Система планирования спроса в игровой индустрии

Система планирования спроса в игровой индустрии

Мировой рынок видеоигр вырос почти на 15% за последние четыре года. По мере роста он создал огромный нетронутый рынок, на который отважились выйти лишь немногие компании. Одна из отличительных черт этого нового рынка - нестабильность спроса. Таким образом, эффективное управление цепочкой поставок - особенно прогнозирование спроса - может помочь компаниям получить конкурентное преимущество и привлечь этих новых клиентов. Повышая свою способность правильно прогнозировать спрос, игровые предприятия могут лучше поддерживать синергию со своими поставщиками и заказчиками, находящимися в верхнем и нижнем направлениях. Это, в свою очередь, позволяет им обеспечивать более высокую потребительскую ценность и делать это с меньшими затратами для цепочки поставок. Boston Consulting Group создала основу для улучшения вашей способности прогнозировать продажи и оптимизации маркетинговых расходов.

Преимущества прогнозирования спроса

Игровые компании хорошо знакомы с незаконными веб-сайтами, которые позволяют бесплатно скачивать игры, и с веб-сайтами электронной коммерции, которые предоставляют огромные скидки на цены на игры. Они могут быть менее осведомлены о дополнительных факторах, которые затрудняют правильное прогнозирование потребительского спроса. Интенсивный анализ данных и понимание помогли нам глубже понять следующие факторы, которые могут повлиять на продажи:

1. Недостаток качественных данных. В среднем ежегодно выпускается 750 игр на различных консолях (PS4, Xbox, Switch). Это число падает на 15% для каждой консоли, если рассматривать только игры с разумными оговорками (›1000) и стандартные выпуски. Это дает модели очень мало точек данных для выявления тенденций, объясняющих изменчивость структуры спроса.

2. Отсутствие данных о продвижении / маркетинге. Продажи игр увеличиваются за счет офлайн-маркетинга и рекламных мероприятий, проводимых магазином. Однако большинство игровых компаний не записывают эти данные в свои системы, и, таким образом, происходит значительная потеря полезной информации, которую в противном случае можно было бы использовать для прогнозирования спроса.

3. Развитие потребительских тенденций. Технологические достижения, такие как виртуальная реальность (VR) и дополненная реальность (AR), совершают революцию в игровой индустрии. Чтобы полностью охватить динамичный характер этого нишевого сегмента, необходимо иметь твердый отраслевой опыт и понимание бизнеса.

4. Жужжание или шумиха. В огромном океане цифрового контента трудно отличить шумиху (обычные упоминания) от шумихи (искусственно вызванное осознание), создаваемое платными онлайн-обзоры. В рамках этой концепции следует уделять должное внимание этим разнообразным формам цифрового контента и использовать их для оценки будущего спроса.

Проверенная в боях система прогнозирования спроса

Недавно Boston Consulting Group (BCG) изменила методологию планирования спроса одного из крупнейших в мире ритейлеров видеоигр, который управляет более чем 5700 магазинами в 14 странах, предлагая различные новые и бывшие в употреблении игровые приставки. Методология, разработанная на основе передовых моделей машинного обучения, позволяет прогнозировать продажи за 42 дня до запуска игры. Такое понимание рыночного спроса помогло компании сэкономить 14 миллионов долларов, которые в противном случае были бы потеряны из-за плохого определения размера рынка, основанного на архаичных моделях спроса.

Подготовка и исследование данных

Были добыты шесть основных наборов источников данных, чтобы собрать воедино 360-градусный обзор игры. Некоторые из этих источников данных были созданы на уровне клиента. Например, клиент, который выполнял свои бронирования в прошлом, с большей вероятностью, чем клиент с более низкой историей конверсий, выполнит новое бронирование, которое он сделал для интересующей игры. Эта метрика изначально создается на уровне клиента, а затем агрегируется (беря среднее значение по всем клиентам) до уровня игры.

Некоторые источники, такие как жанр, # бронирования и коэффициент отмены, напрямую рассчитываются на уровне игры:

Обратите внимание, что большинство розничных магазинов видеоигр позволяют покупателям зарезервировать копию новой игры до ее запуска. После выпуска игры клиенты могут получить свою зарезервированную копию (на языке данных это называется «забрать»). Эти тенденции резервирования очень полезны при прогнозировании продаж любой игры.

Обработка данных. Используемые структуры EDA включают дерево решений, решетчатую диаграмму, факторный анализ, двухвариантный анализ и корреляцию. 12 наиболее важных переменных при прогнозировании продаж видеоигр:

Основные выводы EDA включают:

1. Тенденция резервирования. Первые 2 дня с момента запуска являются наиболее важными для определения требований к инвентарю.

2. Тенденция отмены. Игры с более высоким процентом отмены имеют более низкий процент возврата.

3. Поведение клиента в отношении предыдущего бронирования. Текущий коэффициент конверсии клиента коррелирует с его историей конверсии.

4. Возраст бронирования: клиенты, которые бронируют билеты ближе к дате запуска, с большей вероятностью заберут.

5. Запуск во вторник или четверг: в целом для запуска во вторник требуется больше инвентаря (как кратное резервирование) из-за необходимости покрывать два выходных после запуска.

Модели машинного обучения

Для анализа учитывались только стандартные версии игр, выпущенные после 2016 года и имеющие не менее 1000 зарезервированных игр (~ 600 игр). Набор данных для обучения включал все игры, выпущенные в период с января 2016 года по декабрь 2018 года. Набор данных проверки включал период с января 2019 года по июль 2019 года.

Модель продаж видеоигры не подчиняется временным рядам или циклической кривой. Однако существует сезонная составляющая: спрос значительно увеличивается в такие дни, как Черная пятница, и в праздничные сезоны. Соответственно, мы разработали модель регрессии случайного леса вместо типичной модели прогнозирования временных рядов, чтобы справиться с этой уникальной тенденцией.

Зависимой переменной для модели были общие продажи игры за 28 дней, в то время как независимыми переменными были все факторы, описанные выше. Особое внимание было уделено при разработке модели для обработки выбросов, недостающих данных, корреляции, переобучения, недостаточной подгонки и т. Д. (Посредством настройки параметров).

Модель имела MAPE примерно 12% на наборах данных проверки, и производительность не была искажена в сторону одной когорты игр, что говорит о том, что модель была достаточно надежной.

Проверка модели (пилотное тестирование)

Чтобы проверить эффективность модели по сравнению с эвристическим алгоритмом клиента, она была предсказана на случайной выборке из 58 игр.

Основные наблюдения на графике:

1. Тот факт, что большинство прогнозов модели сосредоточено вокруг значения 1,0, указывает на то, что большинство прогнозов ближе к фактической стоимости продаж.

2. Редкое распределение справа и слева от 1.0 указывает на то, что модель недооценивает или завышает прогноз для очень небольшого числа игр.

Прогнозы для живых игр

Убедившись в своей точности на широком спектре игр, модель была запущена в производство и использовалась для прогнозирования ожидаемых продаж будущих игр. Алгоритм взял игры из базы данных, которые будут выпущены в ближайшие 42 дня, и спрогнозировал потенциальные продажи. Через двадцать восемь дней после выпуска игры эффективность модели снова сравнивалась с фактическими продажами и алгоритмом клиента. Для 12 прогнозов модели за последние 2 месяца алгоритм BCG превзошел алгоритм клиента в 7 случаях и соответствовал производительности алгоритма клиента в оставшихся 5 случаях.

Расчетная годовая дополнительная прибыль: около 14 миллионов долларов

Влияние точного прогнозирования на бизнес

Продавцы требуют, чтобы заказы на покупку были заблокированы примерно за 21 день до запуска игры. Это может варьироваться в зависимости от игры и отношений продавца с поставщиком. Дополнительные заказы могут быть размещены в любой момент, и доставка в магазины занимает в среднем 10 дней (при условии, что у поставщика есть в наличии единицы, что обычно и бывает).

Однако наличие только одного 21-дневного окна заказа не обеспечивало достаточной гибкости для корректировки количества заказываемых единиц при внезапных изменениях в тенденциях резервирования и / или отмены. Это приводило к многократному переизбытку или занижению заказов на единицы. Чтобы исправить это, мы отошли от традиционного метода окна 2-го порядка и вместо этого развернули метод окна 6-го порядка и увеличили продолжительность прогноза на 14 дней.

Эта методология применима во всех сценариях, где действует концепция «резервирования», например, при оценке вероятности распродажи концерта, оценке эффективности фильма после выпуска или прогнозировании числа зачислений на онлайн- или офлайн-курсы.

Вывод

Учитывая крайне нестабильный характер игровой индустрии, определение размера рынка имеет важное значение для предотвращения огромных финансовых потерь. Прогнозирование спроса занимает центральное место в таком определении размеров, хотя точное выполнение его может быть затруднено из-за ряда факторов. Однако точность может быть повышена путем сбора правильного набора переменных и выбора правильной техники моделирования. Переменные, которые увеличивают потенциальные продажи игр, включают тенденции резервирования и отмены для этой игры, прошлые тенденции конверсии клиентов, которые зарезервировали игру, размер окна резервирования игры и жанр игры.

Кроме того, наличие только одного окна заказа очень пагубно сказывается на прогнозировании спроса, поскольку вызываемая им негибкость может привести к значительным потерям из-за недостаточного или избыточного заказа. Выбирая вместо этого метод окна нескольких заказов при увеличении продолжительности прогноза, можно повысить точность спроса и завоевать новые рынки.