Как геймдев использует машинное обучение. И на что он может вдохновить другой бизнес

У бизнеса большие надежды на технологии машинного обучения. Время от времени в СМИ попадаются новости о том, как та или иная компания внедрила Machine Learning и вскоре сможет изменить мир.

На практике же, наиболее полно технологии машинного обучения представлены в основном в сфере разработки игр из-за простоты сбора в них данных для обучения. Тем не менее, некоторые инструменты и подходы, давно работающие в геймдеве, уже “созрели” для внедрения в других сферах бизнеса.

О том, какие задачи бизнес уже может решать благодаря машинному обучению рассказывает основатель компании-разработчика мобильных игр Playgendary Дмитрий Шеленговский.

Привлечение новых прибыльных клиентов

У каждого бизнеса есть группа клиентов, которая приносят денег больше, чем остальные. Логично, что бизнес заинтересован в расширении базы именно таких клиентов.

Этого можно добиться с помощью инструмента look-alike, который базируется на алгоритмах машинного обучения. Его работу можно описать так: алгоритмы изучают действующих наиболее прибыльных клиентов, вычленяют их общие черты и модели поведения, а затем составляют своеобразный портрет идеального заказчика. После этого портрет загружается в рекламные сети (Google Ads, Facebook, “Яндекс.Директ”), которые впоследствии показывают рекламу бизнеса тем людям, которые максимально похожи на идеального клиента.

В геймдеве таким образом расширяется ядро игроков, которые приносят больше всего прибыли. Этот инструмент работает и для других бизнесов, которые собирают и систематизируют информацию о своих клиентах.

Где брать данные для анализа аудитории? Начать можно с установки “пикселя” (например, от Facebook) на сайт компании или в ее приложение. “Пиксель” - это небольшой кусок кода, который собирает обезличенные данные о пользователях и их поведении (какие сайты просматривали, что искали и покупали и так далее). Затем на базе собранной информации можно строить модели. Как правило, данных о 1000 пользователях уже достаточно для первых экспериментов.

Предсказание ухода клиентов

Машинное обучение можно использовать и для предсказания ухода действующих клиентов. В геймдеве это выглядит примерно так: система замечает, что игрока, например, слишком часто убивают - это ведет к тому, что он все реже заходит в игру и проводит в ней все меньше времени. По сути, это уже первый признак того, что скоро он уйдет. Видя это, мы можем понизить уровень сложности, чтобы возродить интерес пользователя к игре.

Аналогично и для других сфер бизнеса: клиент стал реже заказывать такси, расплачиваться картой, меньше покупать или пользоваться сервисом - повод задуматься о том, каким образом его удержать или вернуть. Скидка, подарок, эксклюзивные условия - это первое, что в такой ситуации приходит на ум, но решения могут быть и куда более утонченными.

Что еще важнее для бизнеса, так это информация, которую можно получить в ходе такого мониторинга. Если в компании видят, что клиенты покидают ее по одному и тому же сценарию, то это повод задуматься об улучшении продукта или процессов.

В России первые попытки предсказывать уход клиентов предпринимались уже несколько лет назад: “Сбербанк” и “Билайн” работали в этом направлении с “Яндексом”. Для компаний с настолько большой абонентской базой каждый процент оттока - это десятки миллионов долларов потерь, поэтому за них стоит бороться. Сейчас и компании поменьше начали работать в этом направлении.

Динамическое изменение цены

Единая цена на один и тот же товар в разных странах или даже регионах одной страны - утопия. Уже хотя бы потому, что отличаются уровни дохода. Этот фактор учитывается в геймдеве. Причем, касается он как стоимости самой игры, так и стоимости внутриигровых покупок. В геймдеве алгоритмы машинного обучения изучают поведение игрока, историю его предыдущих покупок и множество других факторов, чтобы предложить ему максимально комфортную стоимость товара.

Этот подход можно применять для увеличения прибыли в других бизнесах. Улучшенные условия в разы повышают вероятность продажи. Использует этот инструмент и “Яндекс.Еда”, чтобы менять стоимость доставки заказа в зависимости от степени загрузки курьеров.

Динамические цены активно используют авиакомпании при определении стоимости билетов. Именно этим объясняются разные цены на один и тот же рейс в зависимости от того, с какого устройства вы зашли на сайт авиакомпании. Не отстают Uber и Airbnb, которые меняют цены в зависимости от текущего уровня спроса.

Чтобы динамическое определение цены работало правильно, нужно обучать алгоритмы учитывать и анализировать информацию на двух уровнях: макро (цена у конкурентов, сезонность, изменения на рынке и так далее) и микро (поведение пользователя и его предпочтения). И глобальным лидером здесь является Amazon, который способен алгоритмически, с учетом всех факторов, менять цены на десятки тысяч товаров в считанные минуты.

Индивидуальные предложения

В играх алгоритмы научились отслеживать и анализировать поведение игроков с тем, чтобы делать им индивидуальные предложения. Например, если игрок активно “прокачивает” у своего персонажа навыки стрельбы из лука, то он скорее купит эксклюзивный лук, чем мощный двуручный меч. Благодаря такому подходу выручка от продаж внутриигрового контента может вырасти на 20-40%.

Этот же подход может использоваться и в других сферах бизнеса. Алгоритмы уже умеют анализировать поведение пользователей и находить скрытые модели поведения. Следовательно, они понимают когда и что можно предложить клиенту. Если взять в качестве примера ритейл, то лидерами в использовании этих технологий являются Amazon и Alibaba.

Alibaba даже запустил “электронный мозг”, который использует машинное обучение и нейросети. Этот “мозг” постоянно обучается, наблюдая за поведением 500 млн пользователей.

Во время одной из распродаж две собственные площадки Alibaba - Tmall и Taobao - использовали машинное обучение, чтобы формировать для покупателей посадочные страницы, где каждый рекомендуемый товар был подобран алгоритмом под конкретного человека. Всего было сгенерировано почти 7 млрд таких страниц, а их конверсия оказалась на 20% выше, чем у обычных.

Хороший пример из российской действительности - это группа “М.Видео - Эльдорадо”, где с помощью машинного обучения не просто создают индивидуальные предложения, но и возвращают ушедших клиентов.

Борьба с мошенниками и хакерами

Одной из серьезнейших проблем в игровой индустрии (как минимум, в мобильной ее части) являются мошеннические установки игр. Дело в том, игры продвигаются по CPI-модели: разработчик платит рекламной сети за каждую установку пользователем. Таким образом разработчики хотят привлечь игроков. Мошенники же, стремясь заработать на этом, строят целые “фермы” из смартфонов и планшетов, которые массово устанавливают игры - и на этом все. В итоге, рекламодатель платит деньги, но игроков так и не получает.

По данным платформы AppsFlyer, уже в первом квартале этого года потери от мошенников у разработчиков игр и мобильных приложений составили 700-800 млн долларов, что на 30% больше, чем годом ранее.

Алгоритмы способны анализировать всю пользовательскую активность и выявлять модели поведения, характерные для мошенников (например, однотипные повторяющиеся действия). После этого их остается лишь заблокировать, сохранив тем самым деньги.

Основными целями мошенников сейчас являются банки и ритейлеры. Чаще всего борьба с фродом в этих сферах сводится к ручному труду: по заранее заданным параметрам система определяет операцию как “подозрительную”, а затем передает ее на оценку человеку. Алгоритмы же машинного обучения могут анализировать огромные массивы транзакций, находить общие подозрительные черты сразу у многих из них, обучаться на полученных данных. После обучения они смогут эффективно вычислять мошенников. На этот путь уже встал российский банк “Точка”, который с помощью машинного обучения выявляет подозрительные операции.

Машинное обучение можно использовать и для предотвращения вторжения во внутренние сети компании: для выявления подозрительной активности и ее блокировки.

Будет ли прорыв в обозримом будущем?

Все, что касается темы машинного обучения и искусственного интеллекта пока еще воспринимается как нечто фантастическое, что обыденной реальностью станет еще нескоро.

Но здесь нет ничего фантастического. Многие математические модели, использующиеся сейчас, появились еще в прошлом веке. Например, Pareto/NBD, которую используют для предсказания оттока клиентов, появилась еще в 1987-м году. Так что же изменилось? Почему мы говорим об этом только сейчас? Наконец-то появились доступные инструменты для сбора данных и их анализа.

Если мы говорим об индустрии мобильных игр и приложений, то это Firebase и его ML kit (начать пользоваться которым можно бесплатно). Более сложные задачи помогает решать платформа AWS от Amazon. На ней же уже есть множество готовых решений, которые нужно будет только настроить под себя. Набор готовых решений предоставляет и платформа Azure от Microsoft. И теперь самая большая задача бизнеса - собирать и структурировать данные, на которых потом будет учиться машина. Инструменты для этого уже есть.