Adquisición y exploración

Lo primero siempre es tener datos en gran cantidad, pero luego es necesario cierto trabajo para poder «comprenderlos» y eso implicar realizar ciertos análisis y poder visualizarlos de alguna manera.

Adquisición

Lo primero es conocer el origen de los datos, para ver que es fiable y lo más preciso posible. Si los datos se obtienen de un entorno interactivo, pueden capturarse en tiempo real tratando de no penalizar el rendimiento, o usar buffers para capturarlos por lotes en hilos secundarios. También es importante tener en cuenta si es necesaria su integración desde distintas fuentes o si provienen todos de la misma.

Selección

Antes de ponernos a trabajar con los datos a veces los algoritmos necesitan un «preprocesado» de los mismos. Por ejemplo, de cara a los algoritmos que vendrán después debemos pensar muy bien que variables son irrelevantes y no las necesitamos, o cuales son redundantes teniendo en cuenta las que hayamos escogido previamente. También puede ser necesario hacer un muestreo y quedarnos sólo con ciertas filas de nuestras tablas de datos.

Exploración

El análisis exploratorio de datos (EDA, Exploratory Data Analysis) tiene como objetivo entender «la forma» de los datos antes de hacer cualquier procesamiento con ellos (John Tukey, 1970). Es posible identificar anomalías, lanzarse a cuestionar algunas hipótesis y hasta descubrir patrones no anticipados gracias a este tipo de análisis, como veremos más tarde.

Las herramientas son las que ya conocemos de Estadística descriptiva básica: medidas de tendencia central como la media, la mediana o la moda, y medidas de dispersión como la varianza, la desviación típica o el rango intercuartílico. Siempre teniendo en cuenta que estas medidas muestran solo un aspecto «superficial» de los datos (ej. la media de gasto en un videojuego F2P está muy alejada de lo que realmente un «jugador ballena» o whale player puede llegar a gastar).

Análisis univariante y bivariante

El estudio univariante va inspeccionando variables individuales haciendo usos de las herramientas visuales más básicas: histogramas, diagramas de caja (los llamados boxplots) y las curvas de densidad.

En el estudio bivariante ya se miran relaciones entre cada par de características, utilizándose matrices de correlación (Pearson o Spearman) y gráficos de dispersión (scatter plots) para detectar dependencias lineales y no lineales entre atributos (ej. ¿cuanto más horas juega la gente, más victorias consigue?).

Análisis multivariante

El análisis multivariante busca estudiar interacciones complejas entre variables. Por ejemplo, cómo influyen múltiples variables a la vez en un mismo evento. Debido a la complejidad de este tipo de análisis, suele ser necesario usar ciertas técnicas de reducción espacial: Análisis de Componentes Principales (PCA, Principal Component Analysis), Incrustación estocástica de vecinos distribuida según la distribución t (t-SNE, t-distributed Stochastic Neighbor Embedding) o Aproximación y proyección uniforme de variedades (UMAP, Uniform Manifold Approximation and Projection). Estas técnicas tienen en común que buscan proyectar espacios de decenas de variables a espacios 2D ó 3D y de ese modo, pudiendo ya mostrar gráficos bi- o tri- dimensionales ser capaces de inspeccionar visualmente los datos.

Por ejemplo, PCA fue inventado por Karl Pearson en 1901 y era un método analítico puro de álgebra lineal y estadística multivariante.

Aplicaciones a videojuegos

En videojuegos es frecuente usar técnicas de visualización como los mapas de calor (heatmaps) o la visualización de trayectorias y embudos (paths and funnel analysis). En un mapa de calor proyectamos un color que va variando de azul (frío) a rojo (calor) en determinadas coordenadas espaciales (X, Y, Z) del escenario de juego para identificar aquellas zonas donde hay más muertes, atascos en la navegación, puntos ciegos de diseño o cosas así. Con la visualización de trayectorias y embudos vemos, por ejemplo, los caminos que siguen los jugadores en el juego, contabilizando por ejemplo el porcentaje de los que van quedando vivos según superan niveles cada vez más difíciles.

Más información

Para complementar es recomendable consultar otros documentos.

• …