Jak prognozować przychody w grach i aplikacjach mobilnych?

Czym jest trend wielomianowy? Na czym polega autoregresja? Czym są modele ARMA i ARIMA? W jaki sposób powinieneś prognozować przychody w swojej grze mobilnej?

5 metod predykcji przychodów w aplikacjach i grach mobilnych

Prognozowanie przychodów jest jednym z najważniejszych problemów, jakie analitycy i marketingowcy rozwiązują w celu optymalizacji strategii dla aplikacji i gier mobilnych. Zadanie to można sformułować na wiele różnych sposobów: “ile pieniędzy zarobimy do końca roku?”, “Która funkcja (A lub B) przyniesie nam więcej zysków?”, “Czy wejście na nowy rynek ma sens komercyjny?” i tak dalej. Bez względu na to, czym jest samo w sobie pytanie, dotyczy ono zawsze patrzenia w przyszłość, przez co mogą pojawić się pewne nieścisłości.

W tym artykule Vasiliy Sabirov, główny analityk u naszych partnerów w devtodev (narzędzie do analityki w aplikacjach i grach mobilnych), dzieli się 5 sprawdzonymi wskazówkami dotyczącymi sporządzania dokładnych prognoz przychodów.

Metoda 1. Wyłącznie matematyka

Istnieją pewne narzędzia matematyczne, które pozwalają na rozwiązanie zadania prognostycznego.

TRENDY I SEZONOWOŚĆ

Trendy wielomianowe mogą być zawiłe. Są one bardzo dobre – czasem nawet lepsze niż wszystkie inne metody – przy powtarzaniu dostępnych danych. Jednak jeśli chodzi o prognozowanie, są one zazwyczaj dość burzliwe. W zależności od stopnia wielomianu, ogon wykresu (sama prognoza) może zginąć się jakimś kierunku. Im wyższy stopień, tym większa elastyczność wykresu oraz prawdopodobieństwo, że zginie się on w niewłaściwym kierunku.
Najprostszym sposobem zrozumienia dynamiki jest…. zwykły trend liniowy! Po prostu pokazuje, czy przychody są wyższe czy niższe, a także określa tempo tych zmian. Jest to absolutnie wystarczające dla zrozumienia kierunku rozwoju. Nie jest to jednak wystarczające do sporządzenia dokładnej prognozy.
Wykorzystaj dane z odpowiedniego okresu czasu do wykonania prognozy. Wszystko ma cykl życia, a projekty internetowe nie są tu wyjątkiem. Nie ma zatem sensu przewidywania za pomocą trendu liniowego, który obejmuje wszystkie dane od samego początku projektu: istnieje po prostu zbyt wiele rzeczy, które się od tego czasu zmieniły. Rozsądne jest określenie kilku etapów projektu, zrozumienie przyczyn przejścia z jednego etapu do drugiego i przygotowanie prognozy opartej na danych z ostatniego etapu. Czy pamiętasz siebie 5 lub 10 lat temu? Wtedy nie każdy z nas byłby w stanie wyobrazić sobie siebie w 2017 roku. To samo w sobie pokazuje, dlaczego tak ważny jest podział okresów czasowych na segmenty.

AUTOREGRESJA

Autoregresja okazuje się być dokładniejszą metodą niż trend i sezonowość. Budujesz w niej model regresji przychodu opartego na wartości przychodu dla jednego, dwóch lub poprzednich ilukolwiek okresów.
Pozwala ujawnić ukryte wzorce w danych, których nie można znaleźć za pomocą ani trendów, ani sezonowości. Im więcej okresów używasz podczas budowania regresji, tym dłuższy okres regresji może mieć Twoja prognoza.
Powiedzmy, że masz dane o przychodach za każdy dzień poprzedniego roku. W takim wypadku możesz sporządzić prognozę dla każdego z 30 dni następnego miesiąca poprzez dodanie 30 zmiennych do modelu regresji.

ARMA & ARIMA

Zwróć uwagę na fakt, że modele ARMA & ARIMA są wynikami rozwoju modelu regresji. Właściwie to “AR” w ich nazwach oznacza „Autoregresywny”. MA natomiast oznacza „Średnią ruchomą”, co oznacza, że modele te zagłębiają się w dane i lepiej ujawniają ich wewnętrzne lepsze wzornictwo. Mogą być one trudne do wdrożenia w Excelu (choć są pewne dodatki powstałe tym celu), ale całkowicie możliwe. Zalecam korzystanie z narzędzi statystycznych takich jak SPSS lub Statistica. Zalecenia te opierają się jednak jedynie na moim osobistym doświadczeniu z tymi narzędziami.
Zwykle ARMA i ARIMA pozwalają na dokładniejsze prognozy, niż prosta autoregresja. Wzrost dokładności nie jest jednak tak drastyczny, jak w przypadku porównania autoregresji z trendami i sezonowością. Tak więc, dla szybkiej prognozy nie ma za bardzo powodu, aby spędzać czas nad ARMA i ARIMA.

MODELE REGRESJI

Regresja jest dość uniwersalną metodą. Ma on istotną przewagę nad seriami czasowymi: w przypadku serii czasowych, które zawierają prognozy oparte tylko na wartości przychodów z poprzednich serii, podczas gdy w modelu regresji uwzględnia się również inne wskaźniki.
Istnieje kilka sposobów obliczania przychodów. Przychód może na przykład równać się “bazie użytkowników” mnożonej przez ARPU (średni przychód od użytkownika). Audiencja jest metryką ilościową mówiącą wiele o skali projektu i wpływa na nią również ruch. Przychody od użytkownika są natomiast metryką jakościową: pokazują one skłonność użytkowników do wydania pieniędzy. Wskaźniki te mogą i powinny być brane pod uwagę i przewidywane oddzielnie, ponieważ zachowują się inaczej i wpływają na nie inne czynniki.
Podobne rozumowanie można przeprowadzić poprzez przyjrzenie się innej formule przychodów: ilość płacących użytkowników pomnożona przez średnie przychody pochodzące od użytkownika płacącego (ARPU). Teoretycznie można zastosować regresję w stosunku do wszystkich wskaźników, które masz.

Tutaj mogę udzielić następujących rad:

• Jeśli jest to możliwe (w Excelu nie zawsze), użyj tylko istotnych zmiennych podczas budowania modelu. Jeśli masz do dyspozycji setki wskaźników, niekoniecznie oznacza to, że wszystkie powinny być użyte w ostatecznym równaniu.
• Wskaźniki wejściowe powinny być maksymalnie niezależne od siebie nawzajem i słabo skorelowane. W przeciwnym razie istnieje ryzyko uzyskania niepewnych wyników (które będą dobre w przypadku powtarzania danych wejściowych, ale wytworzą dziwne wartości przy prognozowaniu).
• Jeśli uczyłeś się o regresji na studiach, prawdopodobnie pamiętasz straszne słowo “heteroskedastyczność“. O tym właśnie będziemy rozmawiać i, choć może tak brzmieć, nie jest to takie straszne! Jeśli zrobiłeś wszystko dobrze, to patrząc na wykres z pozostałościami, nie będzie można o nim nic powiedzieć: będzie tam nieprzewidywalna wartość losowa, której matematyczne oczekiwanie wynosi zero. Jeśli widzisz jakąś regularność (powiedzmy sinusoid), możliwe, że natknąłeś się na heteroskedastyczność. Oznacza to, że nie uwzględniłeś całej logiki dystrybucji danych. W takim przypadku należy zmienić równanie regresji poprzez dodanie do niego równania nieksięgowego (w naszym przypadku – sinusoidy).

NIESTANDARDOWE METODY

W rzeczywistości serie czasowe i regresja nie są jedynymi możliwymi sposobami prognozowania przychodów. W zależności od potrzeb, zawsze można zbudować własne modele, zaprojektowane specjalnie dla danego projektu.
Podam Wam przykład modelu, który osobiście lubię budować:

• Po pierwsze, możemy obliczyć, ilu użytkowników jest w pierwszym, drugim, trzecim miesiącu itd., patrząc od chwili obecnej.
• Po drugie, możemy obliczyć odsetek użytkowników, którzy są aktywni w drugim miesiącu, jak również odsetek użytkowników, którzy przechodzą od drugiego do trzeciego miesiąca i tak dalej.
• Wreszcie możemy obliczyć średnią sumę jaką użytkownik, który znajduje się w N-tym miesiącu, wydał podczas miesiąca. Innymi słowy, ARPU (Średni przychód z użytkownika).

Masz wystarczająco dużo informacji, aby zbudować taki model: wiesz, jak Twoi użytkownicy przechodzą z jednego miesiąca do drugiego miesiąca i ile płacą. Przy okazji, możliwe jest wykonanie obliczeń na podstawie roku, tygodnia a nawet dnia (choć, szczerze mówiąc, nie próbowałem z podstawą dnia). Może to być dowolny okres, który odpowiada Twoim potrzebom – w zależności od tego, jak długo użytkownicy zazwyczaj poświęcają Twojemu projektowi.
Ten model pomaga zaplanować napływ na podstawie ruchu. Wystarczy po prostu zwiększyć liczbę nowych użytkowników dla danego miesiąca.

Metoda 2. Okres płatności za ruch

Zdarza się, że projekty na wczesnym etapie realizacji w dużym stopniu zależą od nowych użytkowników. Oznacza to, że projekt jest opłacalny tylko wtedy, gdy nowi użytkownicy ciągle do niego przychodzą. Dlatego właśnie wszystkie podpowiedzi powyżej są bezużyteczne, jeśli nie wiesz, kiedy i ile ruchu przyciągniesz.
Tak więc byłoby wspaniale, gdybyście mogli zbudować krzywą z skumulowanym przychodem z ruchu na bazie dni: ile średnio użytkownik przynosi pieniędzy w ciągu pierwszego, drugiego oraz trzeciego dnia, tygodnia, pierwszego miesiąca itd. Jest to wartość, której granicą jest LTV. Kiedy znasz swoje skumulowane przychody, możesz dokładniej prognozować przychody w oparciu o termin i jak wielu posiadasz użytkowników, jak również obliczyć wartość zwrotu z ruchu.

Metoda 3. Prognozy eksperckie

Poniższa wskazówka jest najbardziej przydatna w sytuacjach, gdy planujesz zmiany, które mogą mieć duży wpływ na przychody. Nie oznacza to jednak, że nie można z niej korzystać, gdy wpływ jest mniej zauważalny.
Powiedzmy, że jako developer aplikacji mobilnych przygotowujesz się do wydania nowych treści, funkcji, typu subskrypcji lub czegokolwiek innego w aplikacji mobilnej. Dobrze jest najpierw zapytać osoby, które są zaangażowane w przygotowania (menedżer projektu, designer gry, producent, marketer) o wpływie tych zmian na przychody. Jako analityk danych będziesz wtedy w stanie sporządzić wiarygodną prognozę, łącząc w jedną całość ewaluacje ekspertów i dokładne obliczenia.
Można to zrobić w następujący sposób: co miesiąc pytacie określone grupy współpracowników o ich oczekiwania co do przychodów na kolejny miesiąc. Gromadząc dane o ich ocenach oraz rzeczywistych przychodach będziesz mógł posortować ich opinie według adekwatności (a później nawet wykluczyć niektóre grupy).
Na przykład możesz zauważyć, że producent ma tendencję do zawyżania oczekiwanych przychodów, podczas gdy inni są zbyt skromni w swoich ocenach. Prawda leży natomiast gdzieś pośrodku, a wcześniej zebrane dane pokażą, gdzie dokładnie. Ponadto jest to bardzo dobry sposób na naukę o planowanych zmianach z pierwszej ręki.
Dodaj do procesu zakłady! Spowoduje to zwiększenie zaangażowania współpracowników.
Oczywiście nie potrzebujesz moich wyjaśnień na temat tego, jak postawić zakłady. Ważne jest, aby grać w taką gierkę regularnie, wspólnie z kluczowymi członkami zespołu – zwiększy to zrozumienie prognozowanych przychodów i pozwoli każdemu odnaleźć logiczny związek między własnymi działaniami a wartością wskaźnika.
Co więcej, taka gra pomaga zrozumieć, dlaczego twoja prognoza nie pokrywała się z rzeczywistymi przychodami: być może nie uwzględniłeś wszystkich niezbędnych czynników?

Metoda 4. Analiza wszystkich zmian

Jeśli chcesz lepiej zrozumieć swój projekt, użytkowników aplikacji i strukturę przychodów, polecam analizować wszystkie zmiany od samego początku użytkowania produktu. W tym celu najlepiej prowadzić rejestr wszystkich opublikowanych funkcji, co pomoże podejmować bardziej dokładne i świadome decyzje.
Będzie moment, w którym zauważysz, że niektóre zmiany w Twojej aplikacji lub grze mobilnej znacznie zwiększają przychody i związane z nimi wskaźniki, podczas gdy inne nie przynoszą niczego. W rezultacie będziesz miał możliwość dokładniejszego prognozowania przychodów z nowych funkcji poprzez porównanie ich z podobnymi zmianami w przeszłości.
Warto teraz przywołać teorię Bayes. Zagłębiając się w jego metody szybko zrozumiecie, że są to i dobre, i złe wieści.
Dobre wieści. Biorąc pod uwagę wszystkie “ale” prognozując przychody czyni prognozę znacznie dokładniejszą.
Złe wieści. Nie da się wziąć pod uwagę wszystkich “ale”.
Nie jest to jednak powód do rozpaczy, wystarczy wziąć pod uwagę wszystkie czynniki, które udało Ci się wymyślić i sformalizować. Podczas gdy zestaw czynników będzie wzrastał, złożoność prognozy również będzie rosła, a w rezultacie wzrośnie i jej dokładność.
Powiedzmy, że przygotowujesz prognozę na mecz piłki nożnej. Twoja pierwsza ocena jest prognozą emocjonalną: „Barcelona pokona Real Madryt 3:1”. Z jakiegoś powodu, Barcelona nie wygrywa i zaczynasz prowadzić analizę przyczyn. Prognoza składa się z wielu czynników: aktualnej pozycji drużyn w tabeli, historii meczów, czynnika przewagi domowej, kontuzji zawodników, motywacji itd. Po pewnym czasie Twoje prognozy staną się bardziej dokładne. Ogólnie rzecz biorąc, jesteś trenerem własnej sieci neuronowej: analizując błędy, dodajesz do swojej prognozy więcej czynników, upewniając się, że jest ona coraz dokładniejsza
Prognozowanie jest procesem interaktywnym. Praktyka, ocena i szczegółowa analiza wyników – to pozwoli Ci doskonalić swoje umiejętności w tworzeniu prognoz i stopniowo stanąć się ekspertem.

Metoda 5. Połączenie wszystkich metod

Nie wiesz, która metoda predykcji przychodu w grach lub aplikacjach mobilnych byłaby dla Ciebie najlepsza? Gdyby ten artykuł był testem, prawidłową odpowiedzią byłyby „wszystkie powyższe”. Istnieje wiele metod i ich kombinacji, a ja nie chcę Cię ograniczać w kwestii wyboru.
Jeśli jesteś ciekawy, jest kombinacja, której używam osobiście i która działa bardzo dobrze:

• Prognozuj oddzielnie dla całej bazy i dla ARPU (średni przychód na użytkowniku);
• Zastosuj sekwencje czasowe;
• Koryguj swoją prognozę dla użytkowników na podstawie danych o napływie ruchu;
• Koryguj swoją prognozę ARPU w oparciu o planowane zmiany w projekcie (przy pomocy ocen ekspertów);
  Mnóż użytkowników i prognozy ARPU, aby uzyskać prognozę przychodów;

Możliwe jest dokonanie korekty prognozy przychodów na podstawie ekspertyzy dotyczącej planowanych zmian (w tym przypadku należy upewnić się, że wszystkie zmiany zostały szczegółowo przeanalizowane) oraz na modelu niestandardowym, który opisuje sposób postępowania użytkowników od jednego miesiąca do drugiego.
Mam nadzieję, że te wskazówki znajdą praktyczne zastosowanie w Twoim projekcie i życzę Ci dokładnych prognoz i rosnących przychodów!