239

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

Команда 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