Системы рекомендаций для смены магазинов в видеоиграх (часть первая)

Оценка ценности, которую персонализация приносит игрокам.

Вторая часть этого блога завершена и находится ЗДЕСЬ.

Что такое вращающийся магазин?

Концепция вращающегося магазина относительно проста; только часть товаров каталога доступна для покупки в любой момент времени. Магазин эффективно скрывает оставшиеся продукты, и транзакции в этом подмножестве невозможны до тех пор, пока не произойдет «ротация». В большинстве случаев вращение происходит с заранее определенной частотой, известной потребителю. В этом смысле вращающийся магазин имеет сходство с «быстрой распродажей». Согласно этому сценарию, на товары, которые, вероятно, можно было купить заранее, теперь действует скидка на короткое время, обычно на 1-2 дня. Однако механизм немного отличается, поскольку «продажа» во вращающемся магазине - это возможность приобрести товар. Это возможно, но не обязательно, чтобы включать фактическую скидку.

Сходства с розничными торговцами одеждой

Теоретически многие розничные торговцы физической одеждой действуют как постоянно меняющиеся магазины, меняя отображаемые товары в соответствии с сезонами. Однако вместо того, чтобы прятать элементы, часть каталога, срок действия которого истек, обычно продается со скидкой или оптом торговому посреднику; это действие часто происходит из-за нехватки ресурсов. Таким образом, для физических розничных торговцев механизм совершенно иной и больше ориентирован на сезонность, чем на ротацию, описанную выше. Интернет-магазины одежды, такие как Rue La La и Gilt, имеют постоянную ротацию запасов с таймерами покупок. Часто предложения и большие скидки сочетаются друг с другом, и, хотя вещи могут поступать в продажу несколько раз, основной каталог постоянно меняется. Нет никаких гарантий, что товар вернется.

Вращение магазинов в видеоиграх

В то время как некоторые розничные торговцы одеждой имеют структуру, аналогичную вращающемуся магазину, наибольшим приверженцем этой стратегии монетизации были игры. Хотя мобильные игры были первыми, кто исследовал это пространство, функция ротации появилась в некоторых из самых популярных видеоигр, таких как Fortnite, VALORANT, Apex Legends и Fall Guys. Есть две важные причины, по которым ротация магазинов становится все более обычным явлением в отрасли; основной товар является цифровым и эксклюзивным. Цифровой аспект предметов обеспечивает более легкое вращение. Хотя подробный алгоритм является возможным решением для лучшего выбора, случайный выбор предметов из инвентаря может выступать в качестве разумной отправной точки. Кроме того, нет ограничений по емкости, поскольку этот инвентарь не требует физического пространства; теоретически в продаже имеется бесконечное количество единиц. Что касается эксклюзивности, большинство видеоигр имеют монополию на контент, который они создают; это означает меньший риск для модели вращающегося магазина, поскольку нет конкурентов, которые могли бы наскочить и продать те же самые товары напрямую игроку.

Резюме сменяющихся свойств магазина

Ротация - витрина часто меняет покупаемые товары, и частота смены часто известна.
Ограничено - в любой момент можно купить только часть всего каталога.
Скидки - скидки / рекламные акции могут происходить в постоянно меняющихся магазинах, и благодаря быстрой обратной связи их можно легко оптимизировать.
Цифровые: вращающиеся магазины чаще встречаются в местах, где продукты являются цифровыми, например в видеоиграх.
Эксклюзивность - успех продаж во многом зависит от эксклюзивности контента магазина.

Персонализация

Концепция персонализации относительно проста и не ограничивается сменой магазинов. Вместо того чтобы предлагать одно и то же действие всем, система назначает опыт, который лучше всего подходит каждому человеку. Однако глубина, с которой эта система выполняет персонализацию, может существенно различаться. В некоторых компаниях группы персонализации работают с помощью эвристики и ручного курирования, тогда как в других эти команды состоят из специалистов по данным, которые в основном используют системы рекомендаций, основанные на машинном обучении. Всего существует три стандартных варианта персонализации:

Случайный

Случайный выбор продуктов для каждого игрока может показаться плохим выбором, и по большей части так оно и есть. Теоретически random отвечает требованиям персонализации, но в то же время кажется совершенно безличным. Одним из достоинств случайной системы является то, что она генерирует бесценный набор данных для оптимизации будущих рекомендаций, которые не случайны. Короче говоря, случайное решение хорошо масштабируется, но часто плохо воспринимается игроком.

Кураторский

На противоположном конце спектра можно нанять нескольких экспертов по продуктам, которые назначат отдельные элементы, которые считаются лучшими для каждого игрока. Эта ситуация невозможна на детальном уровне, и курирование обычно является грубым методом для всех игроков с использованием некоторых эвристик. Например, любой игрок старше X получит предмет A, в то время как любой игрок младше X получит предмет B. Тем не менее, тщательно подобранный подход может привести к лучшему опыту игрока, но очень плохо масштабируется.

Алгоритмический

Наконец, алгоритмический подход позволяет динамически учиться у игрока и назначать предметы на основе его прошлых действий. Чем больше информации эта система получит от игрока, тем лучше станет его персонализация. В целом, использование алгоритмического метода будет наиболее благоприятным для игроков и хорошо масштабируется, но для построения сложных систем рекомендаций требуется надежная инфраструктура данных.

Всегда ли стоит персонализация?

Персонализация может показаться легкой задачей; мы должны применять его везде! Однако во многих ситуациях стоимость создания услуги персонализации намного превышает выгоду; мы хотим оценить ценность системы, прежде чем просто строить ее вслепую. К счастью, сообразительный человек может заранее определить большинство критических факторов, определяющих успех; вот несколько важных:

Разнообразие содержания

Система рекомендаций имеет тенденцию работать лучше, когда существует большая разница в базовом содержании. Если весь контент очень похож, разница между предпочтениями пользователей будет небольшой. Например, если Netflix транслирует только фильмы ужасов, основная система рекомендаций будет менее ценной, поскольку разница между фильмами ужасов меньше, чем разница между другими жанрами фильмов, такими как комедия или драма.

Разнообразие пользователей

Система рекомендаций имеет тенденцию работать лучше, когда существует не только большая разница в базовом контенте, но и в потребителях этого контента. Если у всех пользователей очень похожие предпочтения или стили игры, эвристика популярности может быть достойным индикатором интереса для всей пользовательской базы. Например, если Netflix транслирует все жанры фильмов, но ранги этих жанров одинаковы от одного человека к другому, персонализация будет менее ценной.

Размер содержимого

Рекомендательная система имеет тенденцию работать лучше всего в масштабе. Если каталог небольшой, проблемы с ранжированием обычно дают незаметные результаты. Одна из причин этого в том, что осознание - не проблема; если пользователю легко перебрать весь контент в разумные сроки, персонализация не имеет первостепенного значения для разблокировки обнаружения.

Структура интерфейса

Система рекомендаций имеет тенденцию работать лучше, когда можно оптимизировать базовую структуру интерфейса. Вряд ли это так, и рекомендации должны вписываться в заранее спроектированную жесткую структуру без учета индивидуализации. Выбор между стандартным магазином и постоянно меняющимся магазином, как обсуждалось ранее, также может повлиять на персонализацию. Здесь недостаток доступа становится в центре внимания, а не недостаток осведомленности.

Оценка преимуществ персонализации

Теперь, когда у нас есть общее представление о вращающемся магазине, факторы, влияющие на среду, в которой могут применяться рекомендации, и три метода персонализации, давайте рассмотрим шаги, чтобы определить, какой из этих методов может принести наибольшую пользу.

На данный момент мы предполагаем, что разнообразие контента в предстоящих сценариях вполне достаточно. Если бы это не было реальным случаем, возможно, эту проблему можно было бы решить, создав больше контента в тех местах, где отсутствует каталог. С другой стороны, отсутствие разнообразия среди пользователей маловероятно, и поэтому вопрос о предпочтениях пользователей по продуктам может быть решен так же быстро. Осуществимость необходимо будет оценить заранее. Тем не менее, для большинства игр и продуктов разнообразия действий должно быть достаточно. Для простоты предположим, что наша вращающаяся витрина состоит из одного предмета из каталога, который меняется раз в неделю. Обратите внимание, что большинство этих сценариев нереалистичны, но используются в качестве строительных блоков для усвоения ценности персонализации.

Сценарий первый: все хотят всего одинаково.

Независимо от предмета и игрока, есть равные шансы, что игрок совершит покупку. Этот пример определенно является натяжкой и используется только для создания основы. Обратите внимание, что средняя вероятность покупки для всех двадцати позиций здесь составляет 3%, что является произвольным, но используется для определения базового уровня для сравнения с другими сценариями.

Здесь не нужна стратегия персонализации; если у вас нет возможности предсказать, кто что купит, не нужно тратить время на тщательно подобранное или алгоритмическое решение. Случайный выбор для всех игроков, персонализированный или нет, окажется столь же эффективным.

Сценарий второй: все хотят всего по-разному.

Этот сценарий также маловероятен, но гораздо более реалистичен, чем предыдущий, и помогает продемонстрировать, что контент имеет разные уровни популярности. Во многих системах часто предполагается степенной закон, такой как распределение Парето (см. Правило 80–20). Обратите внимание, что средняя вероятность покупки по всем позициям здесь по-прежнему составляет 3%, просто распределяется неравномерно.

Опять же, в этом случае глубокая персонализация не имеет значения. Также должно быть ясно, что стратегия случайного выбора будет работать очень плохо, если этот выбор не будет соответствующим образом взвешен. В предыдущем сценарии система выбирает каждый из двадцати пунктов случайным образом в 5% случаев. Чтобы быть оптимальным в этом сценарии, теперь система должна чаще выбирать путь верхнего элемента; на самом деле, некоторые вещи, возможно, вообще не стоит выбирать.

Сценарий третий: только некоторые люди хотят определенные предметы, но общий спрос на предмет одинаков для всего населения.

Расширение первого сценария, но теперь у каждого пользователя свои предпочтения. Интуитивно это имеет смысл; было бы большим сюрпризом, если бы все хотели всего одинаково. Однако этот сценарий не предполагает, что один товар будет более популярным, чем другой, если мы посмотрим на все население. Следовательно, совокупные предпочтения пользователей будут такими же, как на изображении, показанном в первом сценарии, но отдельные пользователи могут иметь различные распределения. Я наивно смоделировал, как некоторые пользователи могут распределить свои общие «60% вероятности покупки» (20 элементов, по 3% каждый) в таблице ниже:

При таком предположении вероятность покупки отдельного предмета может иметь широкий диапазон; вероятность того, что один пользователь купит вещь, может быть удвоена, в то время как вероятность другого пользователя гораздо меньше. Здесь случайный метод начинает давать сбой, и детальная персонализация полезна. В этой ситуации случайный выбор будет иметь ожидаемую скорость покупок 3%, независимо от игрока. Однако, если бы мы могли точно предсказать лучший предмет каждого игрока и поместить его в его постоянно обновляемый магазин на неделю, средний шанс покупки для четырех пользователей составил бы 5,64%. Эти цифры означают увеличение на 88%, но, конечно же, они основаны на симуляции игрушек, которая не полностью отражает реальный сценарий. Если бы нужно было строить реальные прогнозы для каждого игрока, то эти симуляции могли бы точно оценить общую ценность.

Сценарий четвертый: только некоторые люди хотят определенные предметы, и общий спрос на предмет неодинаков для всего населения.

Мы прошли все предыдущие сценарии, чтобы подготовиться к этому; здесь лежащие в основе распределения, хотя и являются предположениями, полностью соответствуют результатам, наблюдаемым в реальном мире. Этот сценарий является продолжением второго сценария, но теперь у каждого пользователя есть собственное распределение, и общая популярность элементов влияет на это распределение.

Обратите внимание, что, хотя у разных пользователей есть свои предпочтения, общая популярность элементов примерно сохраняется. Напомним, что во втором сценарии выбор товаров определялся их спросом. Чтобы дать лучшее краткосрочное сравнение, предположим, что мы решили показать каждому пользователю самый популярный элемент; вероятность покупки каждого из них составила бы ~ 20%. Однако что, если бы базовое распределение спроса было лучше всего представлено в четвертом сценарии, но мы все равно выбрали ту же тактику? Для первого пользователя вероятность продажи увеличилась бы (20% → 29%), но для других пользователей их вероятность снизилась (20% → 16%, 6,6%, 4,2%); итого 55,8%, когда мы ожидали ~ 80%. Если бы вместо этого мы использовали персонализацию, мы бы показали первому пользователю тот же элемент, а всем остальным пользователям - элемент «C». Вероятности в этом сценарии составляют 29%, 22,8%, 16,9% и 25,6%, что в сумме составляет 94,3%, что означает увеличение на 69%.

Последние мысли

Выгоды, упомянутые в последних двух сценариях, слишком хороши, чтобы быть верными в долгосрочной перспективе, но они намекают, что улучшение качества рекомендаций - стоящая задача. Чтобы определить реальную ценность персонализации, необходимо провести более глубокое обсуждение многих предостережений. Во второй части мы рассмотрим эти темы:

Масштаб каталога - как масштаб влияет на ценность персонализации?
Структура интерфейса. Будет ли выгодна структура магазина?
Долгосрочные сценарии. Есть ли убывающая отдача с течением времени?

Мы также рассмотрим детальное моделирование для более широкого круга пользователей, чтобы оценить реальные преимущества, которые дает персонализация. Увидимся в следующей ротации!