para previsão de abandono em jogos móveis permitem identificar a aplicação de soluções ad hoc e a ausência de relação entre as decisões de projeto tomadas nos trabalhos avaliados. Nesta seção nós elencamos as principais decisões na construção de um modelo preditivo para abandono em jogos. Com base nestas decisões, faremos um projeto experimental (explicado no próximo capítulo) que permitirá empiricamente apontar as melhores escolhas, constituindo, assim, um conjunto de diretrizes mais bem fundamentadas do que as decisões predominantemente ad hoc atuais.
4.2.1 Configuração da Janela de Performance
A configuração da janela de performance deve considerar os aspectos tamanho e disposição. Em termos de tamanho, a janela de performance deve ser suficientemente curta para viabilizar a realização de ações para evitar o abandono dos jogadores e também adequadamente longa para capturar eventos relevantes do usuário.
Para definir o tamanho da janela nós analisamos mais profundamente as métricas de mercado com relação ao abandono. Essa avaliação revela que apesar da retenção média de 30 dias ser 15%, a curva de redução da retenção com relação ao tempo não é linear (Walz 2015). Ao final da primeira semana a retenção já cai para 35% e após a segunda semana a retenção
112
chega a 22% conforme a Figura 4-2. A queda drástica da primeira semana inclui a taxa de rejeição, ou bounce rate, referente aos usuários que acessaram o jogo uma única vez e em seguida abandonaram, sem continuar a utilização (Peyton 2014).
Essa avaliação indica que quanto menor a janela de performance maiores são as chances de encontrar o usuário ainda presente no jogo e aplicar ações de retenção e fidelização do usuário. Nesse cenário nós propomos a configuração de janela com tamanho máximo de 16 dias para averiguar a possibilidade de identificação com alta precisão dos usuários com propensão ao abandono dentro desse prazo.
Figura 4-2: Taxa de decaimento da retenção com relação ao tempo.
Com relação à disposição da janela, nós propomos a aplicação das três variações apresentadas para identificação do efeito impacto de cada uma das variações na performance do modelo preditivo. Como as diferentes disposições das janelas demanda uma formatação própria, nós propomos a seguinte configuração:
■ Janela Superposta: Para esse tipo, nós propomos a escolha de tamanhos pertencentes à progressão geométrica com elemento inicial 2 e quociente 2. A janela apresenta partições com tamanhos 2, 4, 8 e 16 dias.
■ Janela Disjunta: Para esse tipo, nós propomos a escolha de tamanhos pertencentes à progressão aritmética com elemento inicial 2 e razão 2. A janela apresenta partições com tamanhos 2, 4, 6, 8, 10, 12, 14 e 16 dias.
■ Janela Única: Nesse caso, o tamanho da janela é definido com base no tamanho máximo assumido pela janela de performance, ou seja, 16 dias.
113
A proposta é que a aplicação dessas combinações na construção dos modelos preditivos nos permita analisar o impacto dessas decisões na performance do modelo preditivo e também avaliar a interação existente entre a configuração da janela de desempenho e as demais decisões de projeto.
4.2.2 Tipos de Dados
O domínio de jogos móveis impõe restrições aos tipos de dados disponíveis. Os dados cadastrais são inexistentes e os dados monetários estão presentes somente para uma pequena parcela dos usuários, no caso de jogos Freemium. E esses dados inexistem para os jogos disponibilizados sob o modelo Adware. Os dados comportamentais, por outro lado, são amplamente utilizados no domínio de jogos móveis. Em geral os artigos avaliados aplicam desde dados independentes do jogo (ex: quantidade e frequência de sessões) como também dados dependentes do jogo (ex: quantidade de missões cumpridas e inimigos mortos (Srivastava 2011) ou convites enviados e precisão de movimentos (Runge 2014). A avaliação do impacto de dados específicos dos jogos, entretanto, está além do escopo da tese a qual visa identificar diretrizes passíveis de serem aplicadas em jogos independentemente do gênero e categoria do jogo móvel.
Para avaliação do impacto dos tipos de dados, na construção dos modelos preditivos de abandono, nós propomos a aplicação de dois tipos dados referentes à Análise RFE e Análise RFM. A análise RFE é uma variação da análise RFM comumente utilizada na análise do comportamento do consumidor em estratégias de marketing. Nessa versão modificada, o “M” referente à Valor Monetário é substituído por “E” referente à Engajamento. Em jogos móveis, o engajamento pode ser medido por duração das sessões de jogo, frequência de acesso, dentre outros tipos de dados possíveis. A lista abaixo de atributos representa os possíveis atributos para a Análise RFE.
■ Número total de sessões: Número total de sessões de jogo do usuário dentro da janela de desempenho.
■ Duração total das sessões: Duração total das sessões de jogo do usuário dentro da janela de desempenho. Esse atributo indica todo o tempo dedicado pelo usuário ao jogo. ■ Duração média das sessões: Duração média das sessões de jogo do usuário dentro da
114
■ Duração da ausência: Intervalo de tempo entre a última sessão de jogo do usuário dentro da janela de desempenhoe o ponto de observação.
■ Frequência de sessões (por dia): Número médio de sessões de jogo do usuário, por dia, dentro da janela de desempenho.
■ Número de dias desde a última sessão de jogo: Essa variável calcula o tempo de ausência de jogo, em dias, desde a última sessão.
■ Tempo médio entre as sessões: Intervalo de tempo médio entre sessões de jogo do usuário dentro da janela de desempenho.
■ Tempo total de vida: Essa variável indica a quantidade de dias desde a primeira sessão do jogo do usuário até o ponto de observação.
A análise RFM, por outro lado, incorpora todas as informações presentes na análise RFE e inclui ainda dados relativos ao comportamento de compra dos usuários. Os atributos abaixo foram projetados para fornecer informações históricas sobre as transações dos jogadores.
■ Quantidade total de compras: Número total de sessões de jogo do usuário dentro da janela de performance.
■ Número de dias desde a última compra: Essa variável calcula o intervalo de tempo desde a última compra realizada.
■ Frequência de compras (por dia): Número médio de compras do usuário, por dia, dentro da janela de performance.
A proposta é que a aplicação desses dois tipos de dados represente semanticamente as decisões usualmente aplicadas nos artigos pesquisados para avaliação do impacto dos tipos de dados na construção dos atributos independentes usados para treinamento dos modelos preditivos de abandono.
4.2.3 Configuração da Janela de Resultado
A definição do prazo trata-se de uma questão de equilíbrio com relação ao tamanho da janela de resultado. As janelas curtas permitem a identificação de perda de engajamento, mas não necessariamente o abandono e si. Já as janelas mais longas tendem a se tornar pouco úteis em problemas reais como descrito na seção 4.1.3. Nós optamos por escolher o padrão utilizado para indústria. De acordo com as pesquisas realizadas (Lovell 2010; Lovell 2011), é comum a
115
aplicação do prazo de 1 mês para classificação do usuário como churner em caso de ausência de sessões de jogo. Caso o usuário retorne após esse prazo, as empresas consideram o jogador como um novo usuário e armazenam as informações relativas a esse novo período como um novo relacionamento. Nesse cenário, nós propomos o prazo de 30 dias como tamanho da janela de resultado para extração das informações e definição do rótulo do jogador.
4.3 Conclusão e Observações
A avaliação das especificidades do domínio evidencia desafios únicos relacionados ao domínio de jogos móveis. A avaliação das soluções aplicadas na indústria de jogos revela a inexistência de diretrizes para resolução desses desafios. Na busca de soluções candidatas às diretrizes, nós avaliamos as soluções aplicadas em outros domínios, especialmente telecomunicações, e também pesquisamos alternativas aplicadas na indústria de jogos. A partir dessas informações nós propusemos uma série de diretrizes para as decisões de construção do modelo preditivo de abandono em jogos.
116
5 Planejamento dos Experimentos
A identificação das especificidades de jogos móveis levanta questões importantes relativas ao tratamento dessas características únicas do domínio: como essas características podem ser abordadas no processo de construção do modelo preditivo? Qual o peso dessas características, e seus possíveis tratamentos, na performance da previsão? A solução proposta é replicável para outros jogos dentro do mesmo domínio? As respostas a essas perguntas são fundamentais para fornecer diretrizes relativas à construção de soluções para previsão de abandono nesse domínio.
Com o propósito de responder essas questões, nós propomos neste capítulo a condução de um projeto experimental em uma base de dados real para avaliação dos possíveis tratamentos aos desafios identificados no domínio e seus respectivos efeitos na performance do modelo preditivo. No início do capítulo nós apresentamos os conceitos e fundamentos da área de projetos experimentais com os respectivos termos, técnicas e processos usados para planejamento e execução. Em seguida, nós detalhamos o projeto experimental e os tratamentos a serem aplicados aos desafios encontrados com base nas escolhas possíveis para as decisões- chave de construção do modelo preditivo, conforme discutido no capítulo anterior.