К этому моменту вы уже должны хорошо разбираться в прогнозном моделировании и в том, как оно применяется в играх.
Если нет, см.
: часть 1 И часть 2 Эта статья.
У нас сформирована хорошая база, и в заключительной части мы попробуем сделать прогнозы и посмотреть, что ждет бурно развивающуюся отрасль в будущем.
Даже после того, как все сказано и сделано, прогнозирование на основе больших данных остается чем-то неизвестным.
Мы находимся только на ранних стадиях раскрытия потенциала этой технологии.
Поэтому, если вы сомневаетесь, использовать прогнозирование в своей игровой компании или нет, у меня для вас отличная новость: вы сделали только первый шаг, но уже опережаете многих своих конкурентов.
Плохая новость в том, что это настолько неисследованная область, что здесь пока недостаточно квалифицированных специалистов, способных правильно и полно интерпретировать полученные данные.
Да и самих данных для работы не так уж и много.
Для создания прогнозных моделей требуются опытные пользователи.
В социальной прогнозной аналитике, описанной в предыдущей части, их роль играют социальные «киты».
Это пользователи, которые имеют большие социальные связи и таким образом способны существенно влиять на других игроков.
Подтверждая или опровергая те или иные предсказания, «киты» могут многому научить разработчиков игр в создании моделей того или иного вида.
Прогнозирование улучшается за счет действий игрока (повторяющихся сценариев), модель ориентирована на опытных пользователей.
Без них невозможно улучшить модели прогнозирования.
Для многих разработчиков камнем преткновения является не отсутствие данных, а отсутствие квалифицированных аналитиков.
В нашем университете (Дмитрий Уильямс – доктор философии Мичиганского университета – Ред.) этому просто пока не учат. Мы готовим либо хороших технических специалистов, умеющих работать с данными, либо хороших интерпретаторов.
И очень редко встречаются те, кто может сделать и то, и другое.
Некоторые исследователи Мы пошли еще дальше в этом вопросе.
На мой взгляд, больше всего не хватает людей, понимающих правильные вопросы.
Найти людей с техническими навыками легко, но взять все бизнес-процессы и адаптировать под них данные гораздо сложнее.
Здесь нам пригодятся социологи.
Однако основная проблема – отсутствие простых и эффективных инструментов для создания моделей.
Эти инструменты не работают как аналитические приложения, устанавливаемые «за полчаса», которые можно быстро и легко установить.
Они объемные и громоздкие и на их создание требуется время.
Разработчикам игр нелегко просто взяться за дело и начать использовать эти инструменты: им нужно досконально понять своих игроков и потратить много времени на сбор полезных данных, прежде чем эффект станет заметен.
Вам придется иметь дело с интеграцией или SDK (комплектом для разработки программного обеспечения), а полученные инструменты должны быть понятны и доступны на всех уровнях управления.
Легче сказать, чем сделать, но все же возможно.
Звучит не очень весело, правда? Как я уже говорил ранее, прогнозирование — это не волшебство.
Прогнозирование игр, в частности, представляет собой смесь науки и упорного труда.
Однако не все так мрачно: появляется много хороших онлайн-инструментов и накапливается опыт. Сейчас исследователи находятся на передовой, пытаясь интерпретировать данные и построить более совершенные модели, чтобы вывести эту отрасль на конкурентоспособный уровень.
И пути назад нет. В конце концов, мы достигнем точки, когда прогнозирование станет товаром и обычной частью любой информационной панели.
Надеяться, социальная ценность сможет приблизиться по показателям к K-Score или LTV. Если прогнозирование действительно так ценно, спросите вы, должны ли все аналитические компании перейти на него? Скажем так: между производительностью и доступностью идет постоянная битва.
Проще говоря (как вы, возможно, узнали из предыдущих постов), аналитика становится более сложной.
По мере его развития мы получаем все более значимые и точные результаты, но эти результаты часто достигаются за счет способности понимать.
Например, новые модели информатики, о которых мы сейчас говорим, затмевают привычные социологические методологии и принципы бизнес-школы.
Поверьте нам, мы достигаем уровня точности 90%, используя некоторые модели, которые вы никогда бы не создали с помощью традиционных методов (например, логит-модели, регрессия).
Но есть и другая сторона медали.
Эти модели нетрадиционны, поэтому мы не получаем понятных результатов: они отображаются в таблицах, условных операторах, массивах правил и других длинных и непонятных форматах.
Буквально ни один человек не способен осмыслить эти данные.
Большую часть своей карьеры я посвятил попыткам разобраться в данных и понять человеческую природу геймеров.
И все же, прочитав две страницы, полные утверждений «если-то», я ничего не понял.
Так как же мы можем доверять моделям, которых не понимаем? Потратив много времени на исследования и тестирование, мы просто знаем, что это работает. Неважно как, главное – результат. Эти модели достаточно точны и уверенно проходят испытания и повторные испытания.
Это черный ящик, который действительно работает. Вернемся к играм.
Представьте, что вам нужно узнать, потратит ли игрок А деньги в следующем месяце.
У вас есть две модели: одна с точностью 85 % говорит, что она потратит, но вы не сможете выяснить, почему, а другая — с точностью 40 %, но объясняет почему.
Какую концепцию вы выберете? С практической точки зрения это довольно простой вопрос.
В каждом случае я выберу модель с наибольшим процентом точности.
Если вы достаточно настойчивы и собираетесь их протестировать, то в процессе тестирования можно разработать алгоритм, который поможет выяснить причину.
Не поймите меня неправильно: я опытный моделист и тоже хочу знать все ответы.
Но если я смогу получить модели с надежностью 80% без каких-либо объяснений, оно того стоит. Я хотел бы иметь специальную область на панели инструментов, которая отвечала бы на мой вопрос «почему», и я буду усердно работать, чтобы сделать ее доступной для команд разработчиков и менеджеров сообщества.
Они лучше всех понимают игру, поэтому им нужны инструменты, которым можно легко научиться.
Это более разумный и практичный способ проникнуть в кроличью нору.
Как я сказал в самом начале этой серии статей, никто не может предсказать будущее.
Но если мы возьмем всю имеющуюся у нас информацию о повторяющихся сценариях и прогнозах и добавим весь наш опыт в области науки о данных, мы станем намного ближе к этому.
Теги: #аналитика #сбор данных #прогнозирование #игры #индустрия #монетизация #разработка #перевод #Анализ и проектирование систем #Разработка мобильных приложений #Разработка игр #Тестирование игр
-
Мечты
19 Oct, 24 -
Вы Голодны? Новый Кулинарный Поисковик
19 Oct, 24 -
Microsoft Поможет Найти Ошибки В Oss
19 Oct, 24 -
Курс «Взлом Postgresql» — Скоро
19 Oct, 24
