17. ◆ ケース① ユーザの特徴明確化
SEGA Games Co., Ltd. SEGA Networks Company 17
ユーザの特徴を明確化してサー
ビス強化点としたい
類似ユーザをグループ分けする
と特徴が明確になる?
課題 仮説
1
Spark MLlibのK-meansアルゴリズムで、ユーザを「類似した」ユー
ザ同士で3つのクラスタ(グループ)に分けた
⇒ どの変数(要因)でクラスタが明確に分かれるかを把握
解決策
18. ◆ ケース① ユーザの特徴明確化
SEGA Games Co., Ltd. SEGA Networks Company 18
頻度
値
変数X1、X2、X3においてクラスタが明確に分かれた
ユーザの特徴は、これらの変数で説明可能
ユーザの特徴を把握でき、サービス強化点として考慮できるように
なった
変数 X1 変数 X2 変数 X3
19. ◆ ケース② ユーザのゲーム離れを抑止
SEGA Games Co., Ltd. SEGA Networks Company 19
ユーザのゲーム離れを抑止した
い
ゲームを辞めそうな人を予測し
て引き留めると良い?
課題 仮説
2
Spark MLlibのロジスティック回帰アルゴリズムで、ユーザのn日後残
存確率を予測
⇒ n日後残存確率に応じて、個別のサービスを提供
解決策
20. ◆ ケース② ユーザのゲーム離れを抑止
SEGA Games Co., Ltd. SEGA Networks Company 20
効果計測の指標として、【継続率】を適用
継続率で約20%程度の向上を目指す
継続率(%)
週
対応前
対応後(予定)
21. ◆ ケース② ユーザのゲーム離れを抑止
SEGA Games Co., Ltd. SEGA Networks Company 21
n日後残存確率が High/Middle/Low のどれに該当するかによって、
ユーザをカテゴリ分け
n日後残存確率(%)
変数X
High
Middle
Low
実際には残存した
実際には辞めた
予測
実際
22. ◆ ケース② ユーザのゲーム離れを抑止
SEGA Games Co., Ltd. SEGA Networks Company 22
どのカテゴリでも、約10%以内の誤差で、 n日後残存確率の予測が
できた!
A : n日後残存確率の
カテゴリ(= x)
A’ : Aの中央値
B : 実際にn日後
に残存した割合
誤差
B – A’
Low
(x < 20%)
10% 3.37% -6.63%
Middle
(20% <= x < 80%)
50% 39.23% -10.77%
High
(80% <= x)
90% 95.43% 5.43%
23. ◆ ケース② ユーザのゲーム離れを抑止
SEGA Games Co., Ltd. SEGA Networks Company 23
継続率(%)
週
対応後(実際)
(わずかに目標(+20%)には届かなかったけど…)
大幅(+15%)な継続率向上が見られた。
⇒ ユーザのゲーム離れ抑止に効果があった!
24. ◆ ケース③ 多様な属性のユーザも楽しませる
SEGA Games Co., Ltd. SEGA Networks Company 24
多様な属性のユーザにもゲーム
を楽しんで欲しい
ユーザ属性情報を予測し、属性
毎にサービスすると良い?
課題 仮説
3
※ 今回はユーザの「性別」を予測
Spark MLlibのロジスティック回帰アルゴリ
ズムで、ユーザのプレイデータから性別を予
測
⇒ 予測属性に応じて、個別にサービスを提供
解決策
Event
A
Event
B
25. ◆ ケース③ 多様な属性のユーザも楽しませる
SEGA Games Co., Ltd. SEGA Networks Company 25
* GoogleのTensorFlowにて検証。Spark MLlibでは未サポート
いくつかのアルゴリズムを試行し、結果的にロジスティック回帰が
最も高い82%の精度を出した
ユーザの性別を予測し個別にサービスを提供して、どちらの性別の
ユーザも楽しませる事ができるようになった
アルゴリズム 精度
ロジスティック回帰 82%
デシジョンツリー(Gini Impurity) 81%
* ディープラーニング(6層) 73%
* ニューラルネットワーク(2層) 71%
26. 1. Motivation
2. Challenge
3. Case Study
4. Summary
5. Next Challenge
Summary
4
SEGA Games Co., Ltd. SEGA Networks Company 26
27. ◆ まとめ
SEGA Games Co., Ltd. SEGA Networks Company 27
Spark MLlibを使って予測したら、みんなに良い事があった
データエンジニアにとっては、難しい予測処理をMLlibに
任せられた
データアナリストにとっては、運営担当者に精度の高い予
測結果を提供できるようになった
運営担当者にとっては、精度の高い予測結果を活用して、
「予防」対応を実施できるようになった
エンドユーザにとっては、自分に合うサービスが増えて、
もっとプレイを継続したい気になれた
つまり、みんながHappyになった!!
28. 1. Motivation
2. Challenge
3. Case Study
4. Summary
5. Next Challenge
Next Challenge
5
SEGA Games Co., Ltd. SEGA Networks Company 28
30. ◆ ケース④ 不採算見込タイトルの事前改善
SEGA Games Co., Ltd. SEGA Networks Company 30
売上が立たないタイトルをリ
リースしたくない
リリース前に売上予測を行い、
事前に改善できると良い?
課題 仮説
4
Spark MLlibの線形回帰アルゴリズムで予測計算式を導出し、一定期
間後の売上高を予測
検討している解決策
売上
日数
now
31. ◆ ケース⑤ コンテンツの認知度向上
SEGA Games Co., Ltd. SEGA Networks Company 31
コンテンツのクリック率を向上
させたい
ユーザ毎に最適なコンテンツ表
示ができると良い?
課題 仮説
5
Spark MLlibの交互最小二乗法(ALS)アルゴリズムで、自分に近い嗜
好を持つ他ユーザがクリックしたコンテンツをレコメンド
検討している解決策
A
B
C
C
X
Y
32. ◆ ケース⑥ クエストバランス調整属人化排除
SEGA Games Co., Ltd. SEGA Networks Company 32
クエストバランス調整の属人化
を排除したい
難易度や報酬等の要因で予測式
が導けると良い?
課題 仮説
6
仮説も検討中
33. ◆ Finally…
SEGA Games Co., Ltd. SEGA Networks Company 33
We are hiring!!
http://sega-net.com/recruit/
ビッグデータ
マシンラーニング
モバイルゲーム に興味がある
データエンジニア
データアナリスト