大規模なプレイヤーフィードバックを管理し、理解しよう

ライブタイトル、本番運用前/運用後、進行中のメンテナンス、将来のリリース、ゲームの別バージョン、または市場向けのまったく新しいタイトルのいずれに取り組んでいる場合でも、常にコミュニティからのフィードバックを求めています。 世の中には不足はありませんが、圧倒され、ふるいにかけるのが難しい場合があります。 PC で出荷され、Valve の Steam ストアを通じて販売されるゲームの場合、タイトルに対するプレイヤーからのフィードバックの優れたソースは、Steam のゲームレビューで見つけることができます。 私たちは、自然言語と機械学習技術を組み合わせた、プレイヤーレビュー分析用の新しいソリューションアクセラレータを構築しました。これにより、ゲーム開発者はプレイヤーをより深く理解し、ゲームデザイン、バックエンドオペレーション、ライブオペレーション、マーケティング、そして実際にはすべての事業ラインを通じて対応できるようになります。

Steamのゲームレビューでは、次のことを見ることができます。

• 生のフィードバック: プレイヤーのプロンプトのない言葉。 彼らが最も情熱を感じたこと:ポジティブまたはネガティブ
• 経時的なフィードバック: プレイヤー全体、あるいは個々のプレイヤーのために
• プレイ時間に関するフィードバック: 人々が最も肯定的になるのはいつですか? 4時間しかプレイしなかったら? 100%になったら?
• 他のタイトルへのフィードバック: RPGやRTSについて話すときに、人々が最も口にするものは何ですか? A、AA、AAA+で違いはありますか?

このフィードバックを収集し、それをデータプラットフォームに取り込んだとしたら、次は何でしょうか? そのすべてをどのように理解すればよいのでしょうか? 数百、数千のプレーンテキストのレビュー (非構造化データ) を読んで、確実にパターンや知見を見つけるのは大変なことです。

そこで、自然言語処理の力が発揮されます。 この機械学習 (ML) ソリューションを使用すると、キーワードとそれに関連する肯定的、中立的、否定的な感情を抽出できます。 ML を使用すると、バイアスを軽減し、データが実際に何を伝えようとしているのかを確認できます。 この知見は、集約レベルまたはプレーヤー固有のレベルで発生する可能性があります。 自分のタイトルを分析するときは、プレイヤーIDにアクセスでき、それをSteamのゲームIDに合わせることができます。 これにより、Steam で表現された感情を player360 データに拡張し、エンゲージメント、維持、収益のメトリクスを改善するための積極的なアクションを実行できるようになります。

価値の高いプレイヤーが、信じられないほど否定的なレビューをドロップしたと想像してみてください。 そのつながりに早く気づけば気づくほど、何が起こっているかを緩和するための行動をより早く起こし、プレイヤー（およびより広いコミュニティ）と直接関わり、彼らを維持する可能性を高めることができます。 この種の分析は、継続的な反復サイクルで出荷されるライブ サービス タイトルにとって特に重要です。

得られた知見は全般的に有用です:

• バックエンド操作: バックエンドのどの部分がフラストレーションを引き起こしているのか? ラグ、サーバーの安定性、マッチメイキング時間ですか? 上級:これらの問題を経験している高価値プレイヤーのパフォーマンスを向上させるために、バックエンド リソースをどのように割り当てればよいでしょうか?
• コミュニティとサポート:プレイヤーの摩擦の原因を特定します。 何が彼らを怒らせているのでしょうか? レベルアップ:プレイヤーが経験している主な問題に対する対応を構築し、コミュニティ マネージャーとサポートが有意義な方法で対応し、理想的には計画された改善に基づいて懸念を和らげることができるようにします。
• ゲームデザイン: 人々は何が弱い、または強すぎる(OP)と感じていますか? どのゲームモードを一番楽しんでいますか? どのモードがもっと好きだけど、今のところうまくいっていないかもしれないのはどれですか? なぜ彼らは的を射ていないのですか? 高度:内部プレーヤーのセグメンテーション、プレイ時間、その他の組織間データポイントに対する提案された改善点を相互参照します。
• マーケティング:なぜ人々はあなたのゲームを気に入っているのでしょうか? 何が彼らを興奮させているのか、肯定的なレビューを見ると、どのような傾向があるのか、なぜ彼らは魅力的なのか? この知見を活用して、広告クリエイティブ、広告/E メール キャンペーン、再エンゲージメント手法を、プレイヤーにとって最も魅力的なものに調整してください。 アドバンスド： 収益、プレイスタイル、その他のビュー全体でプレイヤーのセグメンテーションを統合して、プレイヤーにパーソナライズされたと感じられるセグメント+興奮に焦点を当てたアウトリーチを作成します。
• ライブオペレーション: LiveOperations のイベントはどのように受け止められていますか? 人々が最も興奮しているもの、または失望しているものはどれですか? このイベントの正味の効果は、イベント中の収益取引を通じて確認できますが、そこでは感触をつかむことができません。 ここでは、これらの収益結果の理由を理解できます。 アドバンスド： イベントに焦点を当てたフィードバックを、イベントや運用上の課題の収益結果と明示的に結合します。 あなたのイベントは素晴らしかったかもしれませんが、あなたはあなたのレビューで声高な少数派になった1つの地理的セグメントに影響を与える重大なサーバーの問題がありました。 これらの異なる知見を結合することによってのみ、レビューが（イベントの観点から）間違った方向に導いていることがわかり、実際に対処すべきバックエンド運用の課題となります。

理由、方法、影響がわかったところで、楽しいことに取り掛かりましょう!

以下のセクションでは、Steamからさまざまなレビューを取得し、非構造化テキストを処理して実用的なデータにキュレーションする方法について説明します。

注: ここでは Steam のみを取り上げますが、同じパターンを他の多くのデータ ソースにも適用できます。

1. データ取り込みとソーシャルメディアAPIs

感情分析ソリューションのデータ取り込みフェーズでは、 Steam APIを利用してゲームレビューを収集します。 この生データは、無関係なデータや破損したデータを削除するためにクリーンアップされ、英語で書かれたレビューのみが含まれるようにフィルタリングされます。 このクリーンアップおよびフィルタリングされたデータは、データパイプラインのブロンズレイヤーに保存され、後続の分析段階の基礎データセットとして機能します。

2. 感情分析パイプライン

このセクションでは、 Spark NLPを使用してデータ処理パイプラインを作成します。 まず、テキストの構造化とクリーニングを行い、次に文を識別して個々の単語に分割し、表現の統一性を確保します。 単語を標準化し、一般的だが有益でない用語を削除した後、単語を数値ベクトル空間に埋め込むことでテキストを充実させ、より深い言語分析を容易にします。 さらに、John Snow Labs の事前トレーニング済みモデルを活用して、ユーザーレビューからゲームに関する肯定的、否定的、中立的な側面を自動的に検出します。 このモデルは、レビュー全体を否定的または肯定的にラベル付けする代わりに、レビューに関連する正確なフレーズのセンチメントを特定するのに役立ちます。

3. 著者ベースのクラスタリング

感情分析ソリューションの次のセクションに移り、k-means クラスタリングを使用して、ゲームレビューの作成者をメタデータに基づいてセグメント化します。 このクラスタリングはPySpark の MLlibを使用して実行され、複数のノードに計算を分散することで大規模なデータセットを効率的に処理します。 このセグメンテーションにより、ダッシュボードに粒度レイヤーが追加され、さまざまなユーザーの人口統計や行動をより深く理解できるようになります。

4. 結果の分析

ラベル付けされたデータができたので、それをすべて活用できます。 製品マネージャーはこのデータセットを確認し、特定のゲーム機能に関連する否定的な意見が多いことに気づき、その問題に迅速に対処するためにパイプラインを調整する場合があります。 運用担当者は、さまざまな地域にわたるサーバーのドロップアウトについて苦情を訴えている人々の場所の集中度を調べ、市場全体にわたる潜在的なマルチプレイヤー サーバーのオーケストレーションの問題を特定する場合があります。 LiveOps コンテンツ クリエイターは、BFG にさらなる肯定的な点を見出し、それらの製品のスキンの作成に多くの時間を費やす可能性があります。

5. 新しいデータセットを活用する

これで、プレイヤーが何を言っているかを大規模に把握できるデータセットができました。 これは、プレイヤーのエクスペリエンスをパーソナライズし、リテンションを高めるために使用できます。 これを入力として、エンゲージメントと収益に関する社内データセットに接続することで、コミュニティ マネージャー、顧客サポート、マーケティングによるアクションを通知し、推奨事項を提供できます。 選手の獲得には費用がかかり、保持したい選手を見つけるのは困難ですが、この知見はコミュニティと関わり、彼らとより深い関係を築く機会を提供し、それによって選手の保持率を向上させます。

まとめ

このプレイヤーレビュー分析ソリューション アクセラレータは、自然言語と機械学習の手法を組み合わせて、ゲーム開発者がプレイヤーをより深く理解し、ゲーム設計、バックエンド操作、ライブ操作、マーケティング、そして実際にはすべての事業ラインを通じて対応できるようにします。 プレ本番運用で何か新しいものを開発しようとしているゲーム会社は、類似のゲームを分析して、ターゲット プレイヤーにとってのホット ボタン (肯定的および否定的) を見つける場合があります。 ベータ版のスタジオでは、すべてのプレイヤーからのフィードバックにすばやく対応したり、ローンチ後にタイトルを継続的に改善したり、エンゲージメントを最大化したりするために使用できます。

このソリューション アクセラレータは Steam レビューの分析に重点を置いていますが、それはデータソースの 1 つにすぎません。 このアプローチは、他のサイト、フォーラム、サポートチケット、調査、およびアクセスできるプレーンテキストのフィードバックからのレビューを分析するために使用できます。 収集してこのワークフロー/システムに取り込むことができれば、使用できます。

フィードバックは贈り物です。 私たちは、そのような声に耳を傾け、プレイヤーのエンゲージメントを高め、皆さんが楽しみを深めるのをお手伝いできることを嬉しく思います。

さらなるゲームデータ + AI の使用例の準備はできていますか?

ゲームデータと AI の究極ガイドをダウンロードしてください。 この包括的な電子書籍では、ゲーム データと AI がもたらすビジネス価値から実装のコア ユース ケースまで、ゲーム データと AI を取り巻く主要なトピックを詳細に説明します。 経験豊富なデータベテランでも、始めたばかりの人でも、ゲーム開発を次のレベルに引き上げるために必要な知識を身に付けることができます。