User lifetime value prediction using machine learning in a free-to-play mobile game (2020)
- Authors:
- USP affiliated authors: SANTOS, GILBERTO VILAR DE CARVALHO - EP ; AFONSECA, MARCELO DE AVILA - EP
- Unidade: EP
- Sigla do Departamento: PMR
- Subjects: APRENDIZADO COMPUTACIONAL; JOGOS
- Language: Inglês
- Abstract: Na crescente indústria de jogos para celular, o modelo de negócios Freemium se tornou bastante popular, permitindo que indivíduos baixem e joguem gratuitamente, tendo a opção de gastar dinheiro em itens virtuais no aplicativo, se desejarem. Portanto, identificar e reter os usuários com altos gastos tornou-se crucial para as empresas de desenvolvimento de jogos maximizarem os lucros, uma vez que uma pequena parcela dos jogadores gera a maior parte das receitas. Nesse contexto, o Lifetime Value (LTV) é a métrica mais usada para identificar esses usuários e direcionar o orçamento de marketing em um cenário de tomada de decisões de negócios. Nesta tese, é realizada uma análise completa de um conjunto de dados real do jogo para celular Castle Crush. O conjunto de dados foi fornecido pela empresa brasileira Wildlife Studios. Os resultados são uma análise exploratória de dados seguida por insights acionáveis e uma comparação consolidada de vários algoritmos de Aprendizado de Máquina usados para criar um modelo de previsão de LTV. O estudo mostra que as características mais importantes para a previsão do LTV são diretamente relacionadas às compras (número de compras e receita líquida por compra), o que está de acordo com a literatura. Features estáticas relacionadas aos usuários têm baixa correlação com LTV de longo prazo, mas foram úteis na elaboração dos modelos de regressão e forneceram percepções interessantes para a empresa. Eventos e ações no jogo, como iniciar ou vencer batalhas, também mostraram baixa correlação com a variável alvo em estudo. Por fim, em relação aos algoritmos aplicados, os modelos Lasso, Ridge e Multilayer Perceptron (MLP) foram os que apresentaram melhor desempenho em quase todas as métricas de erro, com o Lasso se destacando por seu alto desempenho com usuários pagantes e por sua baixa complexidade.
- Imprenta:
-
ABNT
SANTOS, Gilberto Vilar de Carvalho e AFONSECA, Marcelo de Avila. User lifetime value prediction using machine learning in a free-to-play mobile game. 2020. Trabalho de Conclusão de Curso (Graduação) – Escola Politécnica, Universidade de São Paulo, São Paulo, 2020. Disponível em: https://bdta.abcd.usp.br/directbitstream/b4f581f2-8409-439a-ab8a-6ac234e24807/GILBERTO%20VILAR%20DE%20CARVALHO%20SANTOS%20TCC20.pdf. Acesso em: 24 mar. 2025. -
APA
Santos, G. V. de C., & Afonseca, M. de A. (2020). User lifetime value prediction using machine learning in a free-to-play mobile game (Trabalho de Conclusão de Curso (Graduação). Escola Politécnica, Universidade de São Paulo, São Paulo. Recuperado de https://bdta.abcd.usp.br/directbitstream/b4f581f2-8409-439a-ab8a-6ac234e24807/GILBERTO%20VILAR%20DE%20CARVALHO%20SANTOS%20TCC20.pdf -
NLM
Santos GV de C, Afonseca M de A. User lifetime value prediction using machine learning in a free-to-play mobile game [Internet]. 2020 ;[citado 2025 mar. 24 ] Available from: https://bdta.abcd.usp.br/directbitstream/b4f581f2-8409-439a-ab8a-6ac234e24807/GILBERTO%20VILAR%20DE%20CARVALHO%20SANTOS%20TCC20.pdf -
Vancouver
Santos GV de C, Afonseca M de A. User lifetime value prediction using machine learning in a free-to-play mobile game [Internet]. 2020 ;[citado 2025 mar. 24 ] Available from: https://bdta.abcd.usp.br/directbitstream/b4f581f2-8409-439a-ab8a-6ac234e24807/GILBERTO%20VILAR%20DE%20CARVALHO%20SANTOS%20TCC20.pdf
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
GILBERTO VILAR DE CARVALH... | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
