Entwicklung Reporting & Forecasting im Casual Gaming
Zielsetzung
Für das Gaming Unternehmen European Games Group haben wir 3 verschiedene User Forecasting Systeme entwickelt und umgesetzt. Die 3 Modelle beinhalteten einmal das Forecasting der Umsatzentwicklung vergangener und zukünftiger User Kohorten, das Forecasting der Nutzeraktivität und die Wahrscheinlich für einen Kauf auf Nutzerlevel.
Die Zielsetzung des Projekts war es, Marketing Kampagnen und insgesamt Kanäle zu identifizieren, die möglichst günstig, wertvolle Spieler anlocken. Ebenso sollte der Umsatz pro Spiel und Land zur besseren Cash-Flow Planung vorhergesagt werden.
Wir nutzen hierbei ein prediktives Modell, das in abgewandelter Form bereits im Mobile Gaming eingesetzt wurde.
Über unseren Case Study Partner
Die European Games Group ist die Alternative dazu, sich an einen Portfolio-Herausgeber zu wenden oder das Risiko einer Selbstveröffentlichung im Gaming einzugehen. Sie bereiten damit den Weg der nächsten Generation von unabhängig denkenden Entwicklern, die einen starken Partner suchen, um ihr Spiel auf dem sich ständig verändernden und wettbewerbsintensiven Free2Play-Markt zu skalieren.
Modell 1 - Verhältnismodell
Das Verhältnismodel wertet historische Daten aus, um Trends in der (relativen) Umsatzentwicklung zu finden und wendet diesen Trend auf neue Kohorten an. Durch die Berechnung aggregierter wöchentlicher Umsatzsummen und ihrer prozentualen Entwicklung im Zeitverlauf, ermittelt das Verhältnismodell die durchschnittliche prozentuale Entwicklung dieser wöchentlichen Umsatzsummen und wendet diese Entwicklungsfaktoren auf neue Kohorten an.
Da das Ziel des Models darin besteht, Vorhersagen für ein Jahr zu treffen, sind mindestens ein ganzes Jahr an Trainingsdaten erforderlich, damit das Verhältnismodell funktioniert.
Das Verhältnismodell kann über verschiedene Spiele hinweg verwendet werden, indem die Umsatzentwicklungsfaktoren von Spiel A berechnet und auf ein anderes Spiel B angewendet werden.
Modell 2 - Zahlungswahrscheinlichkeit
Das zweite Model hat den Zweck, für jeden einzelnen Nutzer eine „nächste Zahlungswahrscheinlichkeit“ zu berechnen. Basierend auf den historischen Daten anderer Benutzerprofile aus derselben Region, Plattform usw. wird die nächste Zahlungswahrscheinlichkeit berechnet. Die Zahlungswahrscheinlichkeit ist immer eine Zahl zwischen 0 und 1.
Dieses Model ist nicht besonders gut geeignet, um zukünftige Einnahmen auf Gesamt-Spielebene vorherzusagen. Ebenso benötigt dieses Model sehr viele Daten (Benutzerprofile), um stabile Prognosen zu liefern.
Ein Vorteil von Model zwei ist, dass es spieleübergreifend einsetzbar ist, da es nur auf die alten Benutzerprofile eines Spiels ankommt.
Modell 3 - User-Retention-Modell
Das User-Retention-Model wertet historische Daten aus, um verschiedene Funktionen (linear, Potenz, exponentiell) für die Anzahl aktiver Benutzer und den Umsatz pro aktivem Benutzer zu berechnen. Durch Multiplikation der beiden Faktoren erhalten wir die Umsatzprognose für 365 Tage für jede Kohorte.
Da das Ziel des Models darin besteht, Vorhersagen für ein Jahr zu treffen, muss die Datendichte für das User-Retention-Model sehr hoch sein. Außerdem machen große Sprünge in der Benutzeraktivität durch Reaktivierung oder besondere In-Game Ereignisse die Vorhersagen schwierig beziehungsweise ungenauer.
Das Retention-Modell kann über verschiedene Spiele hinweg verwendet werden, indem die Funktionen für ein Spiel A als Trainingsdaten berechnet und auf ein anderes Spiel B angewendet werden. Dies ermöglicht es, Umsatzprognosen für Spiel B zu erstellen, selbst wenn keine Daten für ein ganzes Jahr Daten vorhanden sind. Die Entscheidung, welche Spieldaten zur Prognose der Einnahmen eines anderen Spiels verwendet werden sollen, muss jedoch vom Benutzer des Modells getroffen werden, und man sollte wissen, dass die Anwendung von Trainingsdaten von einem Spiel auf ein anderes normalerweise zu einer schlechteren Prognose führt, als die Verwendung der eigenen historischen Daten des Spiels .
Sie wollen sich auch individuelles Forecasting entwickeln lassen?
Dann sind Sie hier genau richtig
Warum wir?
Breiter Tech-Stack
Abhängig von Ihrem Datenbanksystem, aber auch von Ihrem Back/Frontend könnten wir Lösungen erschaffen die genau zu Ihnen. Wir können Lösungen in einer Vielzahl von Programmiersprachen umsetzen.
API Erfahrung
Wir kennen diverse APIs vor allem Google und Meta sehr gut und haben bereits eine Vielzahl an Lösungen umsetzt. Wir können im Prinzip jede API einbinden bzw. nutzbar machen.
Forecasting Modelle
Wir entwickelten in der Vergangenheit bereits mehrere eigene Forecasting Modelle mit Hilfe von Machine Learning. Ebenso können wir bestehende Systeme verbessern oder erweitern.