Ойыншылардың кету болжамы

Ойыншылардың кету болжамы

Ағынды болжаудың мақсаты - қайтып оралмау қаупі бар ойыншыларды алдын ала анықтау және басқарылатын әрекеттерді (ре-белсендіру, RG шектегіштер, жеке офферлер) іске қосу, құнды барынша арттыру және зиянды барынша азайту. Төменде - деректерден пайдалануға дейінгі end-to-end қаңқасы.

1) Анықтамалар мен шеңберлер

Есепке алу бірлігі: пайдаланушы (user/master_id) - әдепкі.
Ағын ережесі (churn rule): T күн ≥ мақсатты белсенділігінің болмауы (мысалы, 14/30). Белсенділікті белгілеңіз: ≥ 1 сессия/мөлшерлеме/депозит.
Болжам көкжиегі: H күн (келесі 7/14/30 күнде кету тәуекелі).
Cutoff күні: қалыптасу күні; белгілер ақпаратты cutoff кейін пайдаланбауы керек.

2) Ағынсыз белгілерді белгілеу (Point-in-Time)

Target (жіктеу): 'churn _ next _ H = 1', егер ойыншы терезеден (t, t + H] ешқашан белсенді болмаса және бұдан әрі T ережесін орындаса.
Time-to-event (аман қалу): ағып кетуге немесе цензураға дейінгі уақыт; каптарды/кезектерді жоспарлау үшін жақсы.
Жылжымалы кесінділер: болашақ ағып кетпес үшін әртүрлі күндерде лагтармен оқыту мысалдарын жасаңыз.
Ақиқат терезелері: T шығуын белгілегенге дейін күтіңіз (delayed truth).

3) Фичтер мен терезелер

Recency/Frequency/Monetary: соңғы белсенділігі/депозиті бар күндер, терезе қарқындылығы 7/ 14/30/90, ARPPU/жиілігі.
Мінез-құлық және контент: ойын санаттары, әртүрлілік, «сериялылық» (run-length), тәулік/апта уақыты.
Маркетинг: аң терісін/хаттарды ашу, оффераларға реакциялар, жауап қайтарулар.
Тәуекелдер/RG/фрод: жалаулар мен есептегіштер, ұқыпты - guardrails сияқты.
Күнтізбе: мерекелер/матчтар/жалақы күндері, маусымдық фичтер (dow, dom, wom).
Сәйкестік/құрылғы: платформа/OS/девайсты өзгерту, IP/ASN тұрақтылығы.
Онлайн/офлайн паритет: бірдей рецептілері мен кесу уақыты бар фичестор.

4) Модельдеу

4. 1 Жіктеу (Н терезесіне кету тәуекелі)

Логистикалық регрессия (түсіндіріледі), GBM/Random Forest (күшті бейзлайндар), Tab/Seq-NN.
«Әдемі ROC» емес, қате құны бойынша шектер.

4. 2 Аман қалу/Hazard (кетуге дейінгі уақыт)

Kaplan-Meier (қисық пішін), Cox PH/AFT, discrete-time hazard (күнтізбесі бар күндер бойынша логит).
Уақыт бойынша ағып кету ықтималдығын береді, контактілер мен капалардың жиілігін жоспарлауға мүмкіндік береді.

4. 3 Дәйекті және будандар

RNN/TFT/Transformer уақытша белгілері мен рұқсаттама маскаларымен.
Гибрид: бинарлық тәуекел және оқиғаға дейінгі уақыт → ең жақсы шешім қабылдау.

4. 4 Uplift модельдері

Байланыстан ұстап қалудың өсуін болжайды; әрекеттер/эксперименттер журналы болса қолданыңыз.

5) Бағалау және калибрлеу

Сыныптардың теңгерімсіздігі: негізгі - PR-AUC, Recall @FPR ≤ x%, Precision @k.
Ықтималдықтарды калибрлеу: Brier, reliability plots; Platt/Isotonic.
Уақыт: күнтізбе бойынша фолдтары бар backtesting (rolling origin).
Тұрақтылық: метрлердің сегменттер бойынша таралуы (ел/арна/платформа).
Аман қалу: тәуекел қисығы бойынша интегралдық қате, S (t) калибрлеу.

6) Табалдырықтар, гистерезис және шешімдер саясаты

• 'score ≥ τ_block' → күшті интервенция (жеке оффер/қоңырау)
• 'τ _ review ≤ score <τ_block' → жұмсақ контакт (пуш/е-mail)
• 'score <τ_review' → әрекетсіз

Гистерезис: «жыпылықтамау» үшін кіріс шегі шығыстан жоғары.
Кулдауналар: per user/channel қайта жанасудың ең аз аралықтары.
Guardrails: ROMI ≥ 0, шағымдар ≤ Х, RG-шектеулер, байланыс жиілігі.

decision table мысалы

7) Экономика шешімдері

[
EV = p_{\text{удержания	әрекет }\cdot LTV_{\text{future}}

p_{\text{вред} }\cdot Harm - Cost
]

Жалаңаш CR емес, EV арналарының табалдырықтары мен аллокациясын оңтайландырыңыз.

8) Эксперименттер және себептері

A/B: контактілер/офферлер стратегиялары; негізгі метрика - retention uplift (D7/D30), guardrails - шағымдар/RG.
Квазиэксперименттер: DiD/аймақтық шығарулар кезіндегі синтетикалық бақылау.
Uplift-бағалау: Qini/AUUC, uplift @k.

9) Деплой және онлайн контур

Скоринг: p95 ≤ 100-300 мс; сұраулардың сәйкестігі, 'correlation _ id'.
Оркестратор: кепілдендірілген жеткізу, retry/backoff, DLQ, rate-limit per channel/user.
Шешім журналы: 'signal → score → decision → action → outcome' модельдің/саясаттың нұсқаларымен.
Feature parity: бірдей фичтер онлайн/офлайн; уақытша кесінділер - қатаң түрде cutoff дейін.

10) Мониторинг және дрейф

Сапасы: PR-AUC/Recall @FPR жылжымалы терезе бойынша, калибрлеу; 'block/review' аймақтарындағы үлес.
Дрейф: PSI/KL негізгі сандар бойынша, shift нысаналы үлесі, «жаңа» үлгілер.
Операциялар: latency, таймауттар, фолбэктердің%, контактілердің кезегі, шағымдар.
Fairness: сегменттер бойынша қателерді/шектерді саралау; түсіндіру аудиті.

11) Псевдо-SQL/рецептер

A. churn_next_14 белгісін қалыптастыру (жіктеу)

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;

B. Rolling-фичи (7/30/90) point-in-time

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) Артефактілердің үлгілері

Шығу үлгісінің төлқұжаты (template)

ID/нұсқа: 'CHURN _ 14D _ GBM _ v4'

Target/терезе: 'churn _ next _ 14', PIT-бөліктер күн сайын

Фичи: RFM, мазмұн, маркетинг, күнтізбе, құрылғы

Өлшемдер: PR-AUC ≥ 0. 45, Recall@FPR≤1% ≥ 0. 30, Brier≤X

Калибрлеу: isotonic

Шектері: 'τ _ block/ τ _ review' гистерезисі бар

SLO: скоринг ≤ 150 мс p95; 06:00 ≤ оффлайн есепті генерациялау

Иелері, тексеру күні, runbook деградациясы

Decision-ready есеп (скелет)

«Churn 14d: сегменттер бойынша тәуекел, топ-себептер, қайта белсендіру конверсиясының forecast»

Тәуекелдер: high-risk үлесі X/Y платформаларында өсті (+ Δ п.т.)

Ұсынымдар: А сегментіндегі байланыстардың бюджетін ұлғайту, В арнасын ауыстыру, С сегментіндегі RG-шектегіштер

13) Қауіпсіздік, құпиялылық, әдеп

PII-минимизация: идентификаторларды, RLS/CLS токенизациялау.
Ашықтық: шешу/байланыс себептері (top-features/ережелер) саппортқа қолжетімді.
Этика/RG: осал топтарды агрессивті офферлермен таргеттемеңіз; контакт жиілігі.

14) Жиі қателер

Белгі болашақты (label leakage), TZ/терезелерді араластыруды пайдаланады.
PR-AUC/Recall @FPR 1% таргетасыз ROC-AUC бойынша бағалау.
Калибрлеу жоқ - табалдырықтар «соқыр» күйге келтірілген.
Гистерезис/құлдаунның болмауы → байланыстар мен шағымдардың «жыпылықтауы».
Қауіп-қатерді EV/LTV-мен байланыстырмадық - емдеу тиімсіз болғандарды «емдейміз».
Онлайн/офлайн рассинхрон фич - өнімдегі сапа төмендейді.

15) Контурды шығару алдындағы чек-парақ

• Анықталған T/H/TZ, белсенділік, ерекшеліктер; PIT рәсімдері ресімделген
• Ағынсыз датасеттер; rolling-валидация, бенчмаркалар және калибрлеу
• Шекті саясат, гистерезис, кепкалар және guardrails құжатталған
• Әрекеттер оркестрі, идемпотенттік, аудит «signal → decision → action»
• Сапа мониторингі/дрейф/fairness, алерта және runbooks
• Uplift-бағалау және/немесе A/B дайын; decision-ready есебі (EV-мен)
• Модель/фич/метрик нұсқалары, иелері, SLO жазылған

Жиынтығы

Ағынды болжау тек жүйе ретінде жұмыс істейді: анық белгілеу → ақпараттық фича → қолайлы модель (жіктеу және/немесе аман қалу) → метрика, калибрлеу және қателіктер құнынан шектер → қауіпсіз оркестрлеу → дрейф және fairness мониторингі. Мұндай контур тек «тәуекелдерді» ғана емес, шешімдерді де береді: ұстауды және LTV арттыру үшін кімді, қашан және қалай байланысу керек.