让玩家的想法真正暴露 —— 谷歌云数据分析&AI产品在游戏场景中的应用

在一款游戏的整个生命历程中,从上线探索、快速增长、成熟····的每个时期中,对于玩家行为的分析预测都是必不可少的,这会在很大程度上影响着游戏的功能优化变现收入用户留存等关键性的指标。

今天我们来看看数据分析& AI 在游戏场景中的应用。


数据分析及 AI 产品在游戏场景中的应用

从数据分析的全流程来看,我们可以通过 Firebase 进行终端用户数据采集,采集完成之后,再由 Firebase 与 BigQuery 所集成的能力将数据自动流转到谷歌云的数据仓库 BigQuery 中,之后利用 BigQuery 再进行大数据的计算、批量处理等操作,如果需要更加清晰明了的数据展示,可以利用 DataStudio (一款可以和 BigQuery 无缝衔接的、数据可视化产品)。在这整个数据流程中,采用的所有的服务都是无服务器架构,无需任何操作系统级的维护,也就是说我们的业务或运维人员不需要对这些用到的功能进行系统层面的维护,也不需要为运维投入能力,只需要在业务层面进行一些 SQL 语句的开发维护就可以实现所需要的数据分析、可视化等。

这里我们再介绍一下谷歌云其他的一些数据流分析产品,因为从整个产品的生命周期来看,我们是以 Firebase 作为产品的起点来进行数据采集的,但是对于很多开发者来说,可能没有在前期使用 Firebase 来进行数据采集,在这种情况下想要使用 BigQuery & DataStudio 进行数据分析及可视化的时候,我们也可以采用其他一些数据获取方式来集成整个大数据分析的数据流。

如下图,即是一个比较简单通用的数据流。

首先是Cloud Pub/Sub,我们可以将其理解为一个消息队列的产品,大致的工作流程为:

捕获前端产生的数据,再通过 Streaming 的形式发送到云端。Coud DataFlow:一款 ETL 数据处理产品,可以对 Cloud Pub 上传的数据进行简单的预处理,之后再把数据注入 BigQuery 中,然后进入在前文我们提到的流程:使用 BigQuery 进行数据分析、DataStudio 进行数据可视化。

这里我们还需要关注的是, DataStudio 作为一款完全免费的产品,从商业化层面来说,其在数据功能上会多少有一些不足,无法满足一些定制化的需求。

在这种情况下,另外一款数据分析产品 Looker 就可以登场了,作为一款商业化产品,其功能比 DataStudio 增强很多,同时兼具建模及数据可视化分析。

以上均以数据采集、分析与可视化为中心进行论述,下面我们来说用户行为预测

在基于以上的数据沉淀之后,我们可以利用谷歌云上所提供的 AutoML 进行数据模型训练,当我们把一些历史玩家的行为数据等训练成一个模型之后,我们可以以此为基础来判断经历某些事件行为之后,用户的留存、转化会有哪些变化。那么在之后的新用户涌进来之后,通过调用已部署的模型,我们可以进行新用户行为事件的预判或干预,如进行精准营销、事前推送等。

在进行模型调用、用户行为干预等之后,会产生二次数据,这些数据也会沉淀下来,再使用 AutoML 进行二次训练以帮助产品模型的迭代优化。

适用于各个阶段的 AI 产品

上图介绍了在一款游戏的整个生命周期中,我们可以利用的谷歌云的 AI 产品。

从最基础的、易于实施的、类似 SaaS层面的一些服务,如游戏场景下我们可能会用到的人工客服;

再往下是谷歌所提供的预训练模型,诸如全球同服的游戏多数会用到的 Translation API,可以帮助开发者更好的实现游戏本地化,以提供更美好的游戏体验;

在之后就是我们上文提到的 AutoML 定制模型训练,在某些特定的场景下,以翻译为例,一些专有名词的翻译或特殊领域内的东西可能无法通过默认的预训练模型进行精准的翻译。这种情况下,开发者可以通过 AutoML 进行自定义模型训练,然后再部署到游戏中以满足特定的需求。

图片最下方是 AI 的技术及开发环境,如果有这方面的需求,通常需要算法工程师基于底层的 TensorFlow 和 GPU 等框架进行算法的编写,再通过编写完成的算法去进行模型训练。

其实谷歌的 AutoML 已经提供非常多且全面的算法模型,以供用户直接使用,所以从谷歌的整个 AI 产品生态来看,已经可以在很大程度上满足客户的各种定制需求。

WebEye 致力于用创新的技术向中国企业提供数字化效率创新服务,实现数字化赋能。我们不断帮助客户打造新的运营与协作方式,打造新的竞争优势,构建资源高效链接,共创价值生长空间。WebEye 是中国大陆地区首家获得 Google Cloud MSP 资质的合作伙伴。点击了解:企业上云服务

返回全部