論文の概要: On Analyzing Churn Prediction in Mobile Games
- arxiv url: http://arxiv.org/abs/2104.05554v1
- Date: Mon, 12 Apr 2021 15:22:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-13 14:00:16.418525
- Title: On Analyzing Churn Prediction in Mobile Games
- Title(参考訳): モバイルゲームにおけるチャーン予測の分析について
- Authors: Kihoon Jang, Junwhan Kim, Byunggu Yu
- Abstract要約: 本稿では,高精度なチャーン予測手法を提案する。
論文で示したように、このアプローチは実際のゲームビジネスにおいて96.6%のチャーン予測精度を達成できた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In subscription-based businesses, the churn rate refers to the percentage of
customers who discontinue their subscriptions within a given time period.
Particularly, in the mobile games industry, the churn rate is often pronounced
due to the high competition and cost in customer acquisition; therefore, the
process of minimizing the churn rate is crucial. This needs churn prediction,
predicting users who will be churning within a given time period. Accurate
churn prediction can enable the businesses to devise and engage strategic
remediations to maintain a low churn rate. The paper presents our highly
accurate churn prediction method. We designed this method to take into account
each individual user's distinct usage period in churn prediction. As presented
in the paper, this approach was able to achieve 96.6% churn prediction accuracy
on a real game business. In addition, the paper shows that other existing churn
prediction algorithms are improved in prediction accuracy when this method is
applied.
- Abstract(参考訳): サブスクリプションベースのビジネスでは、チャーンレートは、所定の期間内にサブスクリプションを終了する顧客の比率を指す。
特にモバイルゲーム業界では、高い競争力と顧客獲得コストのために、チャーンレートがしばしば発音されるため、チャーンレートを最小化するプロセスが不可欠である。
これは、特定の時間内に混乱するユーザーを予測し、混乱する予測を必要とする。
正確なチャーン予測は、ビジネスがチャーンレートを低く維持するために戦略的修復を考案し、関与することができる。
本稿では,高精度なチャーン予測手法を提案する。
本手法は,各ユーザの個別利用期間を考慮し,チャーン予測を行うように設計した。
論文で示したように、このアプローチは実際のゲームビジネスにおいて96.6%のチャーン予測精度を達成できた。
また,既存のチャーン予測アルゴリズムは,この手法を適用した場合の予測精度が向上することを示す。
関連論文リスト
- Early Churn Prediction from Large Scale User-Product Interaction Time
Series [0.0]
本稿では,歴史的データを用いたユーザチャーン予測に関する徹底的な研究を行う。
我々は,顧客満足度予測モデルを作成し,企業の誘惑傾向の理解と効果的な保留計画の策定を促進することを目的としている。
論文 参考訳(メタデータ) (2023-09-25T08:44:32Z) - Causal Analysis of Customer Churn Using Deep Learning [9.84528076130809]
顧客チャーン(Customer Churn)は、ビジネスとの関係を終了するか、特定の期間における顧客エンゲージメントを減少させる。
本稿では,ディープフィードフォワードニューラルネットワークを用いた分類手法を提案する。
また,顧客を混乱させる原因を予測するための因果ベイズネットワークを提案する。
論文 参考訳(メタデータ) (2023-04-20T18:56:13Z) - Estimating defection in subscription-type markets: empirical analysis
from the scholarly publishing industry [0.0]
本稿では,学術出版業界における顧客チャーン予測の実証的研究について紹介する。
本研究は,6.5年間の顧客定期購読データに対する予測手法について検討した。
このアプローチは、ビジネス対ビジネスのコンテキストにおいて、正確かつ一意に有用であることを示します。
論文 参考訳(メタデータ) (2022-11-18T01:29:51Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2022-06-28T03:28:15Z) - What Should I Know? Using Meta-gradient Descent for Predictive Feature
Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。
この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。
本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文 参考訳(メタデータ) (2022-06-13T21:31:06Z) - Predicting user demographics based on interest analysis [1.7403133838762448]
本稿では,システム内のユーザによって登録されたレーティングに基づいて,ユーザの人口動態を予測する枠組みを提案する。
ユーザによって登録されたすべてのレーティングを使用することで、これまで検討されたモデルと比較して、予測精度が少なくとも16%向上する。
論文 参考訳(メタデータ) (2021-08-02T16:25:09Z) - Private Prediction Sets [72.75711776601973]
機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。
これら2つのデシラタを共同で扱う枠組みを提案する。
本手法を大規模コンピュータビジョンデータセット上で評価する。
論文 参考訳(メタデータ) (2021-02-11T18:59:11Z) - On the Reproducibility of Neural Network Predictions [52.47827424679645]
そこで本研究では, チャーン問題について検討し, 原因因子を同定し, 緩和する2つの簡単な方法を提案する。
最初に、標準的な画像分類タスクであっても、チャーンが問題であることを示す。
我々は,予測信頼度を高めるために,エントロピー正規化器を提案する。
両手法の有効性を実証的に示し, 基礎モデルの精度を向上しながら, チャーン低減効果を示す。
論文 参考訳(メタデータ) (2021-02-05T18:51:01Z) - Optimal Robustness-Consistency Trade-offs for Learning-Augmented Online
Algorithms [85.97516436641533]
機械学習予測を取り入れたオンラインアルゴリズムの性能向上の課題について検討する。
目標は、一貫性と堅牢性の両方を備えたアルゴリズムを設計することだ。
機械学習予測を用いた競合解析のための非自明な下界の最初のセットを提供する。
論文 参考訳(メタデータ) (2020-10-22T04:51:01Z) - AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。
最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。
さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
論文 参考訳(メタデータ) (2020-06-24T23:13:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。