移动游戏用户流失预测数据集
数据来源：互联网公开数据
标签：移动游戏, 用户行为, 流失预测, 留存分析, 游戏级别, 数据挖掘, 时间序列
数据概述
本数据集来源于一款轻度休闲类移动游戏，游戏的核心玩法是用户不断挑战并升级关卡，每个关卡的任务是在限定步骤内达到特定目标。用户可能成功或失败完成关卡，通常需要完成当前关卡后才能进入下一关，过程中可使用道具或提示来辅助完成任务。
数据集涵盖了2020年2月1日至2月4日期间注册的用户行为数据，经过筛选后，仅保留了那些在过去四天内至少登录过两天的用户。流失的定义是：在接下来的一周（2月7日至2月13日）内未登录游戏，则视为流失用户。该数据集以更接近原始日志的形式呈现，包含5个文件，具有更贴近实际业务场景的原始数据特性。
数据文件说明
1. train.csv
- 包含训练集用户数据，包括用户ID和对应的流失标签（1：流失，0：留存）。
2. dev.csv
- 验证集数据，格式与训练集一致，主要用于离线测试和模型选择。
3. test.csv
- 测试集数据，仅包含用户ID，目标是预测这些用户的流失率。
4. level_seq.csv
- 核心数据文件，记录用户在每个关卡的游玩记录，每条记录代表一次关卡挑战尝试。字段说明如下：
- user_id：用户ID，可与训练集、验证集和测试集中的用户ID匹配。
- level_id：关卡ID。
- f_success：是否成功完成关卡（1：成功，0：失败）。
- f_duration：尝试持续时间（单位：秒）。
- f_reststep：剩余步骤与限定步骤的比率（失败时为0）。
- f_help：是否使用额外帮助（如道具或提示，1：使用，0：未使用）。
- time：时间戳。
5. level_meta.csv
- 记录每个关卡的统计特性，用于表示关卡难度或特征，字段说明如下：
- f_avg_duration：每次尝试的平均持续时间（单位：秒，包含成功和失败尝试）。
- f_avg_passrate：关卡通过率。
- f_avg_win_duration：每次成功通过的平均持续时间（仅包含成功尝试）。
- f_avg_retrytimes：平均重试次数（再次挑战同一关卡被视为第一次重试）。
- level_id：关卡ID，可与level_seq.csv中的关卡ID匹配。
数据用途概述
本数据集适用于以下场景：
1. 用户行为分析
研究用户在游戏中的行为模式，如挑战关卡的成功率、使用辅助工具的频率、时间投入等，从而深入理解用户的游戏体验。
-
流失预测与留存优化
利用训练集和验证集数据构建模型，预测测试集用户是否将流失。这有助于游戏公司采取针对性的策略，如推送激励活动、优化关卡设计，以提高用户留存率。
-
关卡设计优化
通过分析level_meta.csv中提供的关卡统计特征，评估关卡难度是否合理，找出可能导致用户流失的关键关卡，进而优化游戏体验。
-
游戏运营决策支持
帮助游戏运营团队制定更精准的用户分层策略，例如为不同流失风险的用户提供定制化的激励措施或内容推荐。
-
学术研究与教学
数据集可用于学术研究中，探索用户行为与流失之间的关系，也可作为教学案例，帮助学生学习用户行为分析、数据挖掘和机器学习模型的应用。
数据集特点
- 时间序列特性：数据记录了用户在不同时间点的行为，适合进行时间序列分析。
- 多层次数据：包含用户行为数据（level_seq.csv）和关卡特性数据（level_meta.csv），支持多维度的分析与建模。
- 标签明确：训练集和验证集提供了清晰的流失标签，便于构建监督学习模型。
- 真实性高：数据接近原始日志格式，保留了用户行为的原始细节，贴近实际业务场景。
通过本数据集，研究人员、游戏开发者或运营人员可以深入探索用户行为模式，预测用户流失风险，优化游戏设计和运营策略，从而提升用户体验和商业价值。
