«К нам первоначально приблизился поставщик онлайн-игры, который использовал ‘свободно распространяемую’ модель – игроки могли играть бесплатно, но могли получить модернизации, внеся плату, чтобы стать премиальными пользователями», говорит Уильям Рэнд, доцент управления бизнесом в государстве NC и соавторе статьи о работе. «Компания хотела знать, какие стимулы, скорее всего, убедят игроков становиться премиальными пользователями. Это было стимулом для работы, но что мы нашли, на самом деле важно для любой компании или разработчика, заинтересованного стимулированием пользовательских инвестиций в приложения или онлайн-сервисы».Предварительная оценка указала, что доступ к новому содержанию не был основным водителем в убедительных игроках, чтобы внести пользовательскую плату. Вместо этого инвестиции игрока, казалось, были связаны с социальными сетями игрока.
Чтобы узнать больше, исследователи оценили ценность трех месяцев данных по 1,4 миллионам пользователей онлайн-игры, включая то, когда каждый игрок начал играть в игру; связи каждого игрока в игре с другими игроками; и ли игрок стал премиальным пользователем.Используя те данные, исследователи создали компьютерную модель, используя агентное моделирование, метод, который создает вычислительного агента, чтобы представлять единственного пользователя или группу пользователей. Компьютерная модель позволила им оценивать роль, которую социальные связи, возможно, играли в том, чтобы заставлять игроков внести пользовательскую плату.
Они нашли, что две различных поведенческих модели работали очень хорошо, но по-разному.«Мы нашли, что лучшая модель для того, чтобы точно предсказать общий уровень игроков, становящихся премиальными пользователями, была так называемой ‘Басовой моделью’, которая считает что, чем больше часть прямых связей Вы имеете, кто использует продукт, тем более вероятно Вы должны использовать продукт», говорит Рэнд.Однако исследователи нашли, что лучшая модель для предсказания поведения любого определенного человека была сложной моделью инфекции.
«Модель Bass смотрит на часть Ваших прямых связей, кто принимает продукт, тогда как сложная модель инфекции просто смотрит на общее количество Ваших прямых связей, кто принимает», говорит Рэнд.У обоих методов есть полезность для компаний. Например, способность предсказать, сколько игроков стало бы премиальными пользователями, могла помочь компании сделать стабильные бизнес-решения; тогда как способность предсказать поведение индивидуального игрока может помочь компании быть нацеленной на игроков, которые являются около порога становления премиальными пользователями.«Сливая эти два подхода моделирования, мы создали инструмент, который позволит компании предсказывать, сколько дополнительных премиальных пользователей это извлекло бы пользу, в зависимости от различных степеней инвестиций в маркетинг индивидуальным игрокам, которые являются порогом становления премиальными пользователями», говорит Рэнд. «Это могло использоваться, чтобы сделать обоснованные решения о том, сколько вложить капитал в ‘отобранный’, или предназначенный, продав, чтобы извлечь выгоду из устного маркетинга.
«Итог вот – то, что подход, который мы проявили к развитию этого инструмента, мог использоваться, чтобы разработать таможенный инструмент для любой компании, это продает продукт онлайн или обслуживание через сарафанное радио», говорит Рэнд.Бумага, «Строя Агентные Системы поддержки принятия решений для Устных Программ.
Свободно распространяемое Применение», издано онлайн в Журнале Маркетингового исследования.