O uso de dados na indústria de games

Confira as principais formas que as desenvolvedoras de jogos estão utilizando Data Science para alavancar seus negócios e leia um caso de uso da Kolibri Games, que com uma intensa cultura data-driven teve um crescimento enorme em apenas cinco anos.

O número de gamers disparou de um total de 1,99 bilhões em todo o mundo em 2015 para 2,7 bilhões em 2020. Só por aí a gente pode perceber o potencial de geração de dados desse segmento.

A maioria das organizações coleta dados de usuários, como tempo e histórico no game, pontos de desistência, classificação, pontuação, comportamentos e interações, entre muitos outros, utilizando esses insights de diversas formas em área como Marketing, Experiência do Cliente, Vendas e muito mais.

Desenvolvimento de jogos

Quando se trata de desenvolver um jogo bem projetado que o mantém conectado, muitos dados são necessários para que os especialistas em dados analisem e identifiquem pontos de otimização. Na verdade, essa tem sido uma das principais razões pelas quais as empresas de videogame realizam Focus Groups, Close Beta Tests e Open Beta Tests. Como os jogadores estão interagindo com o jogo? Para onde os jogadores estão indo? Que tipo de personagem eles estão usando e por quê? Esse tipo de feedback da comunidade requer vários cientistas de dados para coletar, analisar e transformar as informações em dados acionáveis, como novos conteúdos e recursos a serem adicionados.

Efeitos gráficos

É natural nessa indústria que a crítica dará muita ênfase aos efeitos visuais e aspectos gráficos dos games. Para melhorar neste quesito, as equipes de tecnologia usam captura de movimento, renderização em tempo real e fotogrametria que os permite criar personagens no jogo com expressões faciais, emoções e movimentos muito próximos dos reais. ANvidia é um exemplo. A gigante empresa de placas de vídeo otimiza Deep Learning Super Sampling (DLSS), que efetivamente permite que a GPU e o PC renderizem jogos em uma resolução mais alta do que o monitor pode suportar.

Monetização dentro do jogo

O desenvolvimento de um jogo atualmente consome tende a consumir muitos recursos das empresas. Existem alguns modelos de negócios nessa indústria que ajudam os estúdios e publishers a recuperarem seus investimentos:

• Mídia Física – onde é possível compra uma cópia física do jogo em lojas de varejo;

• Mídia digital – onde se faz uma compra única em uma loja online ou diretamente no dispositivo do usuário (por exemplo, App Store, Google Play, Steam, Blizzard);

• Assinatura – quando um jogo exige um pagamento recorrente para jogar, geralmente mensal (por exemplo, Final Fantasy XIV, World of Warcraft);

• Grátis para jogar – onde o jogo é gratuito, mas a empresa oferece compras no aplicativo, como skins de personagem que fornecem efeitos visuais ou personagem de evento por tempo limitado (por exemplo, League of Legends, Dota 2, Genshin Impact);

• Anúncios baseados em dados – uma forma indireta de monetização de uma empresa para outra.

Com a ajuda de ferramentas de análise de Big Data, as desenvolvedoras de games podem prever seu comportamento em relação ao jogo e fazer otimizações para mantê-lo engajado. O Steam, um serviço de distribuição digital de games da Valve, usa essa tecnologia. A lá streamings de vídeo, se entrarmos em uma conta da Steam, haverá muitas recomendações de jogos que podem nos interessar a partir do sistema de recomendação.

Detecção de hackers e chaters

Se você já jogou online antes, há quase 100% de certeza de que encontrou pelo menos hacker pelo menos uma vez, seja em um jogo multiplayer massivo ou um pequeno jogo na Internet. As empresas têm utilizado aprendizado de máquina para detectar até mesmo a menor atividade maliciosa. Grandes empresas como a Riot Games têm sido bastante eficazes na detecção de hackers e chaters em seus jogos, melhorando a experiência do cliente e aumentando a segurança dos gamers.

Um case de crescimento com dados

Uma empresa da indústria dos games que alavancou seu crescimento com ciência de dados foi a Kolibri Games. Sediada em Berlim, passou de uma startup iniciada em residências estudantis em 2016 para uma aquisição pela gigante Ubisoft em 2020.

Com um novo lançamento quase todas as semanas, seus jogos para dispositivos móveis produzem enormes quantidades de dados – lidando com 100 milhões de eventos por dia em 40 tipos diferentes de eventos, alguns com centenas de acionadores.

Para impulsionar esse crescimento, a equipe está construindo uma arquitetura de malha de dados apoiada por uma forte cultura data-driven. O chefe de engenharia de dados da empresa, António Fitas, concedeu entrevista a Barr Moses, publicado no Medium. Dividindo ano a ano, ele compartilha os principais aprendizados e insights dessa jornada:

2016: primeiros dados necessários

Em 2016, os fundadores da Kolibri Games começaram a construir um jogo em seus apartamentos de estudantes, na Alemanha. Eles obtiveram sucesso inicial com seu primeiro jogo para celular, Idle Miner Tycoon, e estabeleceram algumas metas e objetivos básicos relacionados aos dados para determinar se o jogo estava funcionando corretamente e se a empresa estava ganhando dinheiro, como relatórios de receita de compra no aplicativo; relatório de receita de anúncios; relatórios de KPIs específicos do jogo; e relatos de falhas e bugs.

Como uma startup enxuta, os fundadores confiaram inteiramente em ferramentas de terceiros, como Facebook Analytics, parceiros de anúncios, Firebase (para ajudar a corrigir falhas e bugs do aplicativo) e Game Analytics (para KPIs no jogo, como retenção de usuários).

Os principais desafios dessa fase inicial era análise dispersa em diferentes ferramentas, sem transparência sobre como os KPIs eram calculados, relatório de inconsistências entre diferentes ferramentas, problemas técnicos devido a integrações de SDK e limitações de tecnologia, como aprofundamento nas métricas e falta de flexibilidade.

“Esta abordagem está longe de ser perfeita, mas não foram as primeiras coisas que pretendíamos nos preocupar. Tivemos sorte em termos muitos jogadores no jogo vindo de forma orgânica, mas queríamos ter mais. Para isso, queríamos aumentar nossas operações de marketing e aquisição de usuários – com dados”, relata António Fitas.

2017: em busca do marketing de performance

À medida que Idle Miner Tycoon crescia em popularidade, também crescia a equipe necessária para administrar a empresa – mudando-se dos apartamentos dos estudantes para um escritório adequado na cidade alemã de Karlsruhe. E como a organização se concentrou em adquirir novos clientes, a equipe configurou recursos de dados para medir e melhorar o marketing de performance.

Aqui, os objetivos e metas passaram a ser calculando o retorno do investimento em publicidade (ROAS) para campanhas; criação de previsão do valor de vida útil do usuário simples (LTV) e criação de script de lance de anúncio pago para otimizar o desempenho das campanhas.

Para obter informações sobre ROAS e LTV, a equipe adicionou uma ferramenta de medição móvel de terceiros, AppsFlyer, ao seu stack. Essa ferramenta ajudava o gerente de marketing a saber quais campanhas de aquisição de usuários estavam tendo um bom desempenho e quanto custavam, bem como quanta receita os jogadores recém-adquiridos estavam gerando. 

Com esses pequenos movimentos, a Kolibri Games terminou seu segundo ano com mais de 10 milhões de euros em receita anual. Para chegar ao próximo nível, era hora de investir em algumas melhorias.

2018: profissionalizar e centralizar

No seu terceiro ano, a jovem empresa mudou-se para a capital alemã Berlim, contratou mais programadores, engenheiros de dados, designers e aumentou a equipe de marketing, chegando a marca de 50 milhões de downloads de aplicativos.

Os principais objetivos giraram em torno de centralizar os dados e profissionalizar o marketing de performance, criando uma ferramenta para centralizar todas as informações, fornecer transparência e permitir um aprofundamento nos dados:

António e um engenheiro de dados adicional trabalharam para construir o stack de tecnologia inicial, enquanto um analista de marketing se concentrou na construção de painéis para permitir o marketing de performance.

Como António e sua equipe construíram a primeira iteração de sua plataforma de dados, eles usaram o Azure para quase todos os seus serviços. Eles construíram a telemetria de eventos que gerou pontos de dados para eventos ou ações específicas em um jogo, configuraram trabalhos em lote para integrar dados de APIs em seu data lake e fizeram sua primeira troca de tecnologia: migraram do Power BI para o Looker para obter outra camada de dados manipulação e recursos prontos para uso, como controle de versão.

“A nossa base de dados SQL estava a tornar-se uma limitação. As tarefas que estavam integrando os dados estavam gravando os dados ao mesmo tempo em que nossos painéis estavam em execução ou que um analista estava fazendo uma consulta ad hoc – e basicamente, todo o serviço começou a se tornar muito imprevisível e muito lento. E começamos a ver que alguns de nossos trabalhos estavam falhando muito e tínhamos alertas ou monitoramento limitados. Decidimos que queríamos nos orientar por dados e começar a abordar alguns dos problemas que tínhamos”, contextualiza António.

2019: orientação para os dados

Com mais um lançamento de jogo bem-sucedido, uma reformulação da marca e reconhecimento global, a Kolibri Games entrou em 2019 pronta para um crescimento ainda maior. A empresa atingiu a marca dupla de 100 milhões de downloads e 100 funcionários em julho.

Os objetivos da companhia já estavam em um nível mais avançado, como a criação de insights para jogos por meio da compreensão do comportamento do jogador, da realização de experimentos com base em dados e do amadurecimento do stack de tecnologia de dados, aumentando o desempenho do data warehouse e a capacidade de manutenção dos pipelines de dados;

A crescente equipe de dados precisava de mais flexibilidade e colaboração mais fácil, então substituíram alguns serviços do Azure por Databricks. Eles tentaram usar o Spark para aproveitar seu data lake como data warehouse, mas descobriram que as pessoas que trabalhavam na plataforma preferiam Python e SQL – e não viram o desempenho que esperavam no Looker ao usar o Spark. Assim, por substituir a sua base de dados SQL com o Snowflake , que se tornou o principal motor de cálculo para todas as suas análises.

Ainda assim, ainda persistiam dois desafios principais para desbloquear totalmente o valor dos dados: os testes A/B eram difíceis de configurar, faltavam transparência e não tinham como fazer painel ou apresentar; e nenhuma decisão baseada em dados estava aparecendo nos jogos efetivamente.

“A maior parte das decisões ainda eram tomadas por intuição e feedback da comunidade. Continuamos a gerar ainda mais dados, mas sabíamos que poderíamos utilizá-los ainda mais e construir mais casos de uso em torno deles”, conta António.

2020: orientação por dados

No início de 2020, a Kolibri Games foi adquirida pela gigante francesa de jogos Ubisoft. Com mais recursos, a equipe continuou a crescer, acrescentando capacidades de aprendizagem de máquina à sua plataforma e inspirando-se nas conversas sobre a arquitetura de malha de dados e propriedade de dados específicos de domínio. Para começar a construir uma cultura orientada a dados, eles introduziram SLAs específicos para dados e se concentraram em aumentar o acesso de autoatendimento aos dados.

Os objetivos relacionados a dados subiram de nível. Agora, a meta era que 90% de todas as decisões sobre Idle Miner Tycoon precisavam ser apoiadas por dados; o tempo para o insight precisava ser menos de 1 hora para 90% das perguntas; e 90% de todas as mudanças precisavam ser validadas com análises.

Para chegar lá, a equipe da plataforma de dados precisou melhorar o processo de teste A/B para ajudar a tomar decisões informadas sobre recursos e mudanças a serem implementadas; melhorar a personalização criando configurações de jogo para segmentos de jogadores; usar análise preditiva para prever LTV e churn para ajustar o jogo de acordo; e permitir autonomia para que as pessoas respondam a perguntas relacionadas a dados sem ter que consultar um analista de dados.

Em 2020, a equipe chegou a esta configuração:

Como a organização de dados se concentrava na propriedade de dados específicos do domínio, fazia sentido ter novos analistas contratados diretamente na equipe de produto, trabalhando em estreita colaboração com os gerentes de produto para entender as necessidades e alinhar as prioridades para refletir o que o produto realmente precisava. Um terceiro engenheiro de dados e dois cientistas de dados também se juntaram à equipe de plataforma de dados, trabalhando especificamente em algoritmos de ML e pipelines de dados de teste A/B.

Foi adicionado arquitetura de data warehouse ao Snowflake, definindo melhor onde estavam a aplicar a lógica de negócio. Eles também mudaram de ETL para ELT, fazendo limpeza e transformação diretamente no Snowflake. Eles combinaram isso com o dbt, uma ferramenta de transformação de dados, para colaborar entre todos que trabalham na plataforma, aumentando a transparência e a visibilidade.

A equipe de engenharia de dados também se concentrou em abstrair pipelines de dados para que os analistas de produto pudessem essencialmente controlar o design e a definição de novos eventos de dados junto com uma equipe de desenvolvimento de jogos. Seguindo as diretrizes definidas pelos engenheiros de dados, eles agora podem colocar esses dados no warehouse e modelá-los sem a necessidade de um engenheiro de dados. Eles também introduziram o Airflow como a principal orquestração para integrações de dados, todos os modelos dbt e validações de dados.

“Acho que foi um trabalho muito bom quando tentamos se estávamos realmente usando dados para o desenvolvimento de nosso produto. Obter esses KPIs em torno de nossas perguntas e medir esses tipos de coisas realmente ajudou as pessoas a pensar mais sobre isso e a pressionar mais por isso. Acho que o exercício por si só provou ser muito frutífero em termos de fazer com que mais pessoas pensassem sobre os dados… Mas o que aconteceu neste ponto foi que estávamos obtendo muito mais dados e muitos mais novos casos de uso em torno dos dados, e muitos modelos novos – mas estava se tornando difícil monitorar todos eles e ter certeza de que as coisas estavam corretas ”, conta António.

Para 2021, os planos da empresa são expandr as equipes de domínio integradas com produto e marketing, adicionando gerentes de projeto que ajudarão a definir o trabalho de sua equipe e desenvolvedores de BI para ajudar a integrar novas e manter fontes de dados existentes. A equipe central da plataforma de dados continuará a se concentrar na construção de soluções, estruturas, manutenção da infraestrutura e análises avançadas.