Apprentissage automatique pour la prédiction de la rétention des joueurs dans un jeu mobile

Client

Le client est une entreprise de premier plan spécialisée dans la production artistique et le développement de jeux en Europe. Ils ont fait leurs preuves dans la création de jeux hyper occasionnels. Le client était confronté au problème de la prédiction de la rétention des joueurs dans le nouveau jeu sportif gratuit (F2P). Plus précisément, il avait des difficultés à interpréter les données de jeu issues de la première expérience. L'objectif était d'analyser les données de comportement des joueurs et les caractéristiques clés influençant le taux de désabonnement des joueurs. Avec toutes ces données, ils ont pu raviver l'intérêt des joueurs pour le jeu et les inciter à y rester plus longtemps.

Le client ne disposait pas d'analytique interne. Il s'est adressé à DataSqueeze car il recherchait une entreprise disposant d'une expertise de haut niveau en analyse prédictive et analyse pilotée par l'apprentissage automatique. Pour relever leurs défis métier, ils avaient besoin d'un logiciel prédictif.

Défi : prédiction de la rétention des joueurs basée sur les données de comportement des joueurs

Pendant la phase de planification, notre équipe a été mise au défi de développer une solution intégrant des algorithmes efficaces qui analysent les données de jeu et prédisent le taux de désabonnement des joueurs. La solution devait être déployée dans un client de jeu.

Les données de jeu sont volatiles et difficiles à gérer. Un autre défi pour nous consistait à apprendre à collecter ces données et appliquer l'IA pour prédire le prochain mouvement du joueur.

Solution : modèle d'analyse prédictive pour la prédiction du taux de désabonnement des joueurs

Tout au long du projet, notre équipe a communiqué étroitement avec le client. Nous avons passé beaucoup de temps dans les salles à proposer des idées et à discuter des solutions possibles. En conséquence, nous avons proposé l’adoption de solutions d’IA pour l'analyse de l'activité des utilisateurs et la prédiction du taux de désabonnement.

Notre équipe d'ingénieurs a décidé d'utiliser l'apprentissage automatique et l'IA pour la phase de preuve de concept.

Nous avons tracé les tâches suivantes :

• La construction de modèles de scoring qui déterminent les principaux indicateurs des joueurs en 3 mois
• Prédire le taux de désabonnement des joueurs après la première session, puis le premier et le deuxième jour
• Prédire le nombre de clics sur les publicités

1. La première étape a été de développer des algorithmes d'exploration de données de grande capacité pour détecter les indicateurs clés des joueurs. Étant donné que le client ne voulait pas utiliser de logiciels d'analyse prédictive prêts à l'emploi, nous avons dû créer des modèles de scoring personnalisés à partir de zéro. Nous avons construit les modèles à partir d'un ensemble de données de 50 000 utilisateurs du jeu sportif gratuit (F2P) du client. Les données sur le nombre de sessions le premier et le deuxième jour, le temps entre les sessions, le temps d'absence, le temps moyen par session ont été anonymisées. Aucune donnée personnelle n'a été stockée ni utilisée pendant la durée du projet.
2. La deuxième étape a consisté à analyser les données de jeu et à prédire le taux de désabonnement des joueurs en conditions réelles lors des sessions du premier jour. Avant cela, nous avons entraîné les modèles à analyser le comportement des utilisateurs et à déterminer le risque de désabonnement. Les modèles classent les utilisateurs comme "désabonnés" ou "retenus". Les informations sur les utilisateurs désabonnés ont été fournies au client pour une analyse plus approfondie.
   Une autre tâche consistait à entraîner les modèles à prédire la durée de rétention. Avec ces données, le propriétaire de l'entreprise peut inciter le joueur à rester dans le jeu ou en recommander un autre. En fournissant ces données au client, nous l'avons aidé à comprendre ce qui comptait vraiment pour son public et comment mieux y répondre.
3. La troisième étape consistait à prédire le nombre de clics sur les annonces. Nous analysions l'activité globale des joueurs et prédisions les clics sur les annonces à partir des données collectées.

Résultat : amélioration de la rétention des joueurs et de l'expérience de jeu globale grâce à l'analyse prédictive

Notre équipe a aidé le client à prédire la rétention des joueurs dans le jeu gratuit (F2P).

Résultats de la collaboration en un coup d'œil :

• La précision de la prédiction du taux de désabonnement des joueurs est de 92 %
• La précision de la prédiction de la valeur à vie du joueur est de 86 %
• Développement d'une preuve de concept en IA
• Analyse du comportement des utilisateurs en jeu

Commencez votre prochain Analyse prédictive Projet avec DataSqueeze