Как машинное обучение помогает геймдеву зарабатывать и экономить — рассказ Playgendary
Машинное обучение (ML) в игровой индустрии чаще всего связывают с тестированием уровней и динамическим изменением сложности. Между тем, этот инструмент можно применять и для увеличения игровой прибыли. Об этом в своём материале для App2Top.ru рассказал основатель компании Playgendary Дмитрий Шеленговский, активно внедряющий ML в свои продукты.
Дмитрий Шеленговский
Я выделяю семь задач, которые машинное обучение позволяет решать при оперировании игр.
1. Расширение платежеспособной аудитории игры
Этого можно добиться с помощью базирующегося на технологии машинного обучения таргетинга look-alike, который уже используется в рекламных сетях. Его суть состоит в том, что алгоритмы изучают аудиторию, находят общие черты людей и паттерны их поведения, а потом на основе этих данных формируются пользовательские сегменты.
Как это использовать для увеличения дохода в играх?
Пример: алгоритм определяет общие черты людей, проводящих в игре больше всего времени и тратящих на неё деньги. Затем эту информацию можно загрузить в рекламный сервис («Яндекс.Директ», Facebook, Google AdWords и другие) в качестве таргетинга, чтобы найти людей с такими же характеристиками. Такие игроки с большей вероятностью будут играть долго и тратить деньги. Тем самым можно оптимизировать затраты на рекламу, повысив её эффективность. Оговорюсь, что в примере выше речь идет об ML, скрытом внутри рекламных сетей, а не непосредственно игры.
2. Удержание игроков и предсказание их ухода
При анализе поведения игрока алгоритмы машинного обучения могут увидеть первые признаки того, что он собирается уйти из игры.
Например, система фиксирует, что игрока слишком часто убивают, он заходит в игру всё реже и проводит в ней всё меньше времени. Это может быть признаком того, что он разочаровывается в проекте и скоро уйдет окончательно. Чтобы возродить интерес, система может предложить игроку дополнительные уровни, понизит сложность, предоставит подарки или новый функционал. Это важно: удержать существующего игрока дешевле, чем привлечь нового.
Для решения этой задачи уже даже есть специальные платформы. Японская Silicon Studio, например, создала собственную YOKOZUNA, которая умеет предсказывать поведение игроков, прогнозировать, сколько времени они будут играть, сколько денег потратят (и на что) и даже какого уровня достигнут. Пользоваться этой платформой могут и сторонние разработчики.
3. Динамическое изменение цен на внутриигровые товары
Большим заблуждением является мнение, что единая цена на внутриигровой товар подходит всем. Сегодня у многих игр по всему миру миллионы пользователей. Очевидно, что у них всех не может быть один уровень дохода.
Алгоритм машинного обучения, проанализировав игровые привычки человека, историю его предыдущих покупок, учитывая игровую платформу и прочие факторы, может определить и предложить оптимальную для игрока цену товара. Тем самым вероятность продажи вырастет.
Благодаря такому подходу выручка от продаж контента может вырасти на 20-40%.
4. Индивидуальные предложения
Как и в случае с динамическим формированием цены, алгоритмы машинного обучения могут формировать индивидуальные контентные предложения для игроков. Изучив стиль игры пользователей, историю покупок и прочие факторы, система предложит игроку тот товар, который он захочет приобрести с большей вероятностью прямо сейчас.
Допустим, если игрок методично «прокачивает» навыки владения двуручным мечом, то не стоит предлагать ему купить лук.
5. Превращение бесплатных игроков в платных
Фритуплейная модель в играх подразумевает как наличие платящих игроков, так и тех, кто играет только бесплатно. Машинное обучение позволяет увеличить количество первых за счёт вторых.
Как это происходит?
Если алгоритму удалось собрать достаточное количество информации о том, как играет пользователь и о его предпочтениях, то система будет лучше понимать его мотивацию и ценности. Следовательно, она сможет генерировать эксклюзивные предложения, которые будут иметь ценность именно для этого игрока.
Сделав уникальное предложение по комфортной цене и в нужное время, система мягко подтолкнет пользователя к первой покупке. Психологический барьер «первого платежа» будет преодолен, а вероятность второго и третьего платежей значительно возрастает (по сравнению с первым платежом).
6. Оптимизация частоты появления рекламы
Алгоритмы машинного обучения можно использовать и для того, чтобы оптимизировать частоту демонстрации рекламы, если модель монетизации подразумевает её наличие. Например, чтобы добиться баланса между ростом прибыли и сохранением лояльности игроков.
Представим, что алгоритм проанализировал поведение пользователей и заметил, что после достижения пятого уровня вероятность их ухода в ближайший месяц снижается на 50%. Следовательно, уровень лояльности у таких игроков выше и вряд ли небольшой рост объёма рекламы спровоцирует бурное недовольство. Менее терпимым к рекламе игрокам можно показывать её меньше.
7. Борьба с мошенниками
Одна из основных проблем продвижения любых мобильных приложений – это поддельные установки и «мусорный» трафик. Как правило, приложения продвигаются по CPI-модели, при которой разработчик платит за каждую установку. Мошенники даже строят целые «фермы» из устройств, чтобы накручивать установки.
Всё это обходится индустрии мобильных игр в миллиарды долларов ежегодно. В одном из исследований World Federation of Advertisers говорится, что к 2025 году мошенники будут стоить разработчикам приложений $50 млрд в год. По данным платформы AppsFlyer, в первом квартале этого года их потери уже составили $700-800 млн (плюс 30% к прошлому году).
Алгоритмы машинного обучения могут анализировать мошенническую активность, обучаясь вычислять её и блокировать оплату за поддельные установки. Тем самым они сэкономят разработчикам на рекламе миллионы или даже миллиарды долларов.
Вместо вывода
Один из самых масштабных тестов влияния машинного обучения на монетизацию (из тех, что были озвучены публично) провели разработчики сервиса Game of Whales, который специализируется на ML-монетизации. Сначала их алгоритмы 18 месяцев изучали поведение 18 млн игроков. Затем была выделена контрольная группа пользователей, с которыми и работал ИИ. Выяснилось, что в этой контрольной группе выручка от фритуплейных игр выросла на 25%, а отток пользователей сократился на 10%.
О чём говорят эти цифры? Монетизация игр с использованием машинного обучения – это не просто инструмент увеличения доходов разработчиков, но и способ сделать игру комфортнее и приятнее для самих игроков, дав им именно то, чего они хотят, не отталкивая их агрессивной рекламой.
Также по теме:
