Durante Gamelab 2019, aparte de charlar con figuras de la industria del desarrollo como Mike Morhaime, Josef Fares o Jordan Mechner tuvimos también la oportunidad de charlar con personas dedicadas a otras dimensiones del videojuego, como Mick Donegan o Kate Edwards. En esta otra vertiente encontramos también a Pei Pei Chen, Ingeniera Jefe de Machine Learning en Yokozuna Data, empresa especializada en la interpretación de datos de juego para la generación de modelos predictivos capaces de anticipar en qué punto podemos cansarnos de jugar, o sentirnos frustrados por un combate difícil, o incluso cuándo podríamos valorar positivamente la compra de un objeto in-game. Experta en machine learning y data science, su labor en Yokozuna Data se basa en el desarrollo del sistema de aprendizaje y de análisis de los datos obtenidos por el cliente.
Buenos días Pei Pei Chen, y gracias por esta entrevista.A vosotros.
Para la mayor parte de gente oír hablar de machine learning, big data, churn risk, LTV y similares es como oír hablar de física cuántica. ¿Cómo describirías al jugador medio la influencia que Yokozuna Data ejerce sobre sus partidas? En cuanto a la experiencia del jugador, muchos jugadores simplemente descargan el juego, y si es demasiado difícil o se aburren, lo dejan. Pero con la tecnología y uso de data science actuales podemos conocer exactamente tus preferencias como jugador, cuándo te vas a aburrir, y hacer que el juego se adapte solo a ellas.
La mayoría de jugadores no son conscientes al comenzar la partida de hasta qué punto su experiencia está medida, prevista y conducida. ¿Crees que ser conscientes de ello cambiaría su comportamiento? Los jugadores deberían simplemente disfrutar del juego y “olvidarse de la cámara”. No queremos tampoco que sean demasiado conscientes de ello, ya que se sentiría bastante raro, mientras que nuestra intención es darles una mejor experiencia para que puedan disfrutar de lo que están haciendo en el momento.
Durante la presentación previa has comentado que los límites en el uso de vuestro servicio están en manos del cliente (el desarrollador). ¿Hasta qué punto os preocupa un mal uso que pueda hacer el cliente de la plataforma? De hecho, cada vez que viene un cliente nuevo le añadimos un tutorial sobre cómo utilizar el producto, cómo usar los resultados predictivos, por lo que siempre les animamos a utilizarlo de una manera positiva, para detectar usuarios con mal comportamiento o que han estado jugando durante demasiado tiempo. Podemos decirles la forma positiva de usarlo, pero en última instancia, es decisión suya.
¿Alguna vez habéis tenido que cortar algún contrato debido a un uso poco ético de la plataforma por parte del cliente? Diría que nunca hemos tenido que hacerlo, al menos hasta ahora.
Aquí en Gamelab seguro que habéis conocido a muchos equipos de desarrollo pequeños… ¿Qué consejo les darías desde vuestro punto de vista privilegiado del mercado? Creo que es el momento de utilizar data science, porque oímos a menudo de los pequeños grupos de desarrollo que es muy costoso y no tienen recursos para ello. Pero, en mi opinión, usarla, y usar nuestro servicio, es precisamente ahorrar recursos. Porque puedes desarrollar tu juego de una manera más eficiente, al no invertir recursos en cosas que no gustan al jugador. Y utilizarnos es mucho más barato que crear tu propio equipo de científicos de datos y entrenarlos. Por lo que puedes hacer una prueba beta acorde a lo que necesites para evitar malgastar tiempo de desarrollo en cosas que no gustarán, lo cual es bueno para equipos pequeños.
¿Hasta qué punto beneficia, en el ámbito del emparejamiento online, el uso de vuestros servicios a los jugadores? Cada jugador tiene su propia manera de jugar, por lo que si, por ejemplo, estás en un juego de carreras y quieres relajarte pero hay algunos jugadores que juegan de forma muy agresiva y podría molestarte. Por lo que es muy bueno agrupar a los usuarios acorde a su manera de jugar, acorde a su propósito al unirse al juego. Y es una gran ventaja para ellos.
Muchas gracias por tu tiempo.