[レポート] How Rovio Uses ML to Acquire, Retain, and Monetize Users #reinvent #GAM304

タケダノです。

アングリーバードを作ったRovio社の機械学習について話を聞いてきました。

 

概要

Understanding gamer behavior is critical in acquiring, retaining, and monetizing users effectively. The cycle requires constant fine-tuning through expensive and complex live operations to offer fresh, fun, and challenging experiences. In this session, learn how Rovio uses machine learning (ML) to make this process faster, more efficient, and more accurate. Learn how to leverage AWS compute, analytics, and database services, such as Amazon S3, Amazon EC2, Amazon EMR, Amazon Athena, Amazon DynamoDB, and Amazon Redshift, to build an ML workflow that predicts the future interests and behaviors of gamers to better serve your needs and theirs.

 

スピーカー

Vesa Siivola - Senior Data Engineer, Rovio

 

内容

3つの異なる機械学習の話です。

 

数字で見るRovio

アジェンダ

・Live Operations

・Data at Rovio

・Predicting

Churning

Spending

App install propensity

・Customizing user experience, technology overview

 

 

ライブオペレーション（運営について）

運営しながら改良をしていくスタイルです。

・イベント

・プレイヤーサポート

・ユーザーの獲得

いずれも運営しながら改良をしていきます。

 

データ哲学

１　単一の真実

２　共有は思いやり

３  未来を抱えている

ということです。

Beacon

RovioではBeaconというゲームチームのためのプラットフォームを使っています。

・client SDK

・Game service

・Charts and reports

・Customization

・A/B testing

 

分析のデータフロー概要

スーパーセルのセッションを見たかもしれないけど、それとはずいぶん違います。

ちなみに、S3をLake of wisdomと呼んでいますが、昨年re:Invent 2017に同僚Henri HeiskanenがBuilding a Lake of Wisdomについてセッションを持っているので参照してください。

https://www.youtube.com/watch?v=pmfIi-adXcM

KPIはRedshiftでやっています。

 

プレイヤープロファイル

機械学習１：プレイヤーの攪拌

定義：プレイヤーはゲームを止めるのか。

もし、それが予測できるなら、そのことに対して何が出来るか。

機械学習によるソリューションが役に立つか

「最低2週間のトレーニング＞2週間提供する＞2週間経過観察をする」

という１つのセットを作ります。

それが基本セットとして予測モデルをセットアップします。

アジャイルの機械学習プロジェクトをテンプレートとします。

トレーニングのプロファイルがSparkを経てRedashに行き、逆に、戻ってきたモデルを現在のプロファイルとSparkに送り、最終的にCassandraに送ります。

それぞれのゲームは独自のモデルを持っており、モデルは週ごとに訓練され、日々再計算されます。

メリット：特別なフィーチャーは必要ない。けれども精度は上がる。データの流れは自然。

デメリット：最初の2週間はデータが得られない。

 

2つめの機械学習：プレイヤーの消費をニューラルネットワークスで予測する

簡単なデータフロー

プレイヤー消費スコアのインパクト

・類似の聴衆でユーザー獲得において特に改良はない。

・ゲーム内のユーザー体験のカスタマイズを模索する。

最初の七日間でプレイヤーのプロファイルをベースに予測をする。

課金ユーザーになってくれるのか。

いくらくらい使ってくれるのか。

広告の評価や、出し方を改良するということに効果的です。

 

 

3つめの機械学習：ゲームをインストールする傾向を予測

・プレイヤーはゲームの広告からインストールをしようとするのか

・もしその可能性が低いなら何か別のモノを見せなければならないのではないか。

インストールの傾向をトレーニング

モデルセットアップ

製品への導入

A/Bテストの比較により、今回機械学習を導入した青のグラフが優れている事がわかる

 

 

ユーザーエクスペリエンスのカスタマイズ

プッシュ通知のサービスの紹介

いずれも低いレベルのAWSサービスで構築していることをアピールされていました。

それには理由があって、アジャイル型の機械学習に於いてはシンプルなモデルで始める方が良いと考えているのと、日々測定基準を継続的に統合するという点で向いているからだということです。

ビジネス的な価値と、モデルの精度と、ランニングコストはそれぞれトレードオフの関係にあるので最適解を探す必要があるようです。

 

最後に

いかがでしたか。

機械学習を使って効率を上げる事をお考えの際には是非クラスメソッドへご連絡ください。

担当者が誠意を持って対応をさせていただきます。