『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014

Copyright (C) 2013 DeNA Co.,Ltd. All Rights Reserved.
濱田晃一
2014/01/17
データマイニングCROSS 2014
Mobageの
Analytics活用したサービス開発

自己紹介
2010年6月 DeNA入社：
Mobageプラットフォーム全体の
アナリティクス活用したサービス開発・洗練
2011年4月
濱田晃一 (hamadakoichi)
ソーシャルゲームのアナリティクスチーム立上げ
Analytics Architect
Analytics活用したサービス開発・洗練
分析・サービス設計・洗練サイクル設計・ログ設計～開発まで

自己紹介
2010年6月 DeNA入社：
Mobageプラットフォーム全体の
アナリティクス活用したサービス開発・洗練
2011年4月
・博士 - 量子統計場の理論(理論物理学)
・データマイニング+WEB@東京(TokyoWebmining) 主催者
データマイニングの実活用コミュニティ。登録人数 1100人超。
濱田晃一 (hamadakoichi)
・執筆：Mobageを支える技術
ソーシャルゲームのアナリティクスチーム立上げ
Analytics Architect
・Hip Hop/House ダンス歴 17年コーチ歴12年

Delight and Impact the World

ソーシャルゲームプラットフォーム
ソーシャルゲーム
プロ野球
Eコマース
DeNAの事業と活動内容
陸上エンターテインメント
トラベル教育SNS

5300万人
有効会員

1050億PV/Month
5300万人
有効会員
アクセス

データ規模・種類・基盤
ソーシャルゲームプラットフォーム： Mobage
◆有効会員： 5300万人
◆ユーザアクション： 1050億 PV/ Month
◆データ種類：
- コミュニティアクション (ニュース、サークル、占い、等)
- コミュニティコミュニケーション（チャット、伝言板、挨拶、等）
- ゲームアクション
- ゲームコミュニケーション
- ゲームリスティング
- ユーザリスティング
- 決済
等
◆ データ基盤: Hadoop及びHadoop関連プロダクト
http://www.slideshare.net/hamadakoichi/mobage-prmu-2011-mahout-hadoop/27

Analytics活用し

Analytics活用し
楽しんでもらえる
サービスをつくる

役割
・効果高い課題設定
・高影響要素解明
Activity 1
Activity N, …
F1
F2
E1
E1
F3
F4
F5
1. 分析

役割
Activity 1
Activity N, …
F1
F2
E1
E1
F3
F4
F5
1. 分析
Feedback Log
6. ログ設計
7.分散アルゴリズム設計
Personalized Data
For each user
HDFS
MapReduce
Service
Front End
2. ユーザ体験設計
4. 洗練サイクル設計
8.分散実装
5. 連携データ設計
体験提供
3. サービス設計
※図例：Personalization

役割
Activity 1
Activity N, …
F1
F2
E1
E1
F3
F4
F5
1. 分析
体験提供
Feedback Log
6. ログ設計
7.分散アルゴリズム設計
Personalized Data
For each user
HDFS
MapReduce
Service
Front End
2. ユーザ体験設計
4. 洗練サイクル設計
8.分散実装
5. 連携データ設計
3. サービス設計
※図例：Personalization

思い
Social Graph
Data Mining
Machine Learning
ClusteringPatternMining
Classification Regression Recommendation
of Fun
Social
Experience
TimeSeriesAnalysis StatisticalAnalysis
Detailed Actions
Social Communications
Changes of Status
NaturalLanguageProcessing ..etc
Personality ..etc
活動・ソーシャル情報の活用により
ひとりひとりそれぞれの興味・つながりにあった
より適切な情報・サービスの提供

思い
Social Graph
Data Mining
Machine Learning
of Fun
Social
Experience
Detailed Actions
Changes of Status
Personality ..etc
活動・ソーシャル情報の活用により
ひとりひとりそれぞれの興味・つながりにあった
より適切な情報・サービスの提供
自ら探さなくてもそれらを得ることができる世界を実現したい

活動
日々サービスを利用しているだけで
ユーザひとりひとりが

興味にあったゲームに出会え
親しい人と一緒に楽しめる情報・機会の提供
活動

興味にあったゲームに出会え
親しい人と一緒に楽しめる情報・機会の提供
活動
5300万人ひとりひとりに対し学習・算出し
サービス提供する

活動例：パーソナルレコメンデーション
各ユーザーに対し興味・サービス横断で親しいユーザを学習・算出
サービスを使えば使うほど内容が洗練されていく
興味のあるゲームに出会う親しい人と一緒に楽しむ
友達を増やし一緒にゲーム・
ココミュニティを楽しむ
（個別の学習、及び、ユーザ状況に応じたアルゴリズム自体の組合せ・選択）

効果規模例

3.8倍
効果規模例

3.8倍
効果規模例
Install/Impression
(CTR x CVR)

3.8倍
効果規模例
※1: 表示位置等、同条件での比較。2013年上期実施。
Install/Impression
(CTR x CVR)
デモグラ区分でMobage全体のCTRxCVRやLTVが高いゲームのリスティングと比較した
パーソナルゲームレコメンドの数値増加効果(※1)

3.8倍
効果規模例
9.7倍
Install/Impression
(CTR x CVR)

効果規模例
9.7倍
※2: 利用継続数値: Install後のN日後のInstallゲームの来訪ユーザ数等
利用継続数値/Impression
(※2)
3.8倍
Install/Impression
(CTR x CVR)

3.8倍
効果規模例
9.7倍
興味と合い楽しめるゲームに出会えることにより
よりゲームを楽しみ継続してもらえる体験を提供
利用継続数値/Impression
(※2)
※2: 利用継続数値: Install後のN日後のInstallゲームの来訪ユーザ数等
Install/Impression
(CTR x CVR)

パーソナルレコメンデーション例
興味にあったゲームに出会い楽しめるレコメンド
行動・反応から興味を学習。使えば使うほど推薦内容が洗練されていく
自分の興味にあい楽しみ継続利用する確率が高いゲーム
・各ユーザごとに、各レコメンドに対す
る反応から興味を学習（強化学習）
自分がはまっているゲーム
User Reaction Log
Personalized Data
for Each User
Impression
Game Play Install
user_id, recdata
・ゲームプレイ特徴、ゲームインストー
ル特徴、インストール後継プレイ特徴、
の条件付き確率構造を学習
・各ユーザーごとに、プレイ特徴に応
じた、各ゲームの継続利用確率を算
出
MapReduce: 分散学習
Click
Install
プレイ・継続特徴学習、利用継続確率
リアクション学習
Play Continuity
after install

効果規模例
12.7倍

効果規模例
サービス横断で親しいユーザを用いたパーソナル友達レコメンド効果
全体で友達成立しやすい人とのリスティング比較（※）
12.7倍
友達成立数/Impression
※表示位置等、同条件での比較。

効果規模例
サービス横断で友達を増やし
一緒にゲーム・コミュニティを楽しむ機会を創出
※表示位置等、同条件での比較。
サービス横断で親しいユーザを用いたパーソナル友達レコメンド効果
全体で友達成立しやすい人とのリスティング比較（※）
12.7倍
友達成立数/Impression

サービス横断で友達を増やし
一緒にゲーム・コミュニティを楽しむ機会を創出
興味あるゲーム・コミュニティで親しいユーザ
一緒に楽しんでいるサービス
User Reaction Log
Personalized Data
for Each User
Impression
Service Access
user_id, recdata
・アクセス特徴、コミュニケーション特
徴から、各ユーザごとに、興味・個別
サービスでの他ユーザとの親密度、お
よび、ゲーム・プラットフォーム横断で
のユーザ間親密度を算出
MapReduce: 分散学習
Click
Install
サービス横断のユーザ親密度
Communication
・各ユーザごとに、各レコメンドに対す
る反応から興味を学習・洗練（強化
学習）
リアクション学習

各サービスへの興味、個別親密度の推定
サービス横断での親密度統合、一緒に楽しめるサービスの算出
Interest
(A,S)
familiarity
(S;A,B)
User A
Service S Service UUser B Interest
(B,U)
Service T Service V
User C
User D
Interest
(D,U)
Interest
(D,V)
familiarity
(S;A,C)
・サービス横断での親密度
・親しい人と一緒に楽しめる度合い

一人一人にあった情報・機会提供
Mobage PF
User
興味に合うゲームに出会え
親しいユーザと一緒に楽しめる
Developer
提供ゲームに興味があり
親しいユーザどうしで楽しむ
継続利用してくれるユーザの獲得
より楽しんでもらえる機会を
提供できる

ソーシャル・活動情報の活用により
より適切な情報・サービス配信される世界を実現したい
提供
Social Graph
Data Mining
Machine Learning
of Fun
Social
Experience
Detailed Actions
Changes of Status
Personality ..etc

提供
世界中の人々が
個々人のつながり・楽しみ・好みにあった適切な情報・サービスを
自ら探さなくても得ることができる世界
Social Graph
Data Mining
Machine Learning
of Fun
Social
Experience
Detailed Actions
Changes of Status
Personality ..etc

提供
世界中の人々が
個々人のつながり・楽しみ・好みにあった適切な情報・サービスを
自ら探さなくても得ることができる世界
Social Graph
Data Mining
Machine Learning
of Fun
Social
Experience
Detailed Actions
Changes of Status
Personality ..etc
一緒に挑戦する仲間を募集しています

『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Viewers also liked

Viewers also liked (12)

Similar to 『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014

Similar to 『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014 (20)

More from Koichi Hamada

More from Koichi Hamada (11)

Recently uploaded

Recently uploaded (9)

『MobageのAnalytics活用したサービス開発』 - データマイニングCROSS2014 #CROSS2014