ऑनलाइन गेम्स में डाटा माइनिंग

सभी ऑनलाइन सेवाओं और खेलों में, दर्शकों का सबसे बड़ा हिस्सा शुरुआत में ही छोड़ देता है - उत्पाद को जानने के पहले मिनट और घंटों में। सफलता की विभिन्न परिकल्पनाओं और दर्शकों की निष्ठा के कारणों के साथ सैकड़ों पुस्तकें और लेख - विशिष्टता, सरलता, प्रयोज्य, नि: शुल्क, प्रशिक्षण या निर्देश, भावुकता, और कई अन्य कारकों को अत्यंत महत्वपूर्ण माना जाता है।

हम जानना चाहते थे कि खिलाड़ी क्यों निकलते हैं और क्या उनके जाने की भविष्यवाणी करना संभव है। अध्ययन का विषय MMORPG Aion है, हालांकि, हमारे परिणाम गेम और ऑनलाइन सेवाओं की एक विस्तृत श्रृंखला पर लागू थे।

लगभग ब्रिटिश वैज्ञानिकों ने पाया कि उपयोगकर्ता के पास बहुत कम मेमोरी है। आज उन्होंने खेल छोड़ दिया, और कल उन्हें याद नहीं होगा कि उन्होंने इसे स्थापित किया था। यदि खिलाड़ी छोड़ दिया है, तो आपको तुरंत कार्य करना चाहिए। लेकिन हम यह कैसे निर्धारित कर सकते हैं कि किसी व्यक्ति ने वास्तव में छोड़ दिया है, या क्या वह आज रात दोस्तों के साथ बीयर पी रहा है और खेल में दिखाई नहीं देगा? उपयोगकर्ता द्वारा हमें छोड़ने से पहले संभावित निकास की भविष्यवाणी करने के लिए एक आदर्श मामला होगा। और इससे पहले कि उनके दिमाग में यह विचार उठे कि एयन केक की तरह नहीं था। शायद, यह समस्या भी हल हो गई है, लेकिन हमने एक और अधिक यथार्थवादी लक्ष्य निर्धारित किया है - गेम में अंतिम लॉगिन के दिन प्रस्थान की भविष्यवाणी करने के लिए । हम एक व्यक्ति की निष्क्रियता को एक सप्ताह के लिए प्रस्थान कहते हैं - और हम सिर्फ इन 7 दिनों तक इंतजार नहीं करना चाहते हैं, लेकिन हम जल्द से जल्द यह जानना चाहते हैं कि खिलाड़ी वापस नहीं आएगा। हम भविष्य जानना चाहते हैं!

तकनीकी पक्ष

विश्लेषण के लिए, हमारे पास बहुत सारी जानकारी थी - एयन में सबसे अच्छी लॉगिंग प्रणाली है जो मैंने कोरियाई खेलों के बीच देखी है, हम शाब्दिक रूप से खिलाड़ी को उसके हर आंदोलन, हर छींक और हर ट्रेस के बारे में जानते हैं जो उसने सर्वर पर छोड़ा था। विश्लेषण के लिए अवधि - खेल में पहले नौ स्तर, लगभग 10 गेमप्ले के शुरुआती घंटे - इस अवधि के दौरान, सभी नए लोगों में से लगभग आधे बंद हो गए।

हमारे एनालिटिक्स सिस्टम के संसाधनों का एक हिस्सा प्रोजेक्ट के लिए आवंटित किया गया था - दो सर्वर ब्लेड ड्यूल Xeon E5630 32Gb RAM, सोर्स और इंटरमीडिएट डेटा के लिए 10 Tb कोल्ड स्टोरेज, वर्किंग डेटा के लिए एक RAID10 SAS एरे सरणी में 3 Tb हॉट स्टोरेज। MS SQL 2008R2 के तहत दोनों सर्वर - एक डेटाबेस के तहत और एक विश्लेषण सेवा के तहत। समाधान का सॉफ्टवेयर हिस्सा SQL सर्वर में शामिल एक मानक Microsoft व्यवसाय इंटेलिजेंस पैकेज है।

चरण 1 - मुझे सब कुछ पता है!

चूँकि मैं कई वर्षों तक एक गेम डिजाइनर था और सौ प्लेटेस्ट बिताता था, मुझे यकीन था कि अब विशेषज्ञ राय 90% जवाब देंगे कि खिलाड़ी क्यों छोड़ते हैं। मैंने टेलीपोर्टेशन का उपयोग करना नहीं सीखा, मैं अपने पैरों को चलाने से थक गया था - मैंने छोड़ दिया। खेल में पहले राक्षस से मर गया - छोड़ दिया। दूसरा मिशन पूरा नहीं किया, अटक गया और पता नहीं क्या करना है - छोड़ दिया। Aion, अपनी सभी गुणवत्ता और तकनीकी प्रभावशीलता के साथ, एक शुरुआत के लिए सबसे अनुकूल खेल नहीं है। यह कोरियाई खिलाड़ियों के कट्टर और हाइपरसोनिक वातावरण के लिए डिज़ाइन किए गए सभी कोरियाई खेलों की एक विशेषता है, न कि अकेले अन्य आकस्मिक उपयोगकर्ताओं से ऊब के लिए।

मैंने "नियमित उपयोगकर्ता" की टोपी लगाई और दौड़ और कई वर्गों दोनों के लिए खेल की मुफ्त शुरुआत के माध्यम से चला गया, सभी अनाड़ीपन, अतार्किकता और समस्याओं को लिखते हुए, जाँच करने के लिए परिकल्पना की पहली सूची बनाई :

• जाति और वर्ण वर्ग। यह माना जाता था कि वर्ग सबसे मजबूत कारक होगा, क्योंकि हीलर के लिए गेमप्ले नाटकीय रूप से जादूगर से अलग है जो सभी को दाएं और बाएं घुमाता है।
• चाहे किसी व्यक्ति ने अन्य गेम खेले हों, हमारे पास सभी परियोजनाओं के लिए एक ही खाता है, इसलिए क्रॉस-रूपांतरण को ट्रैक करना आसान है।
• क्या खिलाड़ी ने 1 से अधिक चरित्र की कोशिश की - क्या उसने अन्य वर्गों और दौड़ को पहचान लिया।
• 1-4, 5-7 के स्तर पर कितनी बार उनकी मृत्यु हुई और सिर्फ एक मुकदमे में कितनी बार उनकी मृत्यु हुई।
• क्या आप अन्य खिलाड़ियों के साथ समूह में शामिल हुए, जिनमें उच्च-स्तरीय वाले शामिल हैं (यानी, आप अन्य खेलों से या वास्तविक जीवन में स्पष्ट रूप से परिचित हैं)
• कंप्यूटर पर RAM कितनी है, क्योंकि Aion संसाधनों पर मांग कर रहा है
• क्या चरित्र प्राप्त मेल और गिल्ड में शामिल हो गया है, "जुड़वाँ" का एक स्पष्ट संकेत है, पहले से ही सक्रिय और अनुभवी खिलाड़ियों द्वारा बनाए गए माध्यमिक चरित्र।
• चरित्र ने इस स्तर तक कितने कार्य पूरे किए, कितने कार्य रद्द हुए और कितने सरलता से नहीं हुए
• क्या खिलाड़ी इन-गेम चुनाव पास करता है जिसके लिए वे अच्छे बन्स देते हैं
• युद्ध में चरित्र कौशल का उपयोग करता है और राक्षसों को मारता है

सूची प्रभावशाली हो गई, विवरणों के बारे में विस्तृत, और खेलने के लिए अपनी इच्छा खोने से पहले शुरुआत करने के लिए बहुत सारे तरीके पाए गए। हम मॉडल में परिकल्पना के पहले जोड़े को लाते हैं, बूलियन वेरिएबल is_leaver की भविष्यवाणी करते हैं - क्या खिलाड़ी अभी 7 वें स्तर पर निकल जाएगा:


लिफ्ट चार्ट को कैसे पढ़ें: निचला ढलान सीधी रेखा एक यादृच्छिक संख्या जनरेटर का परिणाम है जो एक सिक्का फ़्लिप करने की वैज्ञानिक विधि द्वारा हमारे बुलियन चर की भविष्यवाणी करता है। शीर्ष पंक्ति, जल्दी से 100% तक पहुंच गई, ओरेकल है, भविष्य का आदर्श भविष्यवक्ता। उनके बीच एक असमान, कांपता हुआ धागा है - यह हमारा मॉडल है। ग्राफ आदर्श रेखा के जितना करीब होता है, मॉडल की उतनी ही अधिक सटीकता होती है। ग्राफ 7 वें स्तर के लिए है, लेकिन चित्र पहले से नौवें के समान है।

विपत्ति! हमारा पहला मॉडल आउटगोइंग खिलाड़ियों को ईगल और टेल्स विधि से थोड़ा बेहतर बताता है। हम शेष परिकल्पनाओं को मॉडल में भेजते हैं, डेटा को साफ करते हैं, प्रक्रिया करते हैं:


पहले से बेहतर है, लेकिन अभी भी सटीकता 50% से ऊपर है। और यदि आप अधिक विस्तार से याद करते हैं (दूसरी तरह की त्रुटियां), तो चित्र दुखद है:


यह रूसी में एक ही तालिका है - मॉडल द्वारा भविष्यवाणी की गई प्रत्येक 100 में से, 49 झूठी होगी (खिलाड़ी कहीं भी छोड़ने वाला नहीं था), मॉडल की सटीकता 1008 / (1008 + 982) = 51% होगी। उसी समय, मॉडल पूरी तरह से वास्तविक प्रस्थान का हिस्सा छोड़ देगा - लगभग 28% वास्तव में प्रस्थान किया गया [391 / (391 + 1008) = 28%]। ध्यान दें, यह याद की एक विहित परिभाषा नहीं है, लेकिन ऐसा कोई सूत्र स्पष्ट है।

चरण 1 का परिणाम : सभी प्रारंभिक विचार विफल हो गए, भविष्यवाणी काम नहीं करती है। महाराज, यह सब हो गया है!

चरण 2 - हम कुछ भी नहीं जानते हैं

युद्ध के मैदान से पूर्ण हार और उड़ान, और शाश्वत प्रश्न "क्या करना है?" भोले बेज़ एल्गोरिथ्म बचाव के लिए आता है - सभी डेटा माइनिंग क्लासिफायर का सबसे मानव-पठनीय और समझने योग्य है। बायेसियन विश्लेषण से पता चला कि चयनित परिकल्पना खिलाड़ियों को कमजोर रूप से चित्रित करती है जो छोड़ दिया और बने रहते हैं, अर्थात, मैंने प्रारंभिक परिसर की पसंद के साथ गलती की। लेकिन, एक और एल्गोरिथ्म, निर्णय वृक्ष की गहराई और संवेदनशीलता के साथ खेला गया, यह स्पष्ट हो गया कि सही परिकल्पनाएं हैं, उनके साथ पेड़ की शाखाएं हैं, लेकिन निश्चित रूप से पर्याप्त कारक नहीं हैं - पेड़ की वृद्धि 2-3 शाखाओं द्वारा बाधित है।

गणित के चक्रव्यूह में उतरे बिना, जिसे मैं खुद नहीं समझता, सरलता से - निर्णय वृक्ष एल्गोरिथ्म स्रोत डेटा को सबसे कम संभव एन्ट्रापी के साथ खंडों में विभाजित करता है, जो कि सबसे अधिक भिन्न डेटा सेट के लिए है। यदि पेड़ ने शाखा लगाना बंद कर दिया है, तो इसका मतलब है कि स्रोत डेटा में नई परिकल्पना और नए मेट्रिक्स की आवश्यकता है, ताकि पेड़ अधिक गहराई से इनपुट डेटा स्ट्रीम को विभाजित करे और बेहतर भविष्य की भविष्यवाणी करता है।

मैंने परियोजना टीम के साथ एक विचार-मंथन इकट्ठा किया, जहां हमने विचारों के साथ बातचीत की - जो हमारे नवागंतुक हैं, वे कैसे खेलते हैं, वे एक दूसरे से कैसे भिन्न होते हैं। हमने कहानियों को याद किया कि कैसे हमारे दोस्त और पत्नियां आयन से परिचित हो गए, और इसके बारे में क्या आया। बुद्धिशीलता का परिणाम व्यक्तिगत परिकल्पनाओं की एक विस्तारित सूची थी (क्या खिलाड़ी ने टेलीपोर्टेशन का उपयोग किया था, क्या उसने अपनी इन्वेंट्री का विस्तार किया था, क्या उसने पुनरुत्थान बिंदु को बाँध दिया था, आदि) और एक नया विचार - यह देखना अच्छा होगा कि खेल छोड़ने और शेष रहने वालों की गतिविधि कितनी अलग है।

औसत गतिविधि का अध्ययन करने के लिए, हमने कई मैट्रिक्स की गणना की:

• इस स्तर पर मारे गए राक्षसों की संख्या
• स्तर पर पूर्ण किए गए कार्यों की संख्या
• प्रत्येक स्तर पर बिताए मिनटों में समय

इस स्तर पर, परियोजना का ईटीएल हिस्सा (लोडिंग, कंवर्टिंग और क्लियरिंग डेटा) उसी समय फिर से तैयार किया गया। हमारे एसक्यूएल गुरु इलिया ने SSIS पर एक विश्लेषक-निर्माता बनाया, जिसमें गेम लॉग से नई घटनाओं को आसानी से जोड़ा जाता है। लॉग के गीगाबाइट्स, इसलिए जानकारी की कोई कमी नहीं थी, और हर दिन नए परिकल्पनाओं का आविष्कार किया गया था।

डाउनलोड, प्रशिक्षित, सत्यापित, विश्लेषण किया गया। मैं आपको प्रत्येक स्तर और प्रत्येक मॉडल के लिए लिफ्ट चार्ट के समुद्र के साथ लोड नहीं करूंगा, मैं तुरंत संसाधित और विश्लेषण किए गए डेटा दे दूंगा:


स्तर 9 पर सटीकता का शिखर अध्ययन के समय खेल की आंतरिक विशेषता से जुड़ा था।

सामान्य तौर पर, तस्वीर 2-4 स्तरों के क्षेत्र में सुधार हुई, लेकिन प्लिंथ के नीचे 6-8, इस तरह की सटीकता के साथ डेटा हमारे लिए बस बेकार है।

निर्णय का पेड़ खुशी से दिखाता है - प्रस्थान की भविष्यवाणी करने के लिए गतिविधि कारक सबसे महत्वपूर्ण हैं। वास्तव में, तीन मूल्यों - स्तर पर समय, मारे गए राक्षस और पूर्ण कार्य - प्रस्थान के शेर की हिस्सेदारी का निर्धारण करते हैं। अन्य कारक 5% से अधिक सटीकता नहीं जोड़ते हैं। पेड़ भी नंगे रहता है, तीसरी शाखा पर मुकुट टूट जाता है - अर्थात, मॉडल अधिक प्रासंगिक मैट्रिक्स को तरसता है। अभी भी स्पष्ट नहीं है - तीन एल्गोरिदम की सटीकता स्तर से बहुत भिन्न होती है।

चरण 2 का परिणाम : औसत गतिविधि को मापने के विचार की सफलता, व्यक्तिगत कारक नहीं। लेकिन भविष्यवाणी की सटीकता अभी भी असंतोषजनक है। रेक पथ ने परिणामों के विश्लेषण के सही क्रम का नेतृत्व किया - पहले कारक और सहसंबंध (बेयस), फिर परिणाम (निर्णय वृक्ष) पर उनका प्रभाव।

चरण 3 - हम जानते हैं कि कहां खोदें

प्रगति से उत्साहित होकर, मैंने परियोजना के विकास के लिए तीन वैक्टरों की रूपरेखा तैयार की - समग्र गतिविधि के अधिक मीट्रिक, व्यक्तिगत प्रभावशीलता के अधिक विशिष्ट मैट्रिक्स, और Microsoft बीआई उपकरणों का गहन अध्ययन।

गतिविधि के साथ प्रयोग करने के बाद, हम निम्नलिखित सेट पर बस गए:

• वर्तमान स्तर पर, पिछले स्तर पर और खेल में कुल समय वर्तमान समय तक बिताया
• राक्षसों को मारने की गति - वर्तमान स्तर पर प्रति मिनट टुकड़े, पिछले एक और सभी।
• कार्य को प्रति मिनट पूरा करने की गति मॉब के समान है।
• गेम के खेल में औसत समय, खेल में बिताए दिन और नहीं बिताए दिन (उदाहरण के लिए, सोमवार और बुधवार को दर्ज किया गया व्यक्ति - 1 दिन गायब है)।

इन मेट्रिक्स ने याद किए गए मामलों में लगभग डेढ़ गुना की कमी की। निर्णय वृक्ष 9 नोड्स तक शाखा करना शुरू कर दिया, जो मैट्रिक्स की प्रासंगिकता को दर्शाता है। इसके अलावा, एक अच्छा संकेत विभिन्न स्तरों के लिए पेड़ों का एकीकरण था - अगर अंतिम चरण में, जैसा कि मैंने लिखा था, एल्गोरिदम की सटीकता स्तर से स्तर तक कूद गई थी, अब यह स्पष्ट रूप से दिखाई दे रहा था - ठीक उसी संकेतक के लिए पेड़ पहले, दूसरे या तीसरे नोड पर धड़कता है। , चरित्र स्तर की परवाह किए बिना। और अनुभवहीन बेयस पहले से ही पेड़ और तंत्रिका नेटवर्क से 5-10 प्रतिशत पीछे है।

मुझे गेमप्ले की गहराई और गेम की प्रभावशीलता से संबंधित नए व्यक्तिगत मैट्रिक्स के साथ टिंकर करना था, उदाहरण के लिए, ऑटो हमले का प्रतिशत। हमने वर्णों को वर्गों में विभाजित किया (योद्धाओं को दाईं ओर, उपचारकर्ताओं को बाईं ओर), और प्रत्येक वर्ग के लिए हमने %% ऑटो हमलों के वितरण के 25 वें, 50 वें और 75 वें प्रतिशत की गणना की और सभी को 4 श्रेणियों में विभाजित किया। अब डेटा को सामान्यीकृत किया जाता है , और खेल वर्गों की एक दूसरे के साथ तुलना की जा सकती है - श्रेणी संख्या डेटा खनन मॉडल के इनपुट पर जाती है।

ऑनलाइन गेम में, अक्षर विभिन्न मंत्र और क्षमताओं के साथ दुश्मनों को मारते हैं। एक ऑटो हमला एक नि: शुल्क, सबसे बुनियादी (और सबसे कमजोर) जन्म से दिया गया झटका है। यदि खिलाड़ी प्रभावी है, तो वह अपने चरित्र की क्षमताओं का उपयोग करता है - और उसके सभी हिट के बीच %% ऑटो-हमले बहुत अधिक नहीं होंगे। हालांकि, बहुत कुछ खेल यांत्रिकी पर निर्भर करता है, विभिन्न वर्गों के लिए वास्तव में यह प्रतिशत क्या है। एयन में, माध्यिका से प्रसार योद्धा के लिए जादूगर के लिए 5% और योद्धा के लिए 70% था, और वर्ग के भीतर भी फैलाव अधिक है।

व्यक्तिगत मैट्रिक्स पेड़ के सातवें-नौवें नोड की गहराई पर तय किए जाते हैं, अर्थात्। उन्होंने भविष्यवाणी की सटीकता के लिए कुछ प्रतिशत जोड़ा, लेकिन स्थिति में नाटकीय रूप से सुधार नहीं किया। अगला कदम विश्लेषण सेवाओं के साथ काम करने की जटिलताओं के लिए Microsoft SQL Server 2008 के साथ डेटा माइनिंग पुस्तक का अध्ययन करना था। पुस्तक ने केवल पेड़ की संवेदनशीलता (ताकत के साथ साथ सटीकता में एक या दो प्रतिशत की वृद्धि) को समायोजित करने में मदद की, लेकिन इसने उचित विवेक के विचार को प्रेरित किया।

ऑटो-अटैक के साथ ऊपर दिए गए उदाहरण में, हमने मैन्युअल डेटा विवेक को बनाया - कुछ मानदंडों के अनुसार श्रेणियों में विभाजित किया। SQL सर्वर स्वचालित रूप से कई तरीकों से विवेक करता है। प्रायोगिक तौर पर, मैंने जल्दी ही महसूस किया कि विभाजन एल्गोरिथ्म और सेगमेंट की संख्या मॉडल की भविष्य कहनेवाला शक्ति को बहुत प्रभावित करती है। मैन्युअल रूप से सेगमेंट की संख्या बदलने से पेड़ की आकृति और सटीकता प्रभावित होती है। मैंने मैन्युअल समायोजन पर एक सप्ताह बिताया , प्रत्येक स्तर की प्रत्येक संरचना (जो 30+ मेट्रिक्स के 9 स्तर है) के खंडों की संख्या के साथ प्रयोग करते हुए। कुछ मैट्रिक्स के लिए, 7 खंड इष्टतम थे (उदाहरण के लिए, वर्तमान स्तर पर समय ), कुछ 12 के लिए ( खेल में कुल समय ), कुछ के लिए 20 से अधिक ( मारे गए राक्षसों की संख्या )।

मैनुअल ट्यूनिंग ने पूर्वानुमानित मूल्यों में एक मजबूत वृद्धि दी - सटीकता में बहुत अधिक वृद्धि नहीं हुई, लेकिन मॉडल काफी कम अंतराल बनाने लगे, और पेड़ के परिणाम तंत्रिका नेटवर्क के लिए तुलनीय थे:

चरण 3 का परिणाम : हम सटीकता और सटीकता के स्वीकार्य संकेतक तक पहुंच गए और हमारे खेल और हमारे खिलाड़ियों के बारे में बहुत सारी दिलचस्प चीजें सीखीं।

चरण 4 - केवल विजय

मैंने ईमानदारी से सोचा था कि छत तक पहुंच गया था - 9-12 समुद्री मील की गहराई तक पेड़ की शाखाएं, सटीकता में बहुत सुधार हुआ है। नई परिकल्पना सटीकता में सुधार नहीं करती है, नए कारक कोई जानकारी नहीं देते हैं। सिद्धांत रूप में, खिलाड़ियों के साथ काम शुरू करने के लिए 78% की समग्र सटीकता और 16% याद करते हैं। मैं शायद इस तरह के नंबरों के साथ गेम में रखने के लिए इस तरह की मुफ्त सदस्यता नहीं दूंगा, लेकिन बिना किसी त्रुटि के प्रासंगिक जानकारी के खिलाड़ी को सूचित करना पहले से ही संभव है।

अप्रत्याशित रूप से मदद मिली - चूंकि डाटा माइनिंग प्रोजेक्ट तीसरे महीने से चल रहा है, हमारे लॉग कुछ पुराने हैं - इस समय खेल बदल गया है। कुछ नए डेटा लोड करने के बाद, और एक बार फिर से ETL प्रक्रियाओं को अंतिम रूप देने के बाद, हमने मॉडलों में बदलाव देखा। नए डेटा पर, उन्होंने अलग तरह से व्यवहार किया - सामान्य रूप से, एक ही सटीकता और सटीकता के साथ, पेड़ विभाजन अलग-अलग थे। इस स्तर पर, सभी तीन एल्गोरिदम बहुत जल्दी सीख गए - 9 के प्रत्येक स्तर के लिए एक मिनट, और उन्हें एक अतिरिक्त डेटा सेट खिलाना सरल है।

यह कहा जाता है - किया, हम 3 महीने से अधिक के सभी डेटा को अनलोड करते हैं और आम तौर पर मॉडल को एक झपट्टा में सीखने के लिए भेजते हैं (प्रक्रिया एक मिनट नहीं, बल्कि प्रत्येक स्तर के लिए पांच के रूप में शुरू हुई - महत्वपूर्ण नहीं)। मैनुअल समायोजन का एक और दौर, और यहाँ परिणाम है:



प्रशिक्षण डेटा की मात्रा में वृद्धि करके, हमने प्रसंस्करण प्रक्रिया को लंबा बना दिया, लेकिन क्या एक महान परिणाम है!

दुर्भाग्य से, पहले स्तर के साथ थोड़ा किया जा सकता है - लगभग आधे प्रस्थान, जैसा कि अविनाश कोशिक कहेंगे, " मैं आया, मैंने पुकारा, मैंने छोड़ दिया "। हमारे पास शाब्दिक रूप से खिलाड़ी कार्यों की एक जोड़ी है - और फिर वह गेम क्लाइंट को बंद कर देता है और कभी नहीं लौटता है।

मैं आपको याद दिलाता हूं कि उपरोक्त सभी अध्ययन संचित ऐतिहासिक डेटा पर प्रशिक्षण दे रहे हैं। अब मुझे युद्ध की जाँच चाहिए! हम लाइव डेटा पर जांच करते हैं - हम ताजा लेते हैं, आज के उपयोगकर्ता, मॉडल के माध्यम से चलाते हैं और भविष्यवाणी के परिणाम को बचाते हैं। एक हफ्ते बाद, हम मॉडल की भविष्यवाणियों की तुलना वस्तुनिष्ठ वास्तविकता से करते हैं - सप्ताह भर पुरानी भर्ती में से कौन वास्तव में बची है, और कौन खेल में बनी हुई है:

सबसे दिलचस्प

परियोजना का पहला लक्ष्य - खेल छोड़ने वाले एक शुरुआत की भविष्यवाणी - निश्चित रूप से हासिल की जाती है। इस तरह की सटीकता के साथ, खिलाड़ी की वापसी पर निर्णय लेना, उसके साथ संवाद करना, उसे प्रेरित करना, बन्स देना पहले से ही संभव है। और यह भविष्यवाणी छोड़ने के दिन लगभग है: आज रात एक व्यक्ति ने खेल छोड़ दिया - कल सुबह 5 बजे डेटा संसाधित किया गया था और छोड़ने की संभावना पहले से ही उच्च विश्वसनीयता के साथ जानी जाती है।

क्या दूसरा लक्ष्य हासिल किया गया है, क्या अब हम जानते हैं कि खिलाड़ी क्यों छोड़ते हैं ? नहीं। और यह मेरे लिए सबसे अजीब परिणाम है - प्रस्थान की भविष्यवाणी करने की एक उत्कृष्ट संभावना के साथ, सवाल "क्यों?" अनुत्तरित रहता है। याद रखें, मैंने फॉर्म के, अलग-अलग कारकों के बारे में परिकल्पनाएँ लिखकर परियोजना शुरू की थी:

• जाति और वर्ण वर्ग
• क्या वह व्यक्ति इनोवा के अन्य खेल खेलता था
• क्या खिलाड़ी ने 1 से अधिक चरित्र की कोशिश की
• 1-4, 5-7 के स्तर पर कितनी बार उनकी मृत्यु हुई और कुल कितनी बार उनकी मृत्यु हुई
• अन्य खिलाड़ियों के साथ समूह में शामिल हो गए
• कंप्यूटर पर RAM कितनी है
• क्या चरित्र मेल प्राप्त करता है और गिल्ड में शामिल होता है
• चरित्र ने इस स्तर तक कितने कार्य पूरे किए, कितने कार्य रद्द हुए और कितने सरलता से नहीं हुए
• क्या खिलाड़ी खेल में मतदान से गुजरता है
• युद्ध में चरित्र कौशल का उपयोग करता है और राक्षसों को मारता है

ऐसे कई कारकों का परीक्षण किया गया है - 60 से अधिक। उनमें से कोई भी किसी भी तरह से महत्वपूर्ण नहीं है और खिलाड़ी के प्रस्थान का निर्धारण करता है। एक भी नहीं! हम इस खेल में किसी भी तरह के जादू की बाधा नहीं ढूंढते हैं जो खिलाड़ियों के बहिर्वाह का कारण बनता है।

सबसे महत्वपूर्ण कारक? क्या खिलाड़ी ने खेल के साथ परिचित होने के पहले दिन पहले 7 स्तरों को पार कर लिया (7 स्तर खेल के लगभग 3 घंटे हैं)। यह वापसी का एक महत्वपूर्ण भविष्यवक्ता है - अगर पहले सत्र में खिलाड़ी को बाहर नहीं किया गया था और 3 घंटे खर्च नहीं किए थे, तो यह बहुत संभावना है कि वह खेल छोड़ देगा। कारकों का अगला सबसे शक्तिशाली समूह खिलाड़ी की कुल गतिविधि है :

• वर्तमान स्तर, अतीत और कुल में खेल में खर्च किए गए मिनट
• खेल में प्रति दिन औसतन मिनट में खर्च होता है
• वर्तमान स्तर, भूतकाल और सभी पर राक्षस प्रति घंटे मारे गए
• कार्यों की गति - प्रति घंटे टुकड़े

सारांश : हमें दो पूरी तरह से अलग-अलग परिणाम मिले - सामान्य गतिविधि के मैट्रिक्स के आधार पर एक खिलाड़ी की भविष्यवाणी, और खेल की व्यक्तिगत शैली का एक विस्तृत विश्लेषण। हम प्रत्येक नवागंतुक के प्रस्थान की सटीक भविष्यवाणी करते हैं, और हम प्रत्येक नवागंतुक को एक दर्जन तरीके बताने में सक्षम हैं कि वह व्यक्तिगत रूप से अपनी खेल शैली में सुधार कैसे कर सकता है, कैसे वह अधिक कुशलता से खेल सकता है, सभी खेल के चिप्स का उपयोग कर सकता है, और अधिक मज़ा कर सकता है।

जीत!

दो महीनों में, खरोंच से - हममें से कोई भी कभी भी डेटा खनन के करीब नहीं आया है, - दो पुस्तकों की मदद से और कुछ नई कोशिश करने की इच्छा, इनोवा में बनाए गए शक्तिशाली लेकिन निष्क्रिय एनालिटिक्स सिस्टम के आधार पर, हमने एक उपकरण बनाया भविष्य की ओर देख रहा है । , 6 – . , .

-, , – , , , .

पुनश्च। , – , , data mining , .

PS2. , —