Четыре способа, которыми ИИ помогает развивающимся электронно-коммерческим платформам конкурировать с крупными дистрибьюторами игр

За последние 12 лет стратегии распространения компьютерных и видеоигр претерпели значительные изменения. Продажи цифровых игр впервые превысили продажи физических копий в 2013 году, и эта тенденция была еще больше ускорена локдаунами 2020 года. В Италии, например, первая неделя карантина привела к взрывному росту цифровых загрузок игр на 174,9%.

В перспективе рынок продолжит расти, и, по прогнозам Statista, рынок вырастет на 5,76% в год и достигнет объема 25,4 миллиарда долларов к концу 2027 года.

Несмотря на это, конкуренция остается жесткой. Цифровой рынок игр доминируют всего несколько платформ, и поскольку 94% трат происходят в цифровом формате, это оставляет очень мало места для новых участников. Установленные игроки, такие как Steam и Epic Games Store в сфере ПК, используют это для взимания значительных сборов с издателей.

Для этих крупных игроков интеграция ИИ в их операции является естественным процессом. Однако для более мелких, развивающихся платформ ИИ может стать игроком, который позволит им бросить вызов доминирующей олигархии.

Хотя повторение успешных реализаций ИИ требует тщательного рассмотрения характеристик платформы и операционных контекстов, вот четыре способа, которыми ИИ может помочь начинающим электронно-коммерческим компаниям конкурировать с гигантами цифровой дистрибуции.

#1: Улучшение обнаружения мошенничества

На игровых платформах мошенничество происходит в гораздо большем масштабе и чаще, чем в других электронно-коммерческих вертикалях. Благодаря своей способности обрабатывать и анализировать огромные объемы транзакционных данных, алгоритмы ИИ могут быстро выявить подозрительные закономерности или аномалии.

Анализируя обширные базы данных транзакций, алгоритмы машинного обучения могут адаптироваться и распознавать мошеннические операции, начиная от необычного поведения пользователей и заканчивая необычными схемами оплаты и покупками из нехарактерных географических регионов.

В традиционных системах, основанных на правилах, некоторые из этих индикаторов могут остаться незамеченными, что затрудняет компаниям обнаружение мошенничества и подвергает их потенциальным финансовым потерям.

В нашей компании, реализовав программное обеспечение, работающее на ИИ, разработанное третьей стороной, мы предотвратили примерно 95% мошеннических транзакций. Мы также работаем в тесном сотрудничестве с технологиями. Как только операция помечена как подозрительная, наш менеджер лично проверяет ее. Цифровые ключи игр не выдаются покупателю до тех пор, пока покупка не будет вручную одобрена нашим менеджером.

#2: Упрощение запросов службы поддержки клиентов

В электронной коммерции чат-боты, работающие на ИИ, являются одним из наиболее распространенных применений искусственного интеллекта.

Поскольку на рынке уже существует множество решений, чат-боты относительно легко реализовать, даже без исторических данных. Поскольку они могут учиться на взаимодействиях с пользователями, чат-боты дают результаты практически сразу и помогают компаниям уменьшить потребность в персонале службы поддержки.

Кроме того, они освобождают время для существующих агентов службы поддержки.

По нашему опыту, большинство запросов, которые мы получаем — около 70% — достаточно просты и повторяются. Примеры включают:

• Игра доступна для покупки?
• Когда я могу получить ключ игры?
• Как я могу активировать лицензионный ключ?
• Каков статус моего заказа?

В 80% этих случаев наши боты ИИ были достаточно успешны в помощи нашим пользователям без необходимости передавать их живому оператору. Таким образом, мы можем сказать, что наши боты покрывают примерно 56% наших входящих запросов поддержки, освобождая ценные ресурсы, которые ранее вкладывались в поддержку, чтобы мы могли использовать их в других местах компании для улучшения нашего роста.

#3: Выявление закономерностей, стимулирующих конверсию в UX

Одна из распространенных дилемм, с которыми сталкиваются владельцы бизнеса, ориентированного на электронную коммерцию, заключается в выявлении факторов, успешно стимулирующих конверсию, и тех, которые не делают этого.

Это еще одна область, где ИИ может помочь, собирая данные пользователей, которые выявляют повторяющиеся поведенческие закономерности, которые либо стимулируют, либо препятствуют конверсии. На основе этих данных компании могут вносить изменения в UX, ориентированные на их веб-сайте.

Кроме того, ИИ может создавать сегменты клиентов, которые повышают эффективность маркетинговых усилий. Поскольку он может создавать профили пользователей по различным измерениям, ИИ может обнаружить связи и группировать похожие сегменты, которые могут не быть очевидными при ручном рассмотрении. Например, клиенты, которые покупают GTA 5, также могут быть заинтересованы в играх из другого жанра, который, в принципе, не связан с GTA 5.

Для этого мы реализовали решение по персонализации от Retail Rocket. Используя исторические данные о покупках клиентов, этот инструмент помогает нам выполнить несколько задач, таких как предоставление персонализированных рекомендаций по продуктам — как на нашем сайте, так и по электронной почте — и выявление связей между продуктами, что позволяет нам предлагать дополнительные покупки.

Кроме того, мы также можем определить время следующей потенциальной покупки наших клиентов. Это также улучшает нашу синхронизацию маркетинговых сообщений. Всего мы можем с гордостью сказать, что эти усилия усилили наши продажи через маркетинговые каналы примерно на 15%.

#4: Прогнозирование продаж

Учитывая временную природу игровой индустрии — например, Steam налагает ограничения на количество ключей, которые могут быть сгенерированы издателями — эффективное прогнозирование является ключом.

Здесь мы реализовали простую модель ИИ, основанную на двух основных методах: прогнозировании временных рядов и регрессионном анализе.

Обнаруживая закономерности, первый метод помогает нам предсказать будущие показатели продаж и адаптироваться к сезонности, которая является важным фактором в игровой сфере. С другой стороны, второй метод помогает нашей команде устанавливать связи между данными о продажах и другими переменными — демографическими, ценовыми, категориями продуктов и многим другим.

Поскольку в этих параметрах есть значительные различия — например, существуют спортивные игры, выпускаемые ежегодно, такие как те, что от EA Sports, и другие стратегические игры, которые охватывают десятилетия — правильное определение этих критических факторов имеет первостепенное значение для точного прогнозирования.

Мы начали с этого в весне 2024 года, поэтому, на данный момент, наши результаты подобны тем, которых мы достигали без ИИ. Однако мы ожидаем, что по мере дальнейшей калибровки и совершенствования нашей модели, а также накопления большего количества исторических данных, наша точность значительно улучшится со временем.

Окончательные мысли

В некоторых областях, таких как игры, ИИ может стать демократизирующим фактором — тем, который позволяет развивающимся, высокопотенциальным платформам конкурировать с устоявшимися гигантами.

Говоря это, для полного раскрытия своего потенциала не столько важно просто интегрировать ИИ ради него самого, сколько делать это правильно.

Для более мелких компаний, которые не могут позволить себе содержать в-house команду специалистов по ИИ, жизнеспособным решением является использование существующего программного обеспечения третьих сторон. Некоторые из этих готовых решений могут быть использованы обычными разработчиками, даже если они не специализируются на ИИ.

Моя рекомендация заключается в том, чтобы не передавать всю свою нагрузку сразу ИИ. Вместо этого следует использовать постепенный подход. Например, попросите ИИ обработать 10% запросов пользователей или динамически установить цены на 10% ваших продуктов.

Наконец, сохраняйте человеческий подход. Проведение людей для проверки качества поддержки ИИ может быть очень полезным. Когда ИИ доказывает свою ценность, вы можете расширить его сферу применения внутри вашей организации.