Поделиться
«Техносерв» вышел на рынок мобильных игр с алгоритмами машинного обучения
«Техносерв» и студия KB Production тестируют аналитический сервис для мобильной игры «Маша и Медведь: день варенья». Сервис с помощью машинного обучения изучает поведение игрока и в зависимости от этого подбирает для него подходящую игровую логику, а также регулирует частоту показа рекламы и предложений о покупках.
Аналитический сервис MiGA
Как стало известно CNews, системный интегратор «Техносерв» и студия разработки мобильных игр KB Production запустили тестирование прототипа облачного аналитического сервиса на базе машинного обучения для мобильных игр. Продукт получил рабочее название MiGA. KB Production наиболее известна как разработчик игры «Маша и Медведь: день варенья» по мотивам одноименного мультфильма. Эта игра и задействована в тестировании.
MiGA работает в облаке TS-Cloud. Он основан на облачном сервисе для совместной работы аналитиков данных Data Science Workspace. В MiGA присутствует готовая предсказательная модель для сферы разработки мобильных игр. Благодаря интеграции с событиями, происходящими в игре, и сервером игры через API, MiGA регулярно предсказывает сегментацию игроков по поведенческим признакам, анализируя на основе этих данных игровой опыт.
По словам руководителя продуктового направления Центра компетенций больших данных «Техносерва» Тимура Мишина, «Маша и Медведь: день варенья» хорошо подходит для тестирования предиктивных моделей благодаря использованию игровой механики mach3, достаточному количеству исторических данных и узнаваемым персонажам, которые привлекают к себе внимание даже экспертов крупной ИТ-компании. Мишин также отмечает, что игровые студии — это оптимальный клиентский сегмент, поскольку выручка в данной индустрии растет, а сами студии готовы быстро интегрировать и тестировать сервис.
Директор Центра компетенций больших данных Георгий Шатиров пояснил, что предсказательная аналитика пока что является одним из самых неисследованных направлений сервисов для разработчиков игр. «Специфика данных мобильной игровой индустрии заключается в большом количестве сегментов как игровых механик, так и самих игроков. Это непростая задача для машинного обучения, видимо, поэтому в данном направлении пока не так много поставщиков сервисов», — отмечает он.
Как это работает
По просьбе CNews Тимур Мишин привел несколько примеров возможной работы сервиса. По мере прохождения пользователем игры MiGA периодически определяет уровень подготовки игрока. Метрики данного игрока передаются на сервер. В соответствии с этими данными сервер игры корректирует под пользователя игровую логику и игровые события. Результатом этого становится большая вовлеченность игрока в процесс, что увеличивает время, которое он проводит в игре. Кроме того, увлеченный пользователь лучше переносит рекламу и совершает больше эмоциональных покупок, что приводит к росту выручки.
Также с самого начала прохождения игры MiGA отслеживает, как пользователь относится к просмотрам рекламы, покупкам или другим действиям. В зависимости от этого сервис включает определенный сценарий по какому-либо конкретному действию. Например, игрокам, которые вообще не склонны платить в игре, чаще показывается реклама. Или же игроку предлагается больше целевых предложений о покупке и меньше рекламы, или вообще не показывается реклама после покупки. Правильно подобранный сценарий способствует росту выручки.
Как создавался продукт
По словам Шатирова, разработка сервиса заняла два месяца. Была задействована команда из пяти человек. Сейчас продолжается тестирование приложения и работа над повышением качества предсказательной модели.
Машинное обучение — это одно из основных направлений «Техносерва», отмечает Шатиров. Сегмент мобильных игр был выбран для работы потому, что это перспективное направление: в 2018 г. данный рынок оценивался в $60 млрд, ежегодный рост превышал 20%. Направление сервисов с предсказательной аналитикой было выбрано как наименее представленная ниша.
В качестве методологии продуктовой разработки компания использует собственный фрэймворк, частично выработанный в ходе основной деятельности, частично заимствованный из фреймворка Сергея Тихомирова. Набор желаемых опций для MiGA был определен по результатам глубинных интервью с потенциальными клиентами — средними и большими игровыми студиями.
«Для быстрого запуска пилота с партнером процесс разработки технического ядра сервиса был распараллелен на две команды, которые первое время работали независимо друг от друга: одна команда анализировала датасеты, формулировала гипотезы и разрабатывала алгоритмы машинного обучения, вторая готовила и настраивала инфраструктуру взаимодействия с клиентскими приложениями», — поясняет Шатиров.
Возникшие проблемы
Со своей стороны, Тимур Мишин отмечает, что в процессе разработки компания столкнулась с нехваткой на рынке труда квалифицированных продуктовых аналитиков, разбирающихся в машинном обучении. Очистка и приведение данных в необходимый для аналитика вид заняли около двух недель, сообщил Мишин.
Кроме того, чтобы сервис работал в близком к реальному времени, нужно постоянно загружать данные из игры. Таким образом, работа сервиса ограничена архитектурой аналитических приложений, которые используют студии. Также выяснилось, что важной задачей является возможность повторного использования разработанной модели для другой игры в том же жанре, что обеспечивает тиражируемость продукта. С этой целью разработчики закладывают универсальные элементы в архитектуру загрузки данных и расчета витрин, а также в саму модель.
Короткая ссылка
