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）

モバイルゲーム（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

売り切り型ゲームモバイルゲーム（悪い状態）

モバイルゲーム（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














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




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　　

AEvent

　　

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














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




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

ABC

CXY

◆ ケース⑥ クエストバランス調整属人化排除




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

Technology