Vorhersagen und Steigern des Customer Lifetime Value mit ML
Erhöhung des Player Lifetime Value
Produktivität des Datenteams
Verkürzung der Zeit bis zur Übergabe von ML-Modellen an die Produktion
„Datengesteuert zu sein – das Verständnis und die Vorhersage des Spielerverhaltens mithilfe von Daten und ML – ist für uns wichtig, um unsere Mission zu erfüllen, das spielerorientierteste Gaming-Unternehmen der Welt zu werden.“
Kolibri Games befindet sich im Herzen Berlins und ist bekannt für seinen erfrischenden, von Spielern geführten Ansatz. Kolibri Games ist ein aufgehender Stern in der Szene der Spiele für Mobilgeräte. Die Hittitel Idle Miner Tycoon und Idle Factory Tycoon ziehen monatlich über 10 Millionen aktive Benutzer an. Spielerverhalten, -vorlieben und -abneigungen werden verwendet, um Entscheidungen über Spielfunktionen und Kampagnen zu treffen, wodurch Kolibri Games sowohl die Spieler als auch den Umsatz im Fokus behält. Databricks hilft Kolibri Games, die Zufriedenheit der Spieler mit der Wertschöpfung für das Unternehmen zu verbinden, indem der Wert ständig wachsender Datenmengen maximiert, die ML-Produktion beschleunigt, schnell skaliert und die Zusammenarbeit von Datenteams verbessert wird.
Höhere Kundenzufriedenheit durch Nutzung von Daten
In Zusammenarbeit mit Databricks ging Kolibri Games eine Reihe von geschäftlichen Herausforderungen an. Zunächst ging es darum, die Arbeitspraxis in allen Datendisziplinen zu rationalisieren und vermehrt zu automatisieren, um die Entwicklung zu beschleunigen. „Der Entwicklungs-Release-Zyklus für das Datenteam betrug zwei Wochen. Dies war zu langsam und musste automatisiert werden, um sicherzustellen, dass die entsprechenden Änderungen im Spiel umgesetzt wurden, solange sie für die Spieler relevant waren“, erklärte CTO und Mitgründer Oliver Löffler. Das Team wollte auch eine Berechnung des Lebenszeitwerts von Spielern erstellen, um diesen zu verbessern und gleichzeitig die Spielerführung beizubehalten. „Ein offenes Ohr für unsere Spieler zu haben, ist der beste Weg, unsere Spiele ständig zu verbessern und das Interesse der Spieler zu wecken. Wir wollten mithilfe von Data Science das Spielerverhalten verstehen und Vorhersagen darüber treffen, wie viel Wert sie generieren werden“, sagte Löffler. Das signifikante Unternehmenswachstum beinhaltete ein neues und wachsendes Datenteam, aber eine schlechte Zusammenarbeit. „Data Engineers und Analysten arbeiteten nicht eng zusammen, sie sprachen nicht die gleiche Sprache und konnten Daten nur lokal über Slack austauschen“, erklärte Löffler.
Erstellen eines datengesteuerten Umfelds
Kolibri hatte bereits eine Plattform in Microsoft Azure aufgebaut und zaghafte, erste Experimente mit Akquise-Marketing machten sich erfolgreich beim Umsatz bemerkbar. Allerdings sah das Team auch einige Probleme bei der Skalierbarkeit und dem Betrieb: „Bei über 10 Millionen aktiven Spielern pro Monat erwiesen sich riesige Datenmengen aus mehreren Quellen als Herausforderung. Wir wollten die Aktivität zur Benutzerakquise erhöhen und verbessern, den ROI verstehen und das muss datengesteuert sein“, sagte Löffler. Es wurde entscheidend, Daten besser zu nutzen. „Wir haben Databricks als First-Party-Service gesehen, der sich problemlos in Microsoft-Anwendungen integrieren lässt“, sagte Löffler.
Als Erstes hat das Unternehmen Spieldaten-ETL und Streaming verlagert, um die Zuverlässigkeit zu verbessern und eine zeitnahe Verarbeitung zu ermöglichen. Daten werden in Azure Data Lake gespeichert, wobei Delta Lake einen einfachen, schnellen Datenzugriff und eine schnelle Speicherung bietet. „Databricks stellt jetzt sicher, dass wir Daten verarbeiten und dann in Delta Lake speichern können. Wir können einfach skalieren, die Arbeit auf verschiedene Maschinen verteilen und bei Bedarf Cluster hinzufügen. Es ist sehr einfach, ein paar Klicks.“
Höherer Spieler-LTV und schnellere Markteinführungszeit für die Personalisierung
Das Team von Kolibri Games hat sein Ziel erreicht und einen erfolgreichen ML-Anwendungsfall erstellt, der sich mit der Vorhersage und Maximierung des LTV befasst. Kolibri Games kann jetzt seine Ausgaben und seinen Wert anhand bestimmter Kundenattribute vorhersagen und basierend auf den Vorhersagen effektivere Marketing- und Spielentscheidungen treffen. Dieser Ansatz hat den LTV pro Spieler um 30 % erhöht und es Kolibri Games außerdem ermöglicht, die Zahl der aktiven Benutzer zu stabilisieren und zu steigern. Die Cost-per-Acquisition- und Cost-per-Install-Werte werden durch effektives Targeting auf Basis von Datenanalysen effizient gehalten. „Unsere Daten helfen uns, bestimmte Kunden zu finden und mit Akquisitionskanälen und Kampagnen zu reagieren, die sie schätzen. Das steigert auch den Umsatz“, so Löffler. Als nächstes plant Kolibri Games, Empfehlungs-Engines stärker zu verwenden und die Spielerabwanderung vorherzusagen. „Wir wollen Muster verstehen, die vorhersagen, wann ein Spieler das Spiel verlässt und aufhört zu spielen, die Preisgestaltung für Kundensegmente testen usw.“, sagte Löffler.
Die Verwendung von MLflow bedeutet, dass sich die Produktionszeit für Machine Learning verkürzt hat. „Wir konnten die Übernahme von ML in die Produktion stark verkürzen – von zwei Wochen auf zwei Stunden. Es gibt weniger manuelle Prozesse und weniger Fehlerbehebungen. Wir können uns auf kontinuierliche Innovation konzentrieren“, sagte Löffler. Eine Idee oder Funktionsänderung kann mithilfe von Skripts in Databricks sehr schnell und einfach validiert werden. „A/B-Tests sind ausgefeilter und schneller. Data Scientists untersuchen die Daten und verwenden Notebooks, um schnell zu verstehen, ob sich Änderungen positiv auswirken oder nicht, und können so früher die richtigen neuen Funktionen bereitstellen“, sagt Löffler. Das Team verwendet Daten auch, um Algorithmen zu erstellen, die bestimmte Werbeeinblendungen für bestimmte Benutzer automatisieren. „Zum Beispiel werden Spieler, die Werbung oder In-App-Käufe nutzen oder nicht nutzen, unterschiedliche Marketingangebote schätzen“, erklärt Löffler.
„Wir haben jetzt eine intuitive Plattform. Es ist einfach, an disziplinübergreifenden Datenherausforderungen innerhalb derselben Infrastruktur mit denselben Tools an einem zentralen Ort zu arbeiten“, erklärte Löffler. Die Programmiersprache wurde ebenfalls konsolidiert, das Team verwendete Databricks, um die besten Sprachen zu bewerten, und wechselte dann zu Python. „Wir nutzen Notebooks für die Zusammenarbeit, das gemeinsame Lösen von Problemen und die einfache Datenanalyse“, sagt Löffler. Er schätzt, dass sich die Arbeitsproduktivität über die Datendisziplinen hinweg verdreifacht hat. Datenteams arbeiten jetzt effektiv und einfach über ihre Datenbestände hinweg, was von grundlegender Bedeutung ist, um neue Ideen und Innovationen erfolgreicher und profitabler zu verwirklichen.
„Wir haben unser Wissen mit dem von Databricks kombiniert, um datengesteuert zu arbeiten. Das Verständnis und die Vorhersage des Spielerverhaltens mithilfe von Daten und ML ist für uns wichtig, um unsere Mission zu erfüllen, das spielerorientierteste Gaming-Unternehmen der Welt zu werden. Alleine hätten wir das nicht geschafft“, so Löffler abschließend.
