Dados Dependentes da Aplicação e Taxa de Conversão

Essas especificidades estão relacionadas por impactarem diretamente nas categorias de dados disponíveis sobre o usuário e sobre seu relacionamento com o jogo a serem utilizados na construção do modelo preditivo. Em indústrias consolidadas, como telecomunicações e instituições financeiras, a revisão crítica do estado da arte revela uma grande quantidade de trabalhos publicados com a aplicação de múltiplas categorias de dados. Na maioria dos casos, os atributos construídos e transformados pertencem às mesmas categorias: cadastrais, comportamentais e financeiros. Essa informação fornece diretrizes para novos pesquisadores e profissionais da indústria construírem seus modelos para previsão de abandono nessas indústrias.

Na indústria de jogos, essas diretrizes ainda não existem. Os artigos investigados apresentam diferentes categorias de dados elaborados de maneira ad hoc para treinamento dos modelos preditivos. E mais, pouco se sabe sobre o impacto e contribuição de cada uma dessas escolhas. Dada a inexistência de diretrizes em jogos móveis, nós avaliamos as categorias de dados disponíveis à luz das diretrizes de Telecomunicações. A proposta é checar a viabilidade de aplicação de tipos de dados similares. Abaixo nós avaliamos como essas categorias podem ser replicadas em jogos móveis.

108

Especificidades Impacto em

decisões-chave

Escolhas Identificadas na literatura

Taxa de Conversão ▪ 2,2% Categorias de Dados ▪ Variável e Dependente da aplicação Dados para construção das variáveis independentes

Não há dados pessoais.

As pesquisas usam categorias diferentes e específicas de dados:

▪ Histórico de Uso ▪ Compras e Pagamentos

▪ Engajamento e Influência Social ▪ Específicos de Jogo

▪ RFM

▪ Entusiasmo e Persistência

▪ Análise Temporal e de Frequência

Tabela 4-2: As especificidades, seus impactos em decisões-chaves e escolhas identificadas na literatura para o domínio de jogos móveis com relação aos dados dependentes da aplicação e à taxa de conversão.

4.1.2.1 Dados Cadastrais

Os dados cadastrais comuns à área de Telecomunicações não estão disponíveis em jogos móveis. Os sistemas operacionais restringem o acesso de aplicativos a informações sobre o usuário (Boyles et al. 2012). Não é possível obter através dos sistemas operacionais (iOS e Android) informações sobre nome, sexo, idade ou qualquer outro dado sociodemográfico do proprietário do dispositivo móvel.

Uma alternativa viável consiste em obter essas informações através das redes sociais como Facebook. Nessa opção, a extração de dados do usuário demanda que o jogador realize o login no jogo através do Facebook. Essa opção, entretanto, é disponibilizada em somente uma pequena fração dos jogos móveis e mesmo os jogos com conexão ao Facebook apresentam baixa taxa de adesão, em geral em torno de 10-30% (Takahashi 2013). Em resumo, a maioria dos jogos móveis não possui acesso a informações cadastrais do usuário.

4.1.2.2 Dados Financeiros

Os dados monetários referentes ao histórico de compras e pagamentos, em geral associados ao valor do usuário (RFM), estão disponíveis para os desenvolvedores de jogos Freemium para dispositivos móveis. Todos os itens virtuais disponíveis para compra são gerenciados pelos próprios desenvolvedores de jogos que definem quais itens, e seus respectivos preços, estarão disponíveis para compra dentro do jogo. O histórico de compra pode

109

considerar tanto a compra de itens com moeda virtual assim como os pagamentos realizados com moeda real, via cartão de crédito.

Apesar dos dados estarem disponíveis, a realização de compra dentro de jogos para dispositivos móveis não é algo comum. Segundo pesquisas de mercado, a taxa de conversão de usuários não-pagantes a usuários pagantes é de somente 2,2% (Sinclair 2014). Os dados monetários, portanto, estarão disponíveis para somente uma parcela pequena da população implicando em desequilíbrio nos dados.

Nos jogos disponíveis sob o modelo Adware, os dados monetários estão relacionados ao faturamento do jogo de maneira global e raramente são associados aos jogadores individualmente. Nesse cenário não há como conectar o faturamento do jogo aos usuários para construção de dados a serem utilizados na modelagem do problema de previsão de abandono.

4.1.2.3 Dados Comportamentais

As informações comportamentais do usuário relativas às ações realizadas pelo usuário durante o relacionamento com o jogo estão disponíveis. A natureza digital dessa indústria associada ao alto nível de engajamento proporcionado por jogos em relação aos demais tipos de aplicativos são responsáveis pela geração de uma grande massa de dados comportamentais (Albuquerque et al. 2014).

Os tipos de dados comportamentais armazenados para análise nos jogos, entretanto, são em sua maioria variáveis e dependentes da aplicação. As ações realizadas pelo usuário em um jogo como o Pac-Man, por exemplo, estão relacionadas à movimentação do personagem (Pac- Man) sobre o labirinto para comer os pontos (dots) do estágio. Além disso, o usuário deve escapar dos fantasmas enquanto não está sobre o efeito das pastilhas maiores (power pellets) que permitem ao Pac-Man caçar os fantasmas. Nesse jogo, os dados comportamentais estão associados à movimentação do usuário, quantidade de dots comidos, número de power pellets consumidos, quantia de fantasmas caçados, número de mortes do jogador, entre outros.

Por outro lado, em um jogo como o Angry Birds, o usuário deve lançar pássaros para destruir os porcos. A dinâmica do jogo é totalmente diferente do Pac-Man e, portanto, os dados comportamentais também serão diferentes. No Angry Birds não há dados de movimentação, não há dots ou powerpellets e tampouco há fantasmas. O usuário não controla somente um personagem (Pac-Man), mas diferentes pássaros. Em resumo, os dados comportamentais gerados a partir do Angry Birds em nada se parecem com os dados provenientes do Pac-Man. Isso se deve à natureza dependente da aplicação desses dados.

110

Em outros domínios, como telecomunicações, os dados em geral são fixos e independentes da aplicação. Os serviços ofertados pelas empresas de telefonia se restringem quase que exclusivamente a realização de ligações, envio de mensagens de texto e à internet móvel. Isso significa que mesmo clientes com relacionamento com empresas diferentes geram dados similares entre si. Voltando ao domínio de jogos, as informações similares geradas por usuários em jogos diferentes se resumem aos dados independentes da aplicação como duração e frequência das sessões de jogos. Esses dados são passíveis de serem extraídos dos jogos móveis e auxiliam a identificar a tendência ao abandono.

A avaliação das soluções identificadas revela o uso de diferentes abordagens para tratamento dos dados e pouco conhecimento sobre seus impactos na performance da previsão (Tabela 4-2). Esse cenário reflete a ausência de diretrizes na definição dos tipos de dados com maior impacto na previsão.