2843

Персонализация игрового опыта

2021 год.

Использование машинного обучения для индивидуальной настройки призов в играх сервиса «СберСпасибо»

alt

Какую проблему решали

В программе лояльности «СберСпасибо» есть раздел с играми, в которые играет более 3 млн игроков. Клиенты программы могут потратить бонусы и выиграть ценные призы. До внедрения персонализации на основе машинного обучения клиенты получали одинаковый набор призов в играх, периодически формируемый вручную аналитиками исходя из статистики за предыдущий период.
Ограниченное количество наборов для разных сегментов аудитории сервиса приводило к тому, что часть игроков получала нерелевантные призы, а экономика игры периодически становилась убыточной.
Решение проблемы
Команда «СберСпасибо» создала автоматизированную систему подбора наград, которая позволила повысить активность и вовлеченность пользователей, сохраняя общую положительную экономику игры.
Чтобы определить оптимальные параметры призов и сформировать индивидуальные наборы для игроков, потребовалось создать симуляцию экономики игры. Применяемые модели обучались на признаковом описании клиентов и на данных о поведении участников игры.
В итоге обученные модели позволили формировать для каждого клиента вектор релевантности разных призовых категорий, выделять схожие по векторам категории игроков и оценивать релевантность каждого приза для заданной категории. Пользователи смогли получать индивидуальные призовые наборы, и их вовлеченность выросла на 25%.
Применяемые технологии
Модель релевантности призов оценивает вероятность продолжения клиентом игры (вероятность покупки клиентом дополнительной попытки) при условии получения им данного приза.
Кластеризация позволяет выделять клиентские сегменты с похожими векторами релевантности.
Алгоритм заполнения карты призов на базе оценок релевантности и стоимости приза помог достичь максимально выгодного соотношения этих двух параметров.
Алгоритм имитации игрового поведения клиентов, а также модели оптимизации вероятности выпадения призов и деталей головоломок позволили сделать экономику игры более сбалансированной с учетом бюджетных ограничений и тонко настроить параметры в симуляции сервиса геймификации.

Бизнес-процесс

До проекта:

  • Клиент совершает действия в игре, оплачивая попытки бонусами "Спасибо"
  • Оказавшись на призовой ячейке, пользователь получает награду
  • На ячейках «сундук» или «пазл» выдаются произвольные призы или детали «пазла», которые можно обменять на особый приз
  • Наборы призов формируют аналитики для сведения баланса экономики игры

После проекта:

  • Формирование наборов призов автоматизировано
  • Игроки получают персонализированные призы
  • Экономика игры балансируется автоматически с помощью моделей, которые задают вероятности выпадения призов и элементов «пазла»

Результаты

СберСпасибо

Алексей Cураков
Руководитель направления геймификации
Армен Амирханян
Руководитель направления ML
Екатерина Елисейкина
Ведущий аналитик
Дмитрий Забавин
Руководитель ML
Дмитрий Лебедев
CDO СберСпасибо
Алексей Тышко
Data scientist