François guillem data viz avec r fvga meet-up_janvier 2014

396 views
334 views

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
396
On SlideShare
0
From Embeds
0
Number of Embeds
8
Actions
Shares
0
Downloads
7
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

François guillem data viz avec r fvga meet-up_janvier 2014

  1. 1. Visualisation de données avec François Guillem Fondateur et data scientist @ fguillem@ludostat.fr
  2. 2. La visualisation de données est généralement utilisée pour accélérer la lecture d’informations en les représentant graphiquement • Reporting • Exploration de données Mais elle peut aussi permettre de révéler des informations cachées et de créer de nouvelles connaissances • Science des données Voici quelques exemples
  3. 3. Exemple 1 : résultats d’un sondage Jeu de « City Building » L’éditeur aimerait comprendre pourquoi les joueurs n’achètent pas les bâtiments payants On a réalisé un sondage interne pour voir ce que pensaient les salariés des bâtiments (payants ou non) Puis on a réalisée une analyse factorielle
  4. 4. Exemple 1 : résultats d’un sondage
  5. 5. Exemple 2 : évolution des contraintes et motivations des joueurs Jeu de « City building » Comprendre ce qui motive et freine les joueurs afin d’améliorer l’expérience de jeu et l’offre payante Pour cela on a regardé comment les caractéristiques d’un bâtiment influence la demande de celui-ci et comment cette influence évolue avec l’expérience du joueur
  6. 6. Exemple 2 : évolution des contraintes et motivations des joueurs Pour chaque bâtiment et pour chaque niveau, on estime l’équation suivante : log(D) = a + b . log(prix) + c . log(surface) + d . log(duree) + e . log(beaute) D : nombre de fois que le batiment a été acheté
  7. 7. Exemple 2 : évolution des contraintes et motivations des joueurs
  8. 8. Exemple 3 : typologie de joueurs Jeu de cartes type « magic » Identifier des groupes de joueurs qui utilisent différemment le jeu afin de personnaliser l’expérience de jeu Pour cela on a commencé par regarder les corrélations entre les différentes actions réalisées dans le jeu
  9. 9. deathmatch_end deathmatch_start survivor_complete survivor_start battle_defeat battle_draw mission battle_victory levelup tournament_complete tournament_start elo_complete elo_start market_buy market_sell shop_credits shop_pack shop_clintz auction_sell auction_buy shop_themedeck trade_non.secure login friend_sponsorship trade_secure friend_send friend_remove friend_accept friend_receive guild_create battle_surrender battle_timeout message_sent message_read message_received forum_read forum_write guild_join guild_apply guild_leave 0.0 0.5 1.0 1.5 2.0 ClusterDendrogram hclust(*,"mcquitty") d Height
  10. 10. Qu’ont tous ces graphiques en commun ? Ils ont été réalisé avec !
  11. 11. Qu’est-ce que ? C’est un logiciel d’analyse statistique open source C’est un langage de programmation qui permet de : o Importer des données o Traiter des données o Utiliser des modèles statistiques o Faire de la visualisation de données Particulièrement puissant pour tout ce qui concerne l’exploration de données
  12. 12. Qu’est-ce que ?
  13. 13. Conclusion c’est compliqué ! Mais ça en vaut la peine !

×