Игры: детекция и экономика борьбы с читерами

Ситуация: Estimated cheater rate — 4% от active players. Читеры снижают retention честных игроков на 15%. Текущая detection rate — 60%, ban appeal success rate — 22%.

Online FPS с 800 000 DAU. Типы читов: aimbot, wallhack, speed hack, economy exploits. Anti-cheat система работает на client и server side. Бан-волны проводятся раз в 2 недели.

Доступные данные

• player_stats: player_id, match_id, kills, deaths, headshot_pct, accuracy, reaction_time_ms, suspicious_score
• reports: report_id, reporter_id, reported_id, match_id, reason, timestamp, verified
• bans: ban_id, player_id, ban_date, ban_type, duration, appeal_submitted, appeal_result
• match_quality: match_id, avg_fairness_score, leavers_count, reports_count, had_cheater
• revenue_impact: player_id, spending_before_encounter, spending_after_encounter, churn_after_cheater_match

Задачи

• Рассчитать total economic impact читеров: lost revenue от churned honest players + support costs.
• Определить optimal detection threshold: false positives (banned legit) vs. false negatives (missed cheaters).
• Предложить anti-cheat investment strategy: сколько стоит улучшить detection rate с 60% до 80%, 90%.
• Оценить альтернативные подходы: shadow ban, cheater-only lobbies, hardware bans.
• Спроектировать fair appeal process с SLA.

Все кейсы для подготовки → ← Все кейсы