Reglas de asociación

En el mundo del marketing siempre ha sido fundamental analizar las compras de los clientes y estudiar las asociaciones entre los distintos productos que adquieren para plantear ofertas, descuentos, etc. En los videojuegos esto no es distinto ni a nivel de compra ni a nivel de comportamiento dentro del juego.

Análisis de relaciones entre datos

En el mundo del marketing siempre se ha hablado del «análisis de la cesta de la compra» (ahora diríamos carro o carrito de la compra), para por ejemplo asociar que «quien compra cerveza también compra patatas fritas». En el mundo de las tiendas online la cosa no es diferente y lo vemos tanto en las tiendas digitales tipo Steam, como dentro de los videojuegos a la hora de comprar objetos dentro de un juego de rol o a la hora de usar habilidades combinadas en un juego de acción.

Se trata de descubrir relaciones, patrones recurrentes o asociaciones ocultas entre datos que van juntos (pueden ser productos que compramos a la vez o eventos que ocurren simultáneamente en un sistema de transacciones).

Métricas de calidad para las reglas de asociación

Una regla de asociación sigue la forma X -> Y (donde X e Y son conjuntos de elementos disjuntos). La idea está clara, el hecho de encontrar X en los datos está asociado con encontrar Y… ¿pero cómo medimos la utilidad de dicha regla? Estas son algunas de las métricas más comunes:

• Soporte (Support): Porcentaje total de partidas o transacciones que contienen tanto X como Y. Mide la popularidad o frecuencia real de la regla en la base de datos.
• Confianza (Confidence): Probabilidad condicional P(Y|X). Mide la certeza de la regla, es decir: de todos los juegos o partidas donde se compró o eligió X, ¿en qué porcentaje también se compró o eligió Y?
• Elevación (Lift): Mide la fuerza de la asociación comparada con la probabilidad de que X e Y ocurran de forma totalmente independiente: Lift ((X -> Y) = Support (X U Y) / Support(X) x Support(Y)
  Cuando en esta fórmula resulta que Lift = 1, tenemos independencia total (no hay relación entre X e Y); si Lift > 1, tenemos asociación positiva (ej. comprar X dispara la compra de Y); y finalmente si Lift < 1, hemos encontrado dos sustitutivos/antagonistas, una especie de asociación negativa (ej. quien equipa X en su personaje evita equipar Y).

Algoritmos principales

Existe un enorme desafío en la explosión combinatoria, es decir, que probar todas las combinaciones posibles de compras o equipaciones NO es computable cuando estamos hablando de cientos de productos en una tienda o cientos de objetos como armas, pociones, etc. en un videojuego. ¿Qué algoritmos existen, pues, para resolver esto?

El algoritmo Apriori se basa en la propiedad monotónica que nos dice lo siguiente: «Si un conjunto de datos es infrecuente, todos sus superconjuntos también lo serán». Esto nos permite podar masivamente el árbol de búsqueda reduciendo candidatos.

El algoritmo de Crecimiento de Patrones Frecuentes (Frequent Pattern Growth o FP-Growth) es una alternativa moderna más eficiente que evita las múltiples pasadas por la base de datos que realiza Apriori mediante la construcción de una estructura de datos comprimida en memoria, llamada el Árbol de Patrones Frecuentes (Frecuent Pattern Tree o FP-Tree).

Aplicación en videojuegos

Para diseñar una tienda digital con sus microtransacciones es habitual crear bundles o paquetes de cosméticos/ítems recomendados automáticamente según el historial o el carrito actual del jugador.

En lo relativo al equilibrado del juego (y el metajuego del mismo) es útil encontrar reglas de asociación para detectar combinaciones de habilidades, talentos o cartas indeseadas o que rompen el juego (synergies / OP builds) que los desarrolladores no anticiparon.

Y en el análisis de comportamiento de juego: es interesante identificar secuencias frecuentes de acciones que preceden a eventos clave (como completar una misión difícil o abandonar la partida), también mediante reglas de asociación.

Más información

Para complementar es recomendable consultar otros documentos.

• …