Data science og ML kan fikse noen av spillbransjens største utfordringer

I mars 2019 kom battle royal-spillet Fortnite opp i 250 millioner registrerte spillere. I tillegg til å være en banebrytende kjempesuksess, er spillet en datamaskin av dimensjoner med omkring 80 milliarder events hver eneste dag.

Utvikleren Epic Games har et datasenter med mer enn 35 petabyte data spesifikt for Fortnite, og hver måned vokser datasamlingen med 5 pb. Utfra dette lageret foretar utviklerne analyser på potensielle problemer i spillet, spillernes engasjement og viktige nøkkeltall (KPI-er), og justerer etter dette.

Men selv om Fortnite er i en klasse for seg, er strategien symptomatisk for en dataspill-bransje som benytter seg av avansert dataanalyse for å forbedre spillopplevelsen.

– Innen spilldesign ser du mange av de samme arbeidsområdene som du finner i andre bedrifter når det handler om data science og analytics, forteller Eric Morales, som er sjef for spillbransje-segmentet hos Amazon Web Services.

– De undersøker hva som skjer hvis de flytter en knapp fra ett hjørne til et annet: Endrer det antall gjennomførte salg (conversion rate), forbedrer det kundenes engasjement og så videre.

I tillegg kommer dataanalyse av data fra sosiale medier. Selskaper som Epic Games og Supercell jobber med sentiment-analyser for å følge brukernes reaksjon på designbeslutninger, og se på om de blir fornøyde eller frustrerte.

Identifiser jukserne

Andre data-utfordringer er mer særegne for spillindustrien, forteller Eric Morales.

– En av de mer interessante bruksmønstrene (use cases) vi har hørt fra kunder, er håndtering av juksemakere. Hva gjør vi med folk som for eksempel har falske konti, eller prøver å snyte spillet ved å stille klokken på telefonen?

Tradisjonelt har spillselskapene kastet ut folk hvis de har kunnet identifisere at de jukser på bakgrunn av de dataene som de får inn.

– Men utestenging skaper en dårlig brukeropplevelse, og det skjer ofte med de mer høylytte personene, og det vil veldig ofte dukke opp i en Reddit-tråd. Og noen ganger er dette falske positive, hvor man av en eller annen grunn tror at en spiller har jukset, sier Morales.

Et annet problem med å kaste ut juksemakere, er at man mister de brukbare dataene som de leverer, og som kan brukes til å demme opp for svakheter og forbedre spillet. Og endelig mister du den inntjeningen som de kunne ha generert.

– Det som vi stadig oftere hører fra kundene våre, er at i stedet for å utvise juksere eller dem som mistenkes for juks, fjernes de fra leaderboardet og tvinges til å spille med andre juksere. Så man kan bruke data for å identifisere personer som har funnet hull eller bruker tredjeparts verktøy til å få en fordel i et spill, og så matche dem, sier Eric Morales:

– Fordelen for utviklerne er at selv juksemakerne kan få en god spillopplevelse, og du kan fremdeles tjene penger på dem hvis spillet for eksempel er reklamefinansiert. Og samtidig fjerner du dem fra den generelle spillerbasen og unngår negative effekter for de andre spillerne.

Fire timer inn i en vegg

Et annet problem som alle i spillindustrien har – og spesielt de store – er kvalitetssikring.

– QA-prosessen (Quality Assurance, red.) er svært viktig, men det er veldig kjedelig arbeid. Du tar en veldig entusiastisk gamer, som svært gjerne vil teste spillet ditt, og så ber du ham om å bruke fire timer på å undersøke om man kan gå gjennom en vegg, sier Eric Morales.

Den typen arbeid kan fjerne entusiasmen hos de aller fleste, og det kan i stedet utføres med maskinlæring og forsterkende læring (reinforcement learning).

– Du kan ta det som pleide å være flere ukers arbeid og løse det fullstendig programmatisk. Og så kan testpersonene dine bruke tiden på å prøve ut spill-mekanikken og opplevelsen slik bare et menneske kan.

Todelt pipeline

Chris Dyl, som er Director of Platform hos Epic Games, fortalte på AWS re:Invent på slutten av fjoråret om analytics-pipelinen til Fortnite.

Pipelinen er delt i to: én til real time og én til batch-analyse.

Førstnevnte benytter Spark og DynamoDB til midlertidig lagring. Herfra sendes data til verktøy som Grafana og til SQL-verktøy.

I sistnevnte lagres alle data i en S3-«datasjø», og herfra legges det ut data til blant annet Tableau samt SQL-verktøy for å undersøke dataene mer dyptgående.

Saken ble først publisert på danske Datatech, og gjøres tilgjengelig på norsk for abonnenter av Digi Ekstra gjennom vår samarbeidsavtale med Teknologiens mediehus/Ingeniøren.