プレイヤーのアウトフローを予測

プレイヤーのアウトフロー予測

アウトフロー予測の目的は、事前に戻らないリスクのあるプレイヤーを特定し、制御されたアクション（再活性化、RGリミッター、個人オファー）を開始し、価値を最大化し、害を最小限に抑えることです。以下は、データから運用までのエンドツーエンドのフレームワークです。

1）定義とフレームワーク

会計単位：user （user/master_id）-デフォルト。
チャーン規則：T日間≥対象となるアクティビティはありません（例：14/30）。アクティビティを修正：≥ 1セッション/レート/デポジット。
予測の地平線：H日（次の7/14/30日の流出リスク）。
カットオフ日：特徴の形成の日付；ラベルはカットオフよりも後で情報を使用するべきではありません。

2）ポイント・イン・タイム

ターゲット（分類）：'turn_next_H=1'ウィンドウ（t、 t+H］で一度でもプレイヤーがアクティブでない場合、Tルールを満たします。
イベントまでの時間（サバイバル）：アウトフローまたは検閲までの時間。cap/queueスケジューリングに適しています。
スライススラグで異なる日付の教材例を生成して、将来の流れを維持します。
真実の窓：マークが固定されるまでT流出の確認を待ちます（真実の遅延）。

3）特徴および窓

Recency/Frequency/Monetary：最後の活動/預金の日、窓7/ 14/30/90、 ARPPU/frequencyを超える強度。
行動と内容：ゲームカテゴリ、バラエティ、実行時間、曜日/週の時間。
マーケティング：フラフ/手紙を開く、オファーへの反応、退会。
リスク/RG/詐欺：フラグとカウンター、きちんと-ガードレールのような。
カレンダー：休日/試合/給与日、季節の特徴（ダウ、ドム、ウォム）。
アイデンティティ/デバイス：プラットフォーム/OS/デバイスの変更、IP/ASNの安定性。
オンライン/オフラインのパリティ：同じレシピでfichestoreとカットタイム。

4）シミュレーション

4.1分類（Hウィンドウへの流出リスク）

ロジスティック回帰（解釈可能）、GBM/ランダムフォレスト（強いベースライン）、タブ/Seq-NN。
「美しいROC」ではなく、エラーのコストのしきい値。

4.2サバイバル/ハザード（流出までの時間）

Kaplan-Meier（カーブフォーム）、Cox PH/AFT、離散時間危険（カレンダーで日別ログ）。
それらは時間の流出の確率を与え、接触およびマウスガードの頻度を計画することを可能にします。

4.3シーケンシャルとハイブリッド

一時的な特徴およびスキップのマスクが付いているRNN/TFT/Transformer。
ハイブリッド：バイナリリスクとイベントまでの時間→より良い意思決定。

4.4アップリフトモデル

接触保持の増加が予測されます。アクション/実験のログがある場合に適用します。

5）評価および口径測定

クラスの不均衡：main-PR-AUC、 Recall@FPR ≤ x％、 Precision@k。
確率校正：ブライアー、信頼性プロット；プラット/アイソトニック。
時間：カレンダーに広がる折りたたみでバックテスト（転がり原点）。
安定性：セグメント間（国/チャネル/プラットフォーム）のメトリックのバリエーション。
生存：リスクカーブの積分誤差、校正S （t）。

6）しきい値、ヒステリシス、意思決定方針

• 'score ≥ τ_block'→強力な介入（個人オファー/コール）
• 'τ_review ≤ score <τ_block'→ソフトコンタクト（プッシュ/メール）
• 'score <τ_review'→効果なし

ヒステリシス：入力スレッショルドは「点滅」しないように出力スレッショルドよりも高くなります。
クールダウン：ユーザー/チャネルごとの繰り返しタッチの最小間隔。
ガードレール：ROMI ≥ 0、 zhaloby ≤ Kh、 RG制限、接触頻度。

意思決定テーブルの例

7）ソリューションエコノミクス

[
EV=p_{\text{uderzhaniya	action} }\cdot LTV_{\text{future}}

p_{\text{vred} }\cdot Harm-コスト
]

ベアCRではなく、EV上のしきい値とチャネル割り当てを最適化します。

8）実験と因果関係

A/B：接触/提供の作戦；メインメトリック-保持アップリフト（D7/D30）、ガードレール-苦情/RG。
準実験：地域ロールアウト中のDiD/合成制御。
アップリフトスコア：Qini/AUC、 uplift@k。

9）展開およびオンライン回路

スコアリング：p95 ≤ 100-300ミリ秒；idempotence、 'correlation_id'をリクエストします。
オーケストレータ：保証配信、再試行/バックオフ、DLQ、チャンネル/ユーザーごとのレート制限。
ソリューションログ：モデル/ポリシーバージョンの'signal→score→decision→action→revolution'。
特徴のパリティ：オンライン/オフラインで同一の特徴；タイムスライス-厳密にカットオフまで。

10）監視および漂流

質：滑走の窓、口径測定のPR-AUC/Recall@FPR；'block/review'ゾーンで共有します。
ドリフト：PSI/KLの主な特徴、ターゲット・シェア・シフト、「new」パターン。
操作：レイテンシ、タイムアウト、％フォールバック、コンタクトキュー、苦情。
公平性：セグメント別のエラー/しきい値の区別；説明可能性監査。

11）疑似SQL/レシピ

A。 churn_next_14ラベリング（分類）

sql
WITH activity AS (
SELECT user_id, DATE_TRUNC('day', ts) AS d
FROM event_activity
),
snap AS (-- cut-off date
SELECT DISTINCT DATE_TRUNC('day', ts) AS cut
FROM event_activity
WHERE ts BETWEEN:train_from AND:train_to
),
label AS (
SELECT s. cut, a. user_id,
CASE WHEN NOT EXISTS (
SELECT 1 FROM activity a2
WHERE a2. user_id = a. user_id
AND a2. d > s. cut AND a2. d <= s. cut + INTERVAL '14 day'
) THEN 1 ELSE 0 END AS churn_next_14
FROM snap s
JOIN (SELECT DISTINCT user_id FROM activity) a ON 1=1
)
SELECT FROM label;

ポイントインタイムのBローリング機能（7/30/90）

sql
SELECT u. user_id, s. cut AS cut_day,
SUM(CASE WHEN a. d > s. cut - INTERVAL '7 day' AND a. d <= s. cut THEN 1 END) AS act_7d,
SUM(CASE WHEN a. d > s. cut - INTERVAL '30 day' AND a. d <= s. cut THEN 1 END) AS act_30d,
SUM(CASE WHEN p. d > s. cut - INTERVAL '30 day' AND p. d <= s. cut THEN p. amount ELSE 0 END) AS rev_30d,
DATE_PART('day', s. cut - MAX(a. d)) AS recency_last_act
FROM snap s
JOIN users u ON 1=1
LEFT JOIN activity a ON a. user_id = u. user_id AND a. d <= s. cut
LEFT JOIN payments p ON p. user_id = u. user_id AND p. d <= s. cut
GROUP BY 1,2;

12）アーティファクトパターン

アウトフローモデルのパスポート（テンプレート）

ID/バージョン： 'CHURN_14D_GBM_v4'

ターゲット/ウィンドウ： 'churn_next_14'、 PITスライス

特徴： RFM、コンテンツ、マーケティング、カレンダー、デバイス

メトリクス： PR- AUC ≥ 0。45、 Recall@FPR ≤ 1％ ≥ 0。30、ブライアー≤ X

キャリブレーション： アイソトニック

しきい値： 'τ_block/ τ_review'（ヒステリシス付き）

SLO： スコアリング≤ 150 ms p95；オフラインレポートの生成≤ 06：00

所有者、改訂日、ランブックの劣化

意思決定対応レポート（スケルトン）

「チャーン14d： セグメント別のリスク、トップの理由、再活性化の変換を予測する」

リスク： X/Yプラットフォームにおける高リスクのシェア増加（+Δ pp）

推奨事項： セグメントAの連絡先の予算を増やし、チャンネルB、 セグメントCのRGリミッターを変更する

13）セキュリティ、プライバシー、倫理

PII最小化：識別子のトークン化、RLS/CLS。
透明性-トップフィーチャーはサポートで利用できます。
倫理/RG：攻撃的なオファーで脆弱なグループをターゲットにしないでください。接触の帽子の頻度。

14）頻繁なエラー

ラベルは未来（ラベル漏れ）を使用し、TZ/ウィンドウを混合します。
PR-AUC/Recall@FPRなしで1％目標のROC-AUCスコア。
校正なし-しきい値は盲目的に設定されています。
ヒステリシス/クールダウンの不在→連絡先や苦情の「点滅」。
私たちはEV/LTVとリスクを関連付けませんでした。
オンライン/オフラインの非同期機能-販売の質の低下。

15）ループリリース前のチェックリスト

• T/H/TZ、活動、決定される除外；PITプロシージャが完了しました
• リークフリーデータセット；ローリング検証、ベンチマーク、キャリブレーション
• しきい値ポリシー、ヒステリシス、マウスガード、ガードレール文書化
• アクションオーケストレーター、idempotence、 signal→decision→action監査
• モニタリング品質/ドリフト/公平性、アラートおよびランブック
• アップリフトおよび/またはA/Bは準備ができています；意思決定可能なレポート（EV付き）
• モデル/フィーチャー/メトリックバージョン、所有者、登録されたSLO

合計

アウトフロー予測はシステムとしてのみ機能します：漏れのない明確なマークアップ→有益な機能→適切なモデル（分類および/または生存）→エラーのコストからのメトリック、キャリブレーションおよびしきい値→アクションの安全なオーケストレーション→ドリフトと公平性の監視。このような回路は、リテンションとLTVを増やすために、誰、いつ、どのように接触するかという「リスク」だけでなく、ソリューションを提供します。