ビデオゲームにおける顧客生涯価値の予測

（Customer Lifetime Value in Video Games Using Deep Learning and Parametric Models）

田中専務

拓海先生、最近部下から「LTVをAIでやれば効率化できます」と言われて困っています。正直、AIで本当に儲かるのかピンと来ないのです。どう説明すれば投資判断ができるでしょうか。

AIメンター拓海

素晴らしい着眼点ですね！LTVは顧客が将来にわたってどれだけ売上をもたらすかの見積もりで、特にゲームのように長期に渡って遊ぶサービスでは重要ですよ。まずは要点を3つで整理しましょう。1) だれが稼ぎ手か、2) どれだけ稼ぐか、3) それをどう予測するか、です。大丈夫、一緒にやれば必ずできますよ。

田中専務

なるほど。ただ、実務的には「どの顧客にいくら投資するか」を決めたいのです。ゲームの話だと“ホエール（大口課金者）”が少数で多く稼ぐと聞きますが、そこをどう見つけるのですか。

AIメンター拓海

素晴らしい質問です！要は行動データを使って「将来どれだけ課金するか」を予測するモデルを作ればよいのです。論文はここで深層学習の一種であるCNN（Convolutional Neural Networks、畳み込みニューラルネットワーク）を用い、従来の確率モデルと比べて精度が高いことを示しています。専門用語は後で身近な例で説明しますね。

田中専務

これって要するに、過去のプレイログを見れば将来の課金を当てられるということですか？もしそうなら、今の基幹システムのログで足りるのかも知りたいのですが。

AIメンター拓海

その通りですよ。過去の行動記録が豊富にあるほどモデルは強くなります。実務面では三つの観点で見ます。1) データの粒度と保存期間、2) データの質（欠損やノイズ）、3) モデル運用の体制です。これらを整えれば既存ログでも実用に耐えるケースは多いです。

田中専務

なるほど。導入にはコストがかかるでしょう。投資対効果（ROI）が見えないと承認できません。モデルを作ってすぐ試算できる形にできるのでしょうか。

AIメンター拓海

大丈夫、段階的な進め方が取れますよ。まずは小さなABテスト用の予測モデルを作り、実際にその顧客群に施策を打って増分収益を測ります。要点を3つにまとめると、1) 小さく始める、2) 増分を直接計測する、3) 成果に応じてスケールする、です。

田中専務

具体的にCNNを使う利点は何でしょうか。現場は確率モデルの方が分かりやすいと言っていますが、精度だけでなく運用性も気になります。

AIメンター拓海

良い指摘ですね。論文の結論はCNNが多変量な行動データを自動で特徴抽出でき、パラメトリック（定義式に従う）モデルより高精度であるという点です。運用面では初期の学習コストが必要ですが、学習後はスコアを出すだけなら応答が速く、実務での適用は十分に現実的です。

田中専務

わかりました。要するに、既存ログを使ってまずは小さく予測モデルを作り、増分効果を測ってから本格導入する。CNNは精度で勝るので、投資判断の根拠になる、ということですね。私の言葉で説明するとこういう理解で合っていますか。

AIメンター拓海

その通りですよ！素晴らしい整理です。大丈夫、一緒に進めれば必ずできますよ。