论文简介
与一次性出售游戏以盈利的游戏不同，网络游戏通过大量玩家在游戏内的消费来盈利。因此，客户终身价值 (CLTV) 对于游戏公司改进营销决策和增加游戏收入尤为重要。如今，随着虚拟游戏世界变得越来越创新、复杂和多样化，海量玩家的CLTV具有高度个性化。也就是说，不同的玩家可能有非常不同的CLTV模式，尤其是在流失和支付方面。然而，当前的解决方案在个性化方面是不够的，因此限制了预测性能。
首先，大多数方法只是试图解决 CLTV 的任一项任务，即流失或支付，并且只考虑其中之一的个性化。其次，客户流失与支付之间的相关性还没有得到足够的重视，其个性化还没有得到充分的探索。最后，围绕这条线的大多数解决方案都是基于历史数据进行的，如果没有真实世界的测试，评估就不够有说服力。
为了解决这些问题，我们提出了一个通用系统来预测在线游戏中的个性化客户生命周期价值，名为perCLTV。具体来说，我们以顺序门控多任务学习方式从流失预测和支付预测这两个子任务中重新审视个性化CLTV预测问题。在此基础上，我们开发了一个通用框架，通过异构玩家行为数据对不同类型游戏的CLTV进行建模，包括个体行为时序数据和社会行为图数据。
在三个真实世界数据集上的综合实验验证了perCLTV 的有效性和合理性，其性能明显优于其他基线方法。我们的工作已经在网易游戏发布的多款网络游戏中得到实施和部署。生产中的在线A/B测试表明，perCLTV在弹窗推荐和流失干预两个精准营销应用上取得了显着提升。
论文地址
https://dl.acm.org/doi/abs/10.1145/3530012
