Пошаговая инструкция: как получить аплифт в F2P играх за счет ML-алгоритмов
Привет!
Сегодня запускаем рубрику #smartInAppCases – тут будем на наших кейсах делиться хаками, как персонализировать внутриигровые офферы и получать аплифт. smartIn-App – наш продукт для персонализации офферов под конкретных игроков, который бесшовно интегрируется через API и помогает растить выручку.
Сегодня мы делимся нашим новым коробочным решением для игр разных жанров. В статье расскажем поэтапно, как получить аплифт при интеграции smartIn-App и без, и в чем заключаются преимущества нашего решения.
Мы подготовили пошаговый алгоритм, который позволит вам настроить персонализацию в игре и получить аплифт. Для этого нужно:
1️⃣ Понять, что влияет на аплифт
2️⃣ Выделить уникальные фичи в игровых данных, влияя на которые доход кратно
3️⃣ Собрать и запустить подходящую под игру МЛ-модель, под конкретную точку оптимизации (офферы, скидки, бандлы, сетка банка)
4️⃣ Разбить тест контроль: провести АА тест выбросить аутлайеров из анализа и запустить А/Б тест. Персонализация офферов под игроков
Чтобы запустить этот алгоритм в действие и вырастить выручку, нужна классная команда. Вам точно не обойтись без:
💫 ML-инженера (для настройки пайплайна)
💫 Дата-аналитика (для продумывания, на каких алгоритмах нужно запускать)
💫 Проджект-менеджера (для написания документации),
💫 Продюсера (для валидирования гипотез на старте)
💫 Продукт-менеджера (для определения ключевых метрик, влияющих на выручку)
Если у вас не хватит ресурсов команды или времени на ряд итераций, то вы можете подключиться к smartIn-App по API и автоматически растить выручку. Наша ML-модель, обученная на F2P играх и 30 миллиардах событий игр, регулярно обучающаяся на конкретных данных и аудитории каждого нашего клиента, помогает максимально оптимизировать процесс персонализации.
Теперь перейдем к пошаговому алгоритму для получения аплифта!🚀
1️⃣ Понять, что обычно влияет на аплифт
Это первое, с чем нужно разобраться на пути к аплифту. Собрали наиболее важные факторы влияния на выручку от игры на основе нашего опыта:
💥Распределение внутриигровых трат игрока. Понимание того, как пользователи тратят свои ресурсы и как деньги распределяются в игре.
💥Стоимость оффера. Цена, по которой предлагается тот или иной внутриигровой ресурс, и ее соотношение с бюджетом игрока.
💥Скидка на оффер. Размер скидки, которую получает конкретный игрок.
💥Частота и длительность показа оффера. Как часто и насколько долго он показывается игроку.
💥Целевая аудитория игры. Характеристики и интересы аудитории игры, внутриигровые паттерны поведения пользователей .
💥Поведение игрока. Где, на что и как часто игрок тратит свои ресурсы. Например, определенная категория товаров может быть более привлекательной для игроков.
💥Предложения, отсутствующие в игре. Понимание, какие предложения отсутствуют в игре, но могли бы быть интересными для игроков. Это может включать в себя новые варианты офферов, которые могут привлечь внимание пользователей и увеличить аплифт. У нас в практике был пример: в банке не было чисто бустерных предложений, мы их реализовали и дали игрокам возможность покупать только бустеры без монеток. Получился большой аплифт, за счет того, что бустеры были очень нужны игрокам для прохождения уровней.
После того, как вы разобрались с базовым пониманием работы механик в игре, можно переходить к следующему шагу – работе с фичами.
2️⃣ Выделить уникальные фичи в игровых данных, влияя на которые доход кратно растет.
Как вручную определить какие фичи важны, а какие – нет? На какие лучше делать упор, а на какие нет?
Первое, с чем нужно разобраться – понять, как поэтапно выделять фичи и работать с ними. У нас был кейс: на одном мидкорном клиентском кейсе было определяющее важно, какой кораблик игрок чаще всего выбирает в рамках геймплея. То, на каком кораблике чаще играет игрок, сильно влияло на его будущее покупки. То есть, понимание какой кораблик он чаще всего выбирает для игры, помогло нам лучше ориентироваться в том, какие следующие кораблики пользователь купит.
Фича в данных – это то, что влияет на выбор игрока. То есть, это конкретные особенности поведения пользователя в игре, от которых и зависит персонализация. Для успешной персонализации офферов под игроков, важно корректно определить приоритетные фичи.
В этом как раз помогает продюсер, о котором мы упомянули выше, обладающий насмотренностью базовых игровых механик: он хорошо понимает поведение игроков, на что оно влияет. Уже этих данных хватит для того, чтобы сделать минимальный аплифт. Дальше аплифт растет за счет применения ML-моделей на эти базовые механики (об этом – в пункте 3 текущей статьи).
Если человека, обладающего высокой насмотренностью, в проекте нет – можно воспользоваться нашим шорт-листом ниже 👇🏼
⚡️ Что персонализируем? Определяем, что именно мы хотим персонализировать в игре. Это могут быть цены, наполнение контента, скидки, длительность оффера и т.д.
⚡️Разнообразие офферов. Следующим этапом нужно проанализировать несколько вариаций офферов, которые вы можете предложить игрокам. Вариации офферов могут помочь определить, какие из них наиболее привлекательны для конкретных игроков.
⚡Определение основных фичей. Для более глубокого понимания, какие фичи влияют на внутриигровое поведение пользователей, в команде важна насмотренность. Именно за счет этого получается заранее определить, какие фичи статистически значимо влияют на внутриигровое поведение пользователей. Продюсер в команде за счет насмотренности помогает лучше понять, какие изменения офферов могут быть более привлекательными для игроков.
⚡Совершенствование фичей с помощью ML-моделей. После того, как мы нашли фичи, которые статистически значимо влияют на результат модели, мы ищем смежные фичи, которые также дают хороший результат. Например, определяем, что чаще всего тратит игрок, какие офферы с каким наполнением покупает.
На этом этапе МЛ-модель помогает определить, насколько выявленные нами фичи (из предыдущего пункта) влияют на аплифт. Это самый важный шаг для более точной и эффективной персонализации.
ML-модели анализируют большое количество данных, помогая находить корреляции между жизненным циклом игрока (LTV) и предлагаемыми ценовыми вариантами. Это в том числе помогает определить, какую ценовую сетку лучше предложить конкретному игроку.
На этапе определения фичей критически важно подключить в команду продюсера, который обладает экспертизой и насмотренностью в игровых механиках. Именно он имеет понимание поведения пользователя в игре и основных факторов, влияющих на него.
Наиболее важным этап из списка выше – последний, об улучшении фичей за счет использования ML-моделей. Такой подход позволяет показывать игрокам именно те офферы, которые наиболее вероятно будут им интересны, что в итоге помогает им более получить большее удовлетворение от проведенного в игре времени и, соответственно, увеличить LTV и получить аплифт.
В smartIn-App мы строим работу на основе нашей ML-модели. Мы потратили 2 года на её обучение, проанализировали огромный объем данных – именно это помогает нам эффективней персонализировать офферы. Кажется, без такой модели это становится сложной задачей, подобно тому, как строить ракету с нуля своими силами!
Как определяются приоритетные фичи в при интеграции со smartIn-App?
Ниже рассказываем, как выявляются те самые фичи для получения аплифта, при интеграции со smartIn-App.
1. Создание вариаций фичей. Команда создает интуитивно 50 разных фичей, понимая, что для МЛ-модели значимы будут ~20.
2. Оценка значимости фичей. Мы учим модели, затем оцениваем их значимость для модели. Ненужные и неважные – отбрасываем.
3. Оптимизация. Создаем дополнительных фичей, которые могут улучшить производительность модели в игре. Важно – не все фичи будут значимыми, и некоторые из них могут не оказывать влияния на результаты модели.
Выявление ключевых фичей, влияющих на аплифт, происходит автоматически. Это достигается за счет того, что наша команда исследовала разные игры, мы уже знаем какие фичи точно влияют на аплифт. У нас уже есть база фичей, знание всех базовых механик, и понимание, какие именно метрики важны. Их мы указываем в API – на этом этапе игра уже получает минимальный аплифт.
