数据——尤其是定义F2P手机游戏玩家行为的数据——现在是一个庞大而复杂的行业。
然而，正如Ninja Metrics首席执行官德米特里·威廉姆斯(Dmitri Williams)在2015年GDC Europe题为“高级游戏分析”的演讲中深入探讨的那样，该行业正在快速发展，特别是随着更多资金的投入，这迫使其建立更成熟的科学基础。
当然，作为一个起点，威廉姆斯说，营销者必须将他们的支出和收入追溯到收购来源；这加强了良好归因数据的重要性。
然而，大约40%的开发人员仍然试图通过手工过程来做这类事情；不准确和不可测量的东西。
相反，机器学习系统(即在数据中寻找模式的自动系统)和现成的分析公司现在正在使这种分析变得更简单。
当开发人员转向自动化系统时，他们面临的一个困境是，他们是黑箱，没有人理解他们如何生成结果。
“你不能完全理解数据，也不能对结果充满信心，”威廉姆斯警告说。
机器学习
就基础科学如何变化而言，威廉姆斯表示，该领域预测人们将做什么(即从游戏中流失)的能力正在快速增长。
机器学习对于设置许多应用于数据的规则至关重要。这使得计算更加复杂，但也更加精确。
开发人员在转向自动化系统时面临的一个困境是，他们是黑匣子，没人理解。
准确性提高的另一个原因是社交网络的影响，社交网络为市场商人提供了更多关于个人行为的准确性，无论是为政党投票还是在游戏中花钱或邀请朋友加入联盟。
此外，玩家如何使用社交网络——即他们的病毒式传播——现在正受到关注，并反映到这些玩家对广告商的货币价值中。
给我看看钱
所有这些准确性都很重要，因为对于游戏开发者来说，他们应该跟踪的最重要的指标是每个玩家的终身价值。
Williams将LTV解释为终身模型(即当一名球员离开或退出你的游戏时)与你的球员的价值模型的结合。
关于如何预测流失有不同的模型，也称为生存性模型，如Cox/Hazard，而改进价值模型的工作现在包括支出背后的心理和环境因素。
事实上，在结论中，威廉姆斯指出了与球员的社会行为相关的不断增长的价值。
“如果你很胖，你更有可能有胖朋友。我们知道变胖是一个社会因素。就像吸烟、减肥或戒烟一样，”威廉姆斯说。
"人们很有吸引力，追踪他们在游戏中的社交能力至关重要."
事实上，在为中情局做识别恐怖分子的研究时，威廉姆斯的研究团队在分析中加入社会数据后，结果的准确性从50-60%提高到了80-90%。