन पर हमला किया, या सैनिकों को बनाया। अगर हम सभी खिलाड़ियों को ~ 0.8 के बराबर "जीवन" की संभावना के साथ लेते हैं, तो मापदंडों और उनके इतिहास के आधार पर, सक्रिय लोगों के अलावा, हर तीन दिनों में प्रवेश करने वाले लोग होंगे।

तीसरा , जब वह खेल फिर से शुरू करता है तो दिवंगत उपयोगकर्ता "जीवित" हो जाता है। अंतिम लॉगिन के एक महीने बाद उसे क्या करना है। इस तरह की स्थितियों से सत्रों के बीच बड़े ठहराव वाले खिलाड़ियों का पता लगाने में कठिनाई होती है। सामान्य तौर पर, यह महत्वपूर्ण नहीं है, हालांकि यह एक निश्चित असंतुलन का परिचय देता है जब हम यह समझने की कोशिश करते हैं कि उपयोगकर्ता "जीवित" है या नहीं।

क्या तंत्रिका नेटवर्क का उपयोग करना बेहतर नहीं है?

बेहतर, लेकिन सबसे पहले, आपको यह समझने की आवश्यकता है कि परियोजना को कैसे लागू किया जाए: बड़े पैमाने पर कार्यों को एक स्नैप के साथ हल करना या धीरे-धीरे लक्ष्य की ओर बढ़ना।

जब गणना की जाती है तो RFM विश्लेषण उपयोगकर्ता के "जीवन" की संभावना को दर्शाता है। हम समझ नहीं पाएंगे कि खिलाड़ी दो या तीन सप्ताह में निकल जाएगा या नहीं, और तंत्रिका नेटवर्क सक्षम हो जाएगा। पूरे बुनियादी ढांचे को देखते हुए, खरोंच से खिलाड़ियों के व्यवहार का विश्लेषण करने के लिए इस तरह की एक एकीकृत प्रणाली बनाना अधिक कठिन है। इसके अलावा, आपको एक आधार रेखा की आवश्यकता है, जिसके साथ आप तंत्रिका नेटवर्क की गुणवत्ता की तुलना कर सकते हैं। यदि आप ताकत की गणना नहीं करते हैं तो इस तरह के दृष्टिकोण से वित्तीय नुकसान होने की संभावना है।

हमारा अनुभव बताता है कि वैश्विक कार्यों को धीरे-धीरे लागू करने की आवश्यकता है। एक कामकाजी प्रोटोटाइप बनाना मुश्किल नहीं है, लेकिन डेटा इकट्ठा करना और प्रसंस्करण करना, तंत्रिका नेटवर्क को स्थापित करना और प्रशिक्षण देना एक और मामला है। ये प्रक्रिया लंबे समय तक चल सकती है, जिसमें हमेशा कमी रहती है।

यही कारण है कि हमने पहले एक सरल मॉडल का उपयोग करने का फैसला किया: हमने अनुसंधान किया, पेशेवरों और विपक्षों की पहचान की, और इसे काम में परीक्षण किया। परिणाम हमारे अनुकूल हैं। आरएफएम में खामियां हैं, लेकिन वे आसानी से उपयोग में आसानी से ऑफसेट हैं। और तंत्रिका नेटवर्क सिस्टम को बेहतर बनाने की दिशा में अगला कदम है।