Escenario de juego: tomemos un caso de un juego móvil llamado Real racing. Aquí, un jugador habría ganado un cierto número de carreras para desbloquear más carreras avanzadas, autos nuevos, repuestos para mejorar la potencia de los autos, etc.
Por lo tanto, para motivar a los jugadores, debemos proporcionarles incentivos regulares (puntos de juego, moneda de carrera), estos puntos de juego o moneda de carrera podrían usarse para desbloquear nuevos niveles de mejoras de rendimiento y lugares de juego.
Por lo tanto, normalmente un jugador típico completaría (suponiendo) el 40% de los niveles totales que ofrece el juego completo simplemente usando sus puntos de incentivo. Después de ese período, el número de jugadores que juegan en los niveles avanzados se reduciría (abandono) y tendría alrededor del 30% (asumir) del total de jugadores que realmente completen todos los niveles del juego.
- ¿Hay algún proyecto / investigación de Machine Learning interesante en el que pueda trabajar de forma independiente?
- Proyectos para el procesamiento del lenguaje natural y herramientas de lenguaje para un lenguaje índico
- ¿Cómo se usan las estadísticas en Machine Learning?
- ¿Qué sucede si hacemos que la forma de una función de activación sea diferente en cada capa, permitiendo que también se aprenda su forma, si las capas superiores tienen menos unidades, haciéndolas más no lineales?
- ¿Se puede trabajar en Machine Learning con un doctorado en estadísticas?
Escenario de recomendación:
Pero si el juego es interesante y desafiante como las carreras reales, entonces podríamos apuntar a este grupo particular de jugadores en función de algunos de los siguientes atributos:
- quien juega regularmente el juego (métrica de abandono)
- Promedio de puntos de incentivo ganados por juego
- Recuento del total de victorias de carrera (métricas de mejora de rendimiento)
- Velocidad media de carrera (métricas de actualización de rendimiento)
- conteo de vueltas más rápidas (métricas de actualización de rendimiento)
- pasar al menos un par de horas al día (métrica de abandono)
- buscan activamente mejoras de rendimiento,
- han desarrollado una clasificación de alto rendimiento entre todos los jugadores (métrica de abandono)
- han proporcionado datos personales, han proporcionado información de tarjeta de crédito, etc.
Este grupo de jugadores en particular ahora podría ser el objetivo de comprar puntos de incentivo o moneda de juego para hacer que sus actualizaciones de autos o carreras sucedan más rápidamente y aumentar aún más el número de jugadores que juegan en los niveles avanzados. Aquí, el sistema de recomendaciones que diseñe podría hacer uso de los atributos mencionados anteriormente mientras hace recomendaciones personales de productos.
¡Espero que mi respuesta ayude!
