Cross2014 ドリコムの データマイニング活⽤用事例例 -‐‑‒ リアルタイムギルドバトルのマッチング最適化 -‐‑‒

4,971 views

Published on

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

No Downloads
Views
Total views
4,971
On SlideShare
0
From Embeds
0
Number of Embeds
292
Actions
Shares
0
Downloads
38
Comments
0
Likes
30
Embeds 0
No embeds

No notes for slide

Cross2014 ドリコムの データマイニング活⽤用事例例 -‐‑‒ リアルタイムギルドバトルのマッチング最適化 -‐‑‒

  1. 1. ドリコムの データマイニング活⽤用事例例 -‐‑‒  リアルタイムギルドバトルのマッチング最適化  -‐‑‒ @yokkuns 2014.01.17 CROSS  2014    データマイニングCROSS Copyright  Drecom  Co.,  Ltd  All  Rights  Reserved. 14年1月21日火曜日
  2. 2. ⾃自⼰己紹介 @yokkuns ■略略歴        ◆ヤフー        ◆DeNA        ◆ドリコム ■やってること        ◆個別タイトルの分析        ◆全社横断の分析        ◆分析環境の整備     Copyright  Drecom  Co.,  Ltd  All  Rights  Reserved. 14年1月21日火曜日 2
  3. 3. バックグラウンド Copyright  Drecom  Co.,  Ltd  All  Rights  Reserved. 14年1月21日火曜日 3
  4. 4. 活動例例 コミュニティの主催や執筆活動もやってます! Tokyo.Rの主催 Copyright  Drecom  Co.,  Ltd  All  Rights  Reserved. 14年1月21日火曜日 執筆活動 4
  5. 5. 会社紹介 Copyright  Drecom  Co.,  Ltd  All  Rights  Reserved. 14年1月21日火曜日 5
  6. 6. ドリコムのデータ分析環境 各サービスのDB及び⾏行行動ログをHadoopに集約 R⾔言語を徹底活⽤用して分析/レポーティングを実施 DB Ac8on  Log Hadoop Access  Log BI  Tools Copyright  Drecom  Co.,  Ltd  All  Rights  Reserved. 14年1月21日火曜日 Drecom  R  Libraries hive Mail Viwer Analy8cs  API Base  API 6
  7. 7. データマイニング活⽤用事例例 ⾏行行動ログを活⽤用した リアルタイム・ギルドバトルの マッチング最適化エンジン 担当者 Copyright  Drecom  Co.,  Ltd  All  Rights  Reserved. 14年1月21日火曜日 7
  8. 8. 背景 リアルタイム・ギルドバトルを盛り上げたい! アクティブな人数がバラバラ アクティブな人数が同じ 非アクティブ VS VS アクティブ人数が多いギルドが 少ないギルドをボコルだけの構造 アクティブ人数が近いので 白熱したバトルを繰り広げる構造 楽しくない 楽しい! Copyright  Drecom  Co.,  Ltd  All  Rights  Reserved. 14年1月21日火曜日 8
  9. 9. 実現するためのアプローチ データマイニングを活⽤用してユーザーの⾏行行動を予測し アクティブ⼈人数が近いギルド同⼠士でマッチングする Action Data Mining Action ユーザーごとに 未来の行動を予測 ↓ アクティブ人数が 近いギルドをマッチング Action 9 ※実際には、さらに勝率なども考慮してマッチングしている 14年1月21日火曜日
  10. 10. リアルタイム・ギルドバトルのマッチング最適化エンジン ゲーム内の⾏行行動ログを活⽤用して リアルタイム・ギルドバトルのマッチングを最適化する Action Action Hadoop HDFS 3_7 3_6 3_8 3_5 3_9 3_10 3_11 3_4 3_13 3_12 3_14 4_21 4_24 4_25 4_26 3_15 4_20 4_19 4_22 4_23 3_2 4_27 3_1 4_18 3_3 4_30 4_29 4_28 4_31 recall precision 0.710 0.404 0.715 0.403 0.705 0.406 0.720 0.401 0.700 0.407 0.694 0.409 0.688 0.411 0.726 0.398 0.677 0.415 0.682 0.413 0.672 0.416 0.709 0.403 0.695 0.408 0.690 0.409 0.686 0.411 0.666 0.418 0.713 0.401 0.718 0.400 0.704 0.404 0.699 0.406 0.737 0.394 0.681 0.412 0.742 0.393 0.723 0.398 0.732 0.395 0.668 0.417 0.672 0.415 0.676 0.414 0.664 0.419 F 0.515 0.515 0.515 0.515 0.515 0.515 0.515 0.514 0.514 0.514 0.514 0.514 0.514 0.514 0.514 0.514 0.514 0.514 0.514 0.514 0.514 0.514 0.514 0.514 0.514 0.513 0.513 0.513 0.513 閾値モデル 予測モデル Action API Server 図参考: http://www.slideshare.net/hamadakoichi/mobage-prmu-2011-mahout-hadoop 14年1月21日火曜日 10
  11. 11. マッチング最適化エンジンの導⼊入結果(抜粋) マッチング最適化エンジンの結果を⽤用いて実施 ユーザーの熱量量を測る指標が約2倍に上昇! 350000.0# Before 非アクティブ VS 300000.0# 250000.0# 200000.0# 150000.0# After 100000.0# VS 50000.0# 0.0# Copyright  Drecom  Co.,  Ltd  All  Rights  Reserved. 14年1月21日火曜日 Heavy A# Middle B# Light C# 11 D#

×