モバイルゲームでは、再エンゲージメントプログラムは通常、同じ方法で開始されます。つまり、非アクティブ期間の日数によって定義される離脱ユーザーセグメントです。最近のアクティビティは測定可能で、プラットフォームを問わず普遍的に利用可能であり、簡単にアクションを起こすことができます。しかし、それだけでは、 それは物語の一部しか語っていない。

ゲームの再エンゲージメントにおいて、行動に基づく離脱セグメンテーションは、最近の行動のみに基づくターゲティングよりも一貫して優れた成果を上げています。その理由は、最近の行動はプレイヤーが離脱した時期を特定するだけで、離脱の理由を特定できないからです。離脱の背後にある行動シグナルこそが、再エンゲージメントの可能性、最適な入札タイミング、そしてプレイヤーを呼び戻すためのクリエイティブを決定する要素となります。

実際の差は大きいです。 モバイルゲームユーザーの95%以上 インストール後30日以内に解約する, つまり、リターゲティングプログラムは常に大量の離脱ユーザーを対象にしていることになります。30日間全く活動していない2人のプレイヤーは、一方が有料コンテンツで離脱し、もう一方がライブイベント終了時に離脱した場合、再エンゲージメントの機会は全く異なります。両者に同じ入札額とクリエイティブを適用するリターゲティングプログラムは、両者を区別しないシグナルに基づいて最適化を行っていることになります。

どの選手が最も長く活動していないかを尋ねることは正しい出発点です。その上に重ねてより有用な質問は 各選手がプレーを止めた原因は何だったのか。

ゲームプレイヤーの離脱パターン4種類

モバイルゲームタイトル全体において、離脱したプレイヤーの大部分は4つの行動パターンに起因しています。これらのパターンはそれぞれインストール後のイベントデータから特定でき、それぞれ異なるクリエイティブ戦略と入札戦略が必要となります。 非アクティブ期間の設定は通常、デフォルトで30日間です。解約タイプによって、その期間内でターゲティングとクリエイティブ戦略がどのように適用されるかが決まります。

Sensor Towerによるモバイル業界の現状2025 この点を直接的に示す例として、9月は米国におけるモバイルゲームのダウンロード数が最も少ない月である一方、第4四半期には収益のピークが集中している。これは、外部のタイミング要因によって、プレイヤーベース全体で明確かつ予測可能な離脱と再エンゲージメントの期間が生まれることを示している。

  • ペイウォールの解約率

プレイヤーは収益化の判断ポイントに到達しても、コンバージョンに至らない。その兆候は近接性にある。つまり、アプリ内課金、サブスクリプションのプロンプト、あるいはハードペイウォールが提示されてから短い時間内に離脱が発生する。その時点までのエンゲージメント履歴は、意図の欠如ではなく、意図の表れである。プレイヤーはゲームに魅力を感じなかったから離脱したのではなく、特定の摩擦点が解消されなかったために離脱したのだ。

  • イベント終了時の離脱

プレイヤーはライブイベント（シーズンイベント、コラボレーション、トーナメントなど）開催中は非常に活発に活動していましたが、イベント終了後数日で利用を停止しました。コアとなるゲームループがプレイヤーを引きつけていましたが、一時的なコンテンツが主な利用促進要因でした。これは、行動上の原因が特定でき、再利用のきっかけが予測できるため、最も回復しやすい離脱タイプの1つです。

  • 定期的および季節的な変動

プレイヤーのセッション頻度は、ゲーム内イベントや収益化のタイミングとは無関係に、外部的な生活の変化（新学期、転職、旅行期間など）に対応するタイミングで低下します。これらのプレイヤーはゲームを拒否したわけではなく、新たな時間的制約の下でゲームの優先順位を下げたのです。前述の9月のゲームダウンロード数の減少は、このパターンが大規模に現れた例と言えるでしょう。

  • エンゲージメントの減衰

プレイヤーの活動が明確なきっかけもなく数週間かけて徐々に低下する場合、それは意思決定というよりはむしろ迷走を示唆している。原因としては、難易度の停滞、競合タイトルの存在、あるいはコアとなる進行ループにおける静かな勢いの低下などが考えられる。4つのタイプの中で、このタイプは再エンゲージメントへの道筋が最も予測しにくい。タイミングを計るイベントもなく、解決すべき摩擦点もないからだ。魅力的な新しいコンテンツ、社会的証明、あるいは再エンゲージメントに対する意義のある報酬が、主な手段となる。

解約タイプのセグメンテーションが入札モデルに何を教えているか

システムが混合された「離脱ユーザー」セグメントに対して最適化を行う場合、 根本的に異なる反応特性を持つプレイヤーから、相反するシグナルを受け取っている。 このモデルは、内部のどのセグメントにおいてもパフォーマンスが劣る平均値に収束する。再エンゲージメントの可能性が高いセグメントに対しては入札額が十分ではなく、コンバージョンが見込めないセグメントに対しては過剰に支払うことを避けるには入札額が十分ではない。

各解約タイプが個別の最適化目標である場合、モデルはセグメントごとに明確なシグナルを受け取ります。

  • 有料購読者の離脱率： このモデルは、最適な入札期間は1～14日目であること、価値を示すクリエイティブは割引を優先するメッセージよりも効果が高いこと、そして進行状況の記憶が薄れるにつれて30日目以降は効率が急激に低下することを学習する。

  • イベント終了時の離脱率： このモデルは、入札強度よりもタイミングの方が予測力が高く、この特定のグループにおいては、イベントの予告クリエイティブが常時配信型のゲームクリエイティブを大幅に上回るパフォーマンスを発揮することを学習する。

  • 定期的および季節的な変動： このモデルは、プレイヤーの制約期間の終了に合わせて適度な入札を行う方が、プレイヤーの新しいルーティンがまだリセットされていない、制約期間開始から30日後に高額の入札を行うよりも優れた結果をもたらすことを学習する。

  • エンゲージメントの低下： このモデルは、このセグメントに対してより高いCPMの下限を設定し、その中でもLTVの高いプレイヤーを優先し、一般的な再エンゲージメントメッセージでは不十分だと判断することを学習します。このグループは、既に離れてしまったものに戻るよう促すのではなく、何か新しいものを必要としているのです。

時間の経過とともに、クリーンなチャーンタイプのセグメントは、複利的な学習効果を生み出します。各キャンペーンは、モデルの入札範囲を絞り込み、クリエイティブ選択ロジックを改善し、各タイプのプレイヤーの中で現在のCPMレベルで再エンゲージメントする価値のあるプレイヤーを絞り込むシグナルを生成します。直近のデータのみに基づいて実行されるプログラムでは、このような精度は蓄積されません。セグメントは混ざり合ったままで、モデルは平均的なままです。

インストール後の信号深度がこれを可能にする理由

システムが「離脱ユーザー」という複数のセグメントを混合した対象に対して最適化を行う場合、根本的に異なる反応プロファイルを持つプレーヤーから相反するシグナルを受け取ることになる。

離脱タイプを特定するには、プレイヤーがプレイを停止した時点で何をしていたかを把握する必要があります。具体的には、進行状況マーカー、提示された収益化イベント、ライブオペレーションイベントカレンダーとの相関関係、および時間の経過に伴うセッション頻度曲線などです。最近のプレイ状況のみに基づくプログラムでは、プレイヤーが30日間非アクティブであることは確認できますが、課金条件に引っかかったのか、ライブオペレーションイベント後に離脱したのか、あるいは単に離脱したのかを判断することはできません。この違いこそが、入札モデルが扱うセグメントの質を決定づけるのです。

そこで、設置後の信号深度が構造的な差別化要因となるのです。 YouAppiは、管理対象キャンペーン全体でMMPポストバックデータを処理し、セッション、レベル完了、支払いイベントなど、プレイヤーの行動全体にわたるアプリ内イベントを活用します。また、新しい行動シグナルが届くと、動的なオーディエンスリストが継続的に更新されます。

Tilting PointのStar Trek Timelinesでは、長期間利用していない有料ユーザーを行動の深さでセグメント化している。 目標値100%に対し、D30 ROASは215%を達成した。ユーザーセッション数の急増と並行して。 確認 ケーススタディ セグメンテーションがどのように構成されているかを確認するため。

プレイヤーが離脱した理由に基づいたリターゲティングの構築

最も効果的なゲーム再エンゲージメントプログラムは、プレイヤーが離脱した時期だけでなく、離脱した理由に基づいて構築されます。この点が、明確なセグメントシグナルから学習する入札モデルと、混合プール全体で平均化する入札モデルとの違いを生み出します。その結果、パフォーマンスが複利的に向上するのに対し、いずれにせよ戻ってくるはずだったプレイヤーだけを捉えるキャンペーンでは、その差は歴然となります。

YouAppiがジャンルや市場を問わずゲームタイトルの離脱プレイヤーのセグメンテーションをどのように構築しているかについて議論するために、 チームと話す.