Diretrizes para construção de modelos preditivos de abandono de usuário em jogos móveis

Abstract

A previsão de abandono é uma atividade essencial para antecipar a intenção do consumidor de descontinuar um serviço, permitindo ao fornecedor do serviço a aplicação de ações proativas de retenção e fidelização. Como a previsão de abandono é bastante dependente do domínio de aplicação, tem-se usado técnicas de Domain Driven data Mining (D3M) e Behavior Scoring (BS) com sucesso em indústrias consolidadas como telecomunicações, crédito e varejo, por exemplo. Em indústrias mais recentes, como a de jogos para dispositivos móveis (jogos móveis), a aplicação de mineração de dados para previsão do abandono de jogadores ainda é incipiente. Os trabalhos identificados na revisão de literatura aplicam metodologias genéricas, baseadas na mineração de dados tradicional orientada a dados, e frequentemente toma decisões ad hoc. Não há uma discussão profunda sobre as especificidades do domínio de jogos e seus possíveis impactos no modelo preditivo, assim como não há ainda diretrizes claras que possam ajudar na construção de tal modelo. Para avançar no estado da arte em jogos móveis, começamos por tentar responder às seguintes questões: Quais as principais especificidades dessa indústria relevantes para a modelagem do problema? Como essas especificidades podem ser tratadas no processo de construção do modelo preditivo? Qual o peso dessas características, e seus possíveis tratamentos, não desempenho da previsão? A solução proposta é generalizável para outros jogos dentro do mesmo domínio? As respostas para essas questões são fundamentais porque fornecem diretrizes para construção de modelos preditivos para o abandono de jogadores seguindo as abordagens de D3M e BS. Para responder tais questões, além dos estudos na literatura, nós realizamos o planejamento, a execução e a avaliação de um projeto experimental de previsão de abandono em jogos para dispositivos móveis em 3 bases de dados reais com 201.146 jogadores. Os experimentos levaram em consideração possíveis tratamentos para desafios identificados e seus efeitos no desempenho do modelo preditivo. Nosso estudo empreendeu uma análise crítica da construção de modelos preditivos que ajudarão os desenvolvedores e pesquisadores a criar melhores soluções para o abandono de jogadores em jogos móveis.