SEGA : Growth hacking by Spark ML for Mobile games

SEGA Games Co., Ltd. SEGA Networks Company
SEGA :
Growth hacking by Spark ML
for Mobile games

◆ 自己紹介
SEGA Games Co., Ltd. SEGA Networks Company 2
村上宰和（むらかみただかず）
所属
株式会社セガゲームス
セガネットワークスカンパニー
IT統括部共通基盤開発部
データマイニングセクション
主な業務
・Hadoopベースのデータ基盤・分析基盤構築
・直近はSpark MLlibを活用した予測基盤構築
・業務課題に対する予測活用提案
マイブーム
・畑で野菜栽培
・コーヒードリッピング、テイスティング
・San Francisco 49ers（NFL）

◆ アジェンダ
1. Motivation
2. Challenge
3. Case Study
4. Summary
5. Next Challenge

1. Motivation
2. Challenge
3. Case Study
4. Summary
5. Next Challenge
Motivation
１

◆ モバイルゲームビジネスとは？
売上
日数
売り切り型ゲーム
モバイルゲーム
（悪い状態）
（良い状態）
 今までの売り切り型とは異なり、継続的なサービスを提供するビジ
ネスモデル
 売上も、長期にわたり継続的に確保

売上
日数
売り切り型ゲーム
（悪い状態）
（良い状態）
 売上維持のために適切な【運営】が必要
 では、どうやって？
◆ ビジネスの課題
適切な運営

◆ ビジネスへの貢献
徹底的にデータを駆使して、適切な運営の実現に貢献する
あらゆるデータを精査し、これを活用してサービスを成長させる
= 【グロースハック】

◆ 分析による課題解決
 まずはデータ分析で解決
 具体的には、時系列分析、比較分析、内訳分析等を実施
急に売上が下がってきた！
巻き返したい
アクティブユーザが減少している。
歯止めをかけたい
イベントの出足が悪い。
途中でてこ入れしたい
前回販売したゲーム内商品が売れ
た！次回も売れたい！
売上関連のKPIで時系列的に悪化
トレンドの指標を改善
流出したユーザが属する層を内訳
分析で特定し改善
イベント関連データを内訳分析し、
悪化要因抽出・改善
各商品のデータを様々な軸で比較
し、好調な軸に着目
課題解決策

◆ 【対症療法】から【予防】へ
予測に基づく【予防】はできないのか？
分析による課題解決は【対症療法】

1. Motivation
2. Challenge
3. Case Study
4. Summary
5. Next Challenge
Challenge
2

◆ 予測によって解決する課題
ユーザの特徴を明確化してサー
ビス強化点としたい
ユーザのゲーム離れを抑止した
い
多様な属性のユーザにもゲーム
を楽しんで欲しい
売上が立たないタイトルをリ
リースしたくない
コンテンツのクリック率を向上
させたい
クエストバランス調整の属人化
を排除したい
類似ユーザをグループ分けする
と特徴が明確になる？
ゲームを辞めそうな人を予測し
て引き留めると良い？
ユーザ属性情報を予測し、属性
毎にサービスすると良い？
リリース前に売上予測を行い、
事前に改善できると良い？
ユーザ毎に最適なコンテンツ表
示ができると良い？
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
１
2
３
４
５
６

◆ Spark MLlibでやってみた！
 予測を実現するために、 Spark MLlibを活用
 ユーザ動向データ等を「学習」して、予測能力を獲得
ユーザ動向データ等

◆ Spark MLlibとは？
種類用途
分類要素が該当するカテゴリを推測
回帰予測計算式を導出して数量を予測
クラスタリング要素の集合をグループ分けしつつ、要因抽出
協調フィルタリングレコメンデーションを行う
 Spark MLlibは、Hadoopのエコシステムの1つであるSparkに付
属するマシンラーニングライブラリ
 主に4つの種類・用途がある

◆ 使用したアルゴリズムと選定理由
 ロジスティック回帰 : 物事が発生する「確率」を予測する用途に最適
 K-means : クラスタ数が所与の場合、比較的高速かつ高精度
種類アルゴリズム
分類
サポートベクタマシン(SVM)
デシジョンツリー（Gini Impurity/Entropy/Variance）
ナイーブベイズ
回帰
ロジスティック回帰
線形回帰
クラスタリング
K-means
混合正規分布モデル(GMM)
潜在的ディリクレ配分法(LDA)
協調フィルタリング交互最小二乗法(ALS)

1. Motivation
2. Challenge
3. Case Study
4. Summary
5. Next Challenge
Case Study
3

◆ 予測によって解決した課題
い
させたい
を排除したい
課題仮説
１
2
３
４
５
６

◆ ケース① ユーザの特徴明確化
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

◆ ケース① ユーザの特徴明確化
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

◆ ケース② ユーザのゲーム離れを抑止
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

 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)

 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

 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%

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！

◆ ケース③ 多様な属性のユーザも楽しませる
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

◆ ケース③ 多様な属性のユーザも楽しませる
* 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%

1. Motivation
2. Challenge
3. Case Study
4. Summary
5. Next Challenge
Summary
4

◆ まとめ
 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！！

1. Motivation
2. Challenge
3. Case Study
4. Summary
5. Next Challenge
Next Challenge
5

◆ 予測によって解決しようとしている課題
い
させたい
を排除したい
課題仮説
１
2
３
４
５
６

◆ ケース④ 不採算見込タイトルの事前改善
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

◆ ケース⑤ コンテンツの認知度向上
させたい
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

◆ ケース⑥ クエストバランス調整属人化排除
を排除したい
課題仮説
6
仮説も検討中

◆ Finally…
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

Thank You

SEGA : Growth hacking by Spark ML for Mobile games

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Destacado

Destacado (8)

Similar a SEGA : Growth hacking by Spark ML for Mobile games

Similar a SEGA : Growth hacking by Spark ML for Mobile games (20)

Más de DataWorks Summit/Hadoop Summit

Más de DataWorks Summit/Hadoop Summit (20)

SEGA : Growth hacking by Spark ML for Mobile games