1. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
ネットワーク科学で挑戦するゲームマーケティング改革
CEDEC 2020
Sep. 4, 2020
安達 涼 / 田中 一樹
DeNA Co., Ltd.
1
2. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
*スライドタイトルが[del]で始まるもの
e.g.) [del] ネットワークを組むメリット
は時間の制約上、発表では省いたものです。
2
3. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
自己紹介
❏ 安達 涼
- DeNA ゲーム事業部 マーケティング統括部 分析部
❏ 統計・機械学習手法を用いたビッグデータ分析
❏ ゲームプレイ、マーケティング関連のデータ
❏ 参考:CEDEC 2019「逆転オセロニア」における、機械学習モデルを用いたデッキのアーキタイ
プ抽出とゲーム運用への活用
https://www.slideshare.net/RyoAdachi/deck-archetype-extraction-cedec2019
❏ 分析部ブログ:https://medium.com/dena-analytics-blog
3
4. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
■ 分析組織としては2011年から継続しており、現在はゲーム事業に
100%コミットしている
■ 各ゲームタイトルに専属アナリストをアサインする体制
参考:CEDEC 2017「一周年で爆発した「逆転オセロニア」における、
ゲーム分析の貢献事例 〜開発・運営の意思決定を全力でサポートする、DeNAのゲーム分析体制〜」
https://www.youtube.com/watch?v=bcCiRqmvR2o
■ 行動ログ分析、ユーザー調査等、様々な分析手法を用いて分析に
取り組んでいる
■ 新たな分析手法や、機械学習等の高度な技術を活用したR&Dにも
トライしており、今回の発表はその文脈での実践例
[del] DeNA ゲーム事業部 マーケティング統括部 分析部について
4
5. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
■ 分析部ブログ:
https://medium.com/dena-analytics-blog
■ ゲームバランス調整、因果推論、
分析基盤、ユーザーリサーチなど
[del] 分析部ブログについて
5
7. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
講演の全体像
7
スマホマーケティングの
背景・課題
分析ツール開発
による業務効率化
ネットワーク科学
のマーケティング応用
8. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
アジェンダ
1. スマホゲームマーケティングとSNS
2. 定量データによるマーケティング業務の改善
3. ネットワーク科学のマーケティングへの応用
a. 取り組み①: 情報の伝播
b. 取り組み②: コミュニティの抽出
c. 取り組み③: 情報拡散を最大化させる方法
4. まとめと展望
8
9. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
スマホゲームマーケティングとSNS
● 新規・復帰ユーザー獲得
○ TVCM
○ WEB・SNS広告
○ ASO(App Store Optimization)
● ユーザー維持
○ SNS運用
○ 公式番組
○ リアルイベント
9
11. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
取り組みの概要
SNS上のビッグデータ × スマホゲームマーケティング
○ Twitter上のデータを活用 (ツイート、つながりなど)
○ テーマ①: 定量データを集約したSNS分析ツールの作成と活用による業務の改善
○ テーマ②: ネットワーク科学を活用した、新たな知見の発掘とその活用
■ 情報伝播の過程
■ コミュニティの抽出
■ 情報拡散の最大化
11
12. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
アジェンダ
12
1. スマートフォンゲームマーケティングの概要
2. 定量データによるマーケティング業務の改善
3. ネットワーク科学のマーケティングへの応用
a. 取り組み①: 情報の伝播
b. 取り組み②: コミュニティの抽出
c. 取り組み③: 情報拡散を最大化させる方法
4. まとめと展望
13. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
弊社でのSNSを用いたユーザー理解の課題点
● これまでの運用
○ 既存のSNS分析ツール
○ SNS運用チームの手作業での情報収集
● これらの課題点
○ 欲しい情報が得られない、自由度が低い
○ ユーザーの意見や施策への反応を網羅的・客観的に把握できない、効率が良くない
● 改善方法
○ 必要な情報だけを網羅したSNS分析ツールの導入による情報収集の自動化
○ 施策の検討、振り返りのワークフローの整備
13
15. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
SNS分析ツールを活用したワークフローの整備
● ユーザー状態の把握
○ ユーザーの感情の変化や盛り上がっている話題をチェック
○ 定期的にレポートを展開し、開発や施策の方向性決定に活用
○ ユーザー把握、施策の効果確認の関係者間での認識の統一
● 施策の振り返りへの活用
○ 過去の類似施策との比較が容易
● ツール活用による効率化
○ 週5時間*2〜3人 → 30分*1人
15
16. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
ここまでのまとめ
● Lookerで作成したカスタムSNS分析ツールを導入
○ ユーザー理解が客観的・網羅的になり、ユーザー状態の認識を統一できた
○ データの取捨選択を自動化し、大幅な効率化を達成した
● SNS分析ツール活用の今後の展開
○ ゲーム以外の事業への導入
○ Youtube(公式チャンネルなど)のデータでの活用
○ カスタマーサポートの運用での活用
16
17. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
アジェンダ
17
1. スマートフォンゲームマーケティングの概要
2. 定量データによるマーケティング業務の改善
3. ネットワーク科学のマーケティングへの応用
a. 取り組み①: 情報の伝播
b. 取り組み②: コミュニティの抽出
c. 取り組み③: 情報拡散を最大化させる方法
4. まとめと展望
18. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
ネットワーク
ソーシャル
ネットワーク
タンパク質の相互作用 銀行間の貸借 鉄道網
● G(V, E): V:ノード, E:エッジ
● 有向・無向グラフ、エッジの重みあり・なし
18
19. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
[del] ネットワークを組むメリット
● 把握しづらい情報の可視化・理解
● ネットワーク作成の自由度が高く、活用の幅が広い
19
21. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
ネットワーク科学の活用例
● レコメンド機能
○ Uber Eats (c.f. https://eng.uber.com/uber-eats-graph-learning/ )
○ Pinterest (Ying et al., 2018)
● ゲーム関連
○ MMORPGのアイテムトレード分析 (Son et al., 2012)
○ ボット検知 (Kang et al., 2016)
○ 離脱予測 (Liu et al., 2018)
21
Ying et al., 2018
Jain et al., 2019
22. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
アジェンダ
22
1. スマートフォンゲームマーケティングの概要
2. 定量データによるマーケティング業務の改善
3. ネットワーク科学のマーケティングへの応用
a. 取り組み①: 情報の伝播
b. 取り組み②: コミュニティの抽出
c. 取り組み③: 情報拡散を最大化させる方法
4. まとめと展望
23. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
カスケード
情報が伝播していく様子=カスケード
○ 自分のタイムラインに表示された
フォロワーのツイートをリツイート...
○ 情報、疫病、電気など
Bakshy et al., 2011
23
24. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
カスケード分析:課題と目的
● 課題、疑問点
○ バズとは何だろう?
○ バズのきっかけとなるユーザーは誰?
● 目的
○ バズの定量化
■ 公式アカウントのツイートとユーザーのツイートの違いを比較
■ ゲームタイトル間の比較
○ 意図的に大きな拡散を作りたい
■ ツイートの拡散を加速させるユーザーの抽出
24
25. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
ツイートのカスケードの構築
Aがツイート①をツイートした。そしてAをフォローしているBが、
Aより後にツイート①をリツイートしたとき、AからBに伝播が起こったとする
Cha et al., 2008
25
26. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
カスケードの例
投稿者 拡散力の大きいユーザー
● ゲームAに関連するツイート1ヶ月分:約60万ツイート
● このうち一回でもリツイートされたツイート:約1万ツイート
● ユーザーのフォローしている人&フォロワー
26
27. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
カスケードの分析1
Q:公式のツイートとユーザーのツイートのカスケードの違いは?
公式ツイートの例 ユーザーツイートの例
27
浅い・一つの傘 深い・枝分かれ
28. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
カスケードの分析1
Goel et al., 2016
カスケードの形状の測り方
● Structural virality (バイラリティ指標)
28
距離:1 距離:2
バイラリティ指標が高い=ツイートが人づてに広く拡散
c.f.) 青点間の距離
29. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
カスケードの分析1
公式ツイートの例
ユーザーツイートの例
公式とユーザーのツイートのバイラリティの比較
p<0.001
29
公式ツイート
ユーザーツイート
バイラリティ指標:公式ツイート < ユーザーツイート
公式 ユーザー
バイラリティ指標
バイラリティ指標 カスケードの大きさ (ノード数)
30. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
[del] カスケードの分析1
公式ツイートの例
ユーザーツイートの例
公式ツイートとユーザーツイートの伝播速度の比較
30
伝播速度:公式ツイート > ユーザーツイート
公式
ユーザー
31. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
カスケードの分析2
Q:ゲームタイトル間でのカスケードの違いは?
31
*CCDF=1-CDF
バイラリティ指標:ゲームB < ゲームA
バイラリティ指標
ゲーム間のバイラリティ指標の比較
32. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
カスケードの分析2
32
*CCDF=1-CDF
バイラリティ指標:ゲームB < ゲームA
バイラリティ指標
● ゲームAは、よりバイラルな伝播を起こしやすいフォ
ロー・フォロワー構造を持つ
● ゲームBをAに近づけたい
○ 絵師施策
○ ハッシュタグキャンペーン
ゲーム間のバイラリティ指標の比較
33. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
カスケードの分析3
Q:ツイートの拡散を加速させるユーザーはだれ?
発信者ではない、
拡散力の大きいユーザー
33
発信者
34. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
カスケードの分析3
ユーザーA
34
ユーザーAの発信者としての拡散力
35. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
カスケードの分析3
ユーザーB
35
ユーザーBの媒介者としての拡散力
36. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
カスケードの分析3
36
発信者
媒介者
発信↓媒介↑
発信↑媒介↓
発信↑媒介↑
各ユーザーの発信力と媒介力
37. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
カスケードの分析3
37
発信者
媒介者
発信↓媒介↑
発信↑媒介↓
発信↑媒介↑
各ユーザーの発信力と媒介力
39. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
ここまでのまとめ
39
● カスケードの抽出と、バイラリティ指標を用いたバズの定量化
● 公式アカウントのツイートとユーザーのツイートの違い
○ 浅い一つの大きな傘 vs 枝分かれをもつ深い木
○ バイラリティ指標: 公式ツイート < ユーザーツイート
● ゲームタイトル間での違い
○ つながりを促進する施策でバイラリティ指標を向上
○ バイラリティ指標の変化の観測
● ツイートの拡散を加速させるユーザーの抽出
○ 絵師施策などへの活用
40. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
アジェンダ
40
1. スマートフォンゲームマーケティングの概要
2. 定量データによるマーケティング業務の改善
3. ネットワーク科学のマーケティングへの応用
a. 取り組み①: 情報の伝播
b. 取り組み②: コミュニティの抽出
c. 取り組み③: 情報拡散を最大化させる方法
4. まとめと展望
41. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
コミュニティとコミュニティマーケティング
● コミュニティ(マーケティングの観点)
○ 同じ価値観・目的を持った人が集まり共感し合う集合体
● コミュニティマーケティング
○ コミュニティを形成/拡大し、コミュニティからの発信力を強化することで、
新規ユーザー獲得や既存ユーザーの維持に繋げていくマーケティング活動
○ 例1:絵師施策
■ コミュニティ内でファンが多い絵師からゲーム関連のイラストを発信し、
話題を提供する事で、コミュニティからの発信力を強化する
○ 例2:リアルイベント
■ 同じ目的を持ったユーザーが集まる場を提供し、ユーザー間の繋がりを強化する
41
42. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
コミュニティの抽出と可視化:課題と取り組み
● 課題
○ SNS上の‘‘コミュニティ” を把握することは容易ではない
■ これまではSNSの投稿内容の観察や、ユーザーインタビューを活用
● 取り組み
○ SNS上のコミュニティを抽出する
■ 各コミュニティのユーザー属性の検証
○ コミュニティの時系列変化を捉える
■ 施策が意図したコミュニティに及ぼす影響の観測
42
43. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
コミュニティの定義とアルゴリズム
● コミュニティの定義 (ネットワーク科学の観点)
○ ノード:ユーザー
○ エッジ:フォロー関係、リツイートなどツイート関連
○ コミュニティ内ではエッジが密に、
コミュニティ間ではエッジが疎になるようなノードの分割
● コミュニティ抽出のアルゴリズム
○ Louvain (Blondel et al., 2008)
○ Infomap (Rosvall and Bergstrom, 2008)
コミュニティ
43
ユーザー
つながり
44. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
[del] コミュニティ抽出のアルゴリズム
44
Papadopoulos et al., 2012
アルゴリズムの選択
● ネットワークの種類
○ 有向・無向 / エッジに重みあり・なし
● コミュニティの種類
○ 重なりあり・なし
● アルゴリズムの計算複雑度
● python・Rパッケージあり・なし
コミュニティ抽出アルゴリズムに関連する理論
45. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
[del] コミュニティ抽出のアルゴリズム:Louvain algorithm
45
● モジュラリティ(Q)の最大化
● *Greedy法 (2ステップ)
○ ステップ0: すべてのノードを異なるコミュニティとする
*Greedy法: アルゴリズムの基本的設計技法の一つで、貪欲算法とも呼ばれる。最適化問題を解くとき、
計算の各段階で最も利益の大きい部分解を選んでいき、それらの部分解を組み合わせたものを最終的な解とする
*S: コミュニティの集合
46. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
[del] コミュニティ抽出のアルゴリズム:Louvain algorithm
46
● モジュラリティ(Q)の最大化
● *Greedy法 (2ステップ)
○ ステップ0: すべてのノードを異なるコミュニティとする
○ ステップ1: ローカルにQを最大化する (optimization)
*Greedy法: アルゴリズムの基本的設計技法の一つで、貪欲算法とも呼ばれる。最適化問題を解くとき、
計算の各段階で最も利益の大きい部分解を選んでいき、それらの部分解を組み合わせたものを最終的な解とする
*S: コミュニティの集合
59. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
アジェンダ
59
1. スマートフォンゲームマーケティングの概要
2. 定量データによるマーケティング業務の改善
3. ネットワーク科学のマーケティングへの応用
a. 取り組み①: 情報の伝播
b. 取り組み②: コミュニティの抽出
c. 取り組み③: 情報拡散を最大化させる方法
4. まとめと展望
91. Copyright (C) 2020 DeNA Co.,Ltd. All Rights Reserved.
参考文献
91
Bakshy, E., Hofman, J. M., Mason, W. A., & Watts, D. J. (2011, February). Everyone's an influencer: quantifying influence on twitter. In Proceedings of the fourth ACM international conference on
Web search and data mining (pp. 65-74).
Blondel, V. D., Guillaume, J. L., Lambiotte, R., & Lefebvre, E. (2008). Fast unfolding of communities in large networks. Journal of statistical mechanics: theory and experiment, 2008(10),
P10008.
Cha, M., Mislove, A., Adams, B., & Gummadi, K. P. (2008, August). Characterizing social cascades in flickr. In Proceedings of the first workshop on Online social networks(pp. 13-18).
Goel, S., Anderson, A., Hofman, J., & Watts, D. J. (2016). The structural virality of online diffusion. Management Science, 62(1), 180-196.
Greene, D., Doyle, D., & Cunningham, P. (2010, August). Tracking the evolution of communities in dynamic social networks. In 2010 international conference on advances in social networks
analysis and mining (pp. 176-183). IEEE.
Kempe, D., Kleinberg, J., & Tardos, É. (2003, August). Maximizing the spread of influence through a social network. In Proceedings of the ninth ACM SIGKDD international conference on
Knowledge discovery and data mining (pp. 137-146).
Kang, A. R., Jeong, S. H., Mohaisen, A., & Kim, H. K. (2016). Multimodal game bot detection using user behavioral characteristics. SpringerPlus, 5(1), 523.
Kwak, H., Lee, C., Park, H., & Moon, S. (2010, April). What is Twitter, a social network or a news media?. In Proceedings of the 19th international conference on World wide web (pp. 591-600).
Liu, X., Xie, M., Wen, X., Chen, R., Ge, Y., Duffield, N., & Wang, N. (2018, November). A semi-supervised and inductive embedding model for churn prediction of large-scale mobile games. In
2018 IEEE International Conference on Data Mining (ICDM) (pp. 277-286). IEEE.
Palla, G., Barabási, A. L., & Vicsek, T. (2007). Quantifying social group evolution. Nature, 446(7136), 664-667.
Papadopoulos, S., Kompatsiaris, Y., Vakali, A., & Spyridonos, P. (2012). Community detection in social media. Data Mining and Knowledge Discovery, 24(3), 515-554.
Rosvall, M., & Bergstrom, C. T. (2008). Maps of random walks on complex networks reveal community structure. Proceedings of the National Academy of Sciences, 105(4), 1118-1123.
Son, S., Kang, A. R., Kim, H. C., Kwon, T., Park, J., & Kim, H. K. (2012). Analysis of context dependence in social interaction networks of a massively multiplayer online role-playing game. PloS
one, 7(4), e33918.
Ying, R., He, R., Chen, K., Eksombatchai, P., Hamilton, W. L., & Leskovec, J. (2018, July). Graph convolutional neural networks for web-scale recommender systems. In Proceedings of the 24th
ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 974-983).