iGaming 玩家流失率：衡量、预测与降低

先定义流失，再计数

把下面四件事一次定下来，并写成文字。

1. 活跃事件。投注或存款比登录更可靠，因为玩家登录可能只是查余额或取款。
2. 范围。整个账户，还是单个产品。一位从老虎机转到体育的玩家，流失的是赌场产品，而不是品牌。
3. 窗口期。30、60 或 90 天不活跃。
4. 对象群体。至少有过一次存款的玩家。只注册、没有存款的，属于新手引导和首存分析。

Merchie 和 Ernst 在一项研究中使用了比利时在线博彩公司 Gaming1 的数据，采用的是一个具体的版本：玩家连续 35 天没有活动，即为流失者。只要玩家当天至少有一次游戏会话、一注体育投注或一笔存款，这一天就算活跃。要借鉴的是做法，而不是数值：一个明确的活跃事件，一个明确的阈值。

区分两种状态。短暂沉默是指触发一条消息的短期沉默。流失是长期沉默，例如 90 天，它是你汇报的那个数字。超过不活跃阈值的玩家是沉睡玩家。让沉睡玩家回来是另一项任务，见玩家召回活动。

计算流失率和价值流失

计算需要一个基期和一个观察期。

三条规则让数字保持可信。

• 分子和分母使用同一批玩家。2 月份的新注册玩家不进入计算。
• 同时汇报短窗口的沉默率和长窗口的流失率。这 7,000 人中，有些会在 3 月回来。
• 按玩家群组拆分：注册月份、获客渠道、首存金额和首次玩的产品。方法见 iGaming 群组分析。

流失率和留存率是同一项测量的两个侧面。参见流失率词条。

按价值加权

一个固定的比例，会把每月存 €10 的玩家和高价值常客一视同仁。价值流失纠正了这一点。如果 35% 的玩家流失，但他们只贡献了 12% 的 NGR，问题就比看上去小。如果贡献了 30%，你损失的就是核心收入。

要用 NGR 而不是 GGR，因为奖金成本可以把一位很活跃的玩家变成亏损。区别见 NGR 与 GGR。

把偏高的数字放进自己的历史中看

只有活跃事件、窗口期和对象群体都一致，流失数字才可比较。不要看外部基准，用下面这些检查。

• 冻结定义后看自己的趋势。连续两三个可比周期上升几个百分点，就是信号。
• 群组曲线。如果新群组在相同的账龄上比老群组流失得更快，说明获客质量、新手引导、产品或奖金政策变了。
• 价值流失与人数流失对比。
• 季节性。大型体育赛事、发薪周期和节假日都会改变活跃度。要拿同类时段比较。

找出早期信号

玩家很少一夜之间消失。行为先衰减，留存工作可以在衰减阶段介入。把这些信号变成数字，并在你自己的数据上检验。

表格可左右滑动 →

关键的信号是相对该玩家自己历史的变化。每周玩一次的玩家和每天玩的玩家，正常间隔不同。

原因因运营商而异，所以把这些当作待检验的假设。常见的有：没有二存、靠奖金获客、依赖某一个联赛或赛事、支付和验证环节有摩擦、消息不相关，以及竞争对手的优惠。要弄清你的玩家库里哪些因素占主导，就按生命周期阶段画出玩家在哪里流失，方法见玩家生命周期管理。

预测谁会离开

“30 天没下注”这样的规则，只在玩家已经离开之后才起作用。模型则在玩家仍然活跃时给他们打分，因此修复或消息可以更早送达，有限的预算也能花在合适的玩家身上。

定义预测目标

目标有三个参数。把它们弄错，是建模最常见的错误。

• 历史窗口：模型回看多远，例如 60 天。
• 流失定义：不活跃 N 天。
• 预测期：向前预测多远。Merchie 和 Ernst 的研究中，模型读取 60 天的历史，预测未来 30 天的流失。

只给打分当天仍然活跃的玩家打分。预测一位沉睡玩家处于沉睡状态，毫无意义。

选择特征和模型

从信号表出发。近期性（距上次投注和上次存款的天数）、频率（每周的会话数和存款数）、价值（投注额、存款、NGR）、趋势（最近 14 天对比前 14 天）、产品组合、支付事件、奖金占比、客服联系、消息互动和账龄。

先用带正则化的逻辑回归。它速度快，CRM 经理看得懂，还能设定一条基线，其他模型必须超过它。然后试梯度提升树。序列模型则直接从每日时间序列中学习。

Merchie 和 Ernst 在 Gaming1 的数据上使用了循环网络。他们的结果给出了现实的预期。

• 测试样本中约 22% 是流失者。
• 三种循环单元对流失类别的精确率达到 0.62 至 0.64，召回率为 0.49 至 0.61。准确率约 0.83。
• 类别不平衡时，只看准确率会产生误导。在这样的划分下，对所有人都回答“不流失”的模型也能得到约 78%。

这个模型对玩家的排序足够有用。但对相当一部分玩家，它也是错的。

像验证预测一样验证模型

• 按时间划分。用较早的日期训练，用较晚的日期测试。随机划分会把未来的行为泄漏进训练。
• 检查泄漏。任何使用了打分日期之后信息的特征，都会让模型看上去很强，上线后却失效。
• 使用排序类指标。在你将使用的截断点上衡量精确率和召回率，并看最高十分位提升：得分最高的 10% 玩家的流失率比平均水平高出多少。
• 检查校准。如果模型说 70%，这些玩家中应有约 70% 流失。
• 为漂移做准备。同一项研究中，作者发现训练窗口短于约一年时，流失事件的召回率开始下降。他们还观察到指标在两次一次性事件前后出现偏移：2020 年 3 月运营商因法律原因停用了几类奖金，2020 年 6 月赌场有几天无法访问。每月复查一次，任何重大产品或奖金变化之后也要复查。

模型告诉你谁可能离开。它不会告诉你谁会对一条消息产生反应。有些高风险玩家无论如何都会流失，有些不联系也会留下，还有少数会被打扰到反感。提升建模（uplift modelling）处理的正是这个问题。Gutierrez 和 Gérardy 把它定义为用于建模某项行动或干预对客户结果的增量影响的一组技术。不用提升模型也可以开始，但你必须有对照组。

干预并证明效果

让行动匹配原因

• 先修复摩擦。存款失败、取款缓慢和验证延迟，修复起来比补偿便宜。把这些玩家转给客服，不要给他们推促销。
• 按行为触发。当间隔超过该玩家自己的常态时联系他，而不是对所有人都在第 30 天联系。更完整的做法见玩家留存策略。
• 把优惠与玩家使用的产品挂钩。用针对产品的优惠，与通用的补充奖金做测试。
• 依据证据轮换渠道。如果玩家无视某个渠道，再发第四封邮件不是办法。
• 限制对奖金的依赖。大幅折扣会抬高本月活跃，同时让玩家学会等待下一次优惠。比较扣除奖金成本之后的 NGR。
• 给高价值玩家一位来自 VIP 或留存团队的专属联系人。长尾玩家则自动化处理。

做对照组测试

报告“30% 收到消息的玩家回来了”什么也证明不了，因为其中一部分本来就会回来。

1. 在活动之前界定符合条件的受众，例如高于风险截断点、仍然活跃且未被屏蔽的玩家。
2. 从这批受众中随机分出对照组。玩家库越小，需要的比例越大。
3. 只对其余的玩家实施干预。对照组不会收到这个项目的任何消息。
4. 在固定窗口期内，比较回归率、人均存款，以及扣除奖金和活动成本之后的人均 NGR。
5. 汇报差值；如果数据量允许，附上置信区间。

有四件事会破坏测试。

• 对照组是人工挑选的，或在价值上与实验组不同。先随机，再核对历史 NGR 和账龄。
• 对照组被其他活动污染。多个项目同时运行时，保留一个长期有效的全局对照组。
• 窗口期过短。奖金可能只是把一次存款提前，并没有增加存款。要看 30 到 60 天。
• CRM 与 PAM 中的玩家 ID 不一致。受众、ID 和 NGR 必须在上线前完成对账。

如果无法设置真正的对照组，可以用匹配的历史群组作为较弱的替代，并且必须标明这是估算。你可以用活动经济性计算器事先对群组的经济性建模。