6 Slutsats
6.1 Etiska och samhälleliga överväganden
Särskilda etiska övervägande gjordes kring respondenterna till denna studie, framför allt på grund av att litteraturen påvisat att bristen på information inom ämnet mest beror på att informationen omkring analysprocessen ses som konfidentiell av företag. Respondenterna blev informerade om vad studien handlade om samt frågeställningarna som ställts upp innan intervjun började.
De fick erbjudande om total anonymitet som nekades av samtliga. Deras begränsningar om att prata detaljer och specifika fall respekterades och intervjuerna fick anpassas till eventuella begränsningar.
Etiska aspekter på att spelutvecklare sparar ned data om sina användare fanns med i studien. En stor majoritet av data som lagras om användare är anonym.
Den kan aldrig länkas tillbaka till vem som skapade den, men när känslig information hanteras är standardprocedur att använda användaravtal som måste godkännas för att kunna använda spelet. Historiskt sett har det visat sig att oseriösa utvecklare som avviker ifrån dessa etiska överväganden ofta snabbt blir exponerade och inte långvariga. Spelare är en hårt granskade och ofta kunnig grupp som har medium att sprida information ofattbart snabbt.
Om traditionell Game Analytics utvecklas kommer det egentligen bara leda till att spelutvecklare kan ta fram bättre spel till sina konsumenter. Inom det mindre systerområdet Serious Game Analytics finns det emellertid möjlighet att utveckla digitala spel som hjälper till att utbilda människor och låta dem utveckla speciella färdigheter. Exempel på detta är att simulatorer redan används i stor utsträckning vid träningen av förare till olika färdmedel, till exempel flygplan.
Ett annat område som kan ha positiv inverkan på samhället är om Gameification av fysiska aktiviteter och Virtual Reality spel populariseras. Det skulle kunna leda till att spelare rör sig mera och det skulle vända något spelbranschen länge har anklagats för, nämligen att vara en del i försämrandet av människors hälsa främst i och med stillasittande.
Referenser
Agrawal, D., Bernstein, P., Bertino, E., Davidson, S., Dayal, U., Franklin, M., Gehrke, J., Haas, L., Halevy, A., Han, J., Jagadish, H.V., Labrindis, A., Madden, S., Papakonstantinou, Y., Patel, J., Ramakrishnan, R., Ross, K., Shahabi, C., Suciu, D., Vaithyanathan, S., & Widom, J. (2012) Challenges and opportunities with big data. A community white paper developed by leading researches across the United States
Apache Software Foundation. (2009). TaskTracker. Hämtad 2016-02-17, från https://wiki.apache.org/hadoop/TaskTracker
Asthana, P. (2011). Big Data and Little Data. Hämtad 2016-04-29, från
http://www.forbes.com/sites/dell/2011/10/31/big-data-and-little-data/#79431c6baf0f
Bauckhage, C., Drachen, A., & Sifa, R. (2015). Clustering Game Behavior Data.
IEEE Trans. Comput. Intell. AI Games IEEE Transactions on Computational Intelligence and AI in Games, 7(3), 266-278.
Bohannon, J. (2010). Game-Miners Grapple With Massive Data. Science, 330(6000), 30-31.
Canossa, A. (2013a). Interview with Nicholas Francis and Thomas Hagen from Unity Technologies. Game Analytics: Maximizing the Value of Player Data, 137-142.
Canossa, A. (2013). Interview with Aki Järvinen from Digital Chocolate. Game Analytics: Maximizing the Value of Player Data, 321-323.
Chen, K., Jiang, J., Huang, P., Chu, H., Lei, C., & Chen, W. (2009). Identifying MMORPG Bots: A Traffic Analysis Approach. EURASIP Journal on Advances in Signal Processing EURASIP J. Adv. Signal Process., 2009, 1-23.
Chen, H., Chiang, R., & Storey, V. (2012). Business Intelligence and Analytics:
From Big Data to Big Impact. MIS Quarterly, 36(4), 1165-1188.
Clemons, E. K. (2009). Business Models for Monetizing Internet Applications and Web Sites: Experience, Theory, and Predictions. Journal of Management Information Systems, 26(2), 15-41.
Computer Hope. (2015). Game history. Hämtad 2016-05-08, från http://www.computerhope.com/history/game.htm
Creswell, J. W., & Miller, D. L. (2000). Determining Validity in Qualitative Inquiry. Theory Into Practice, 39(3), 124-130.
Creswell, J. W. (2013). Research design: Qualitative, quantitative, and mixed method approaches (4th ed.). Thousand Oaks, CA: Sage Publications.
Davenport, T. H., & Harris, J. G. (2007). Competing on analytics: The new science of winning. Boston, MA: Harvard Business School Press.
Dean, J., & Ghemawat, S. (2004). MapReduce: Simplified Data Processing on Large Clusters. Google, Inc.
Demchenko, Y., Grosso, P., Laat, C. D., & Membrey, P. (2013). Addressing big data issues in Scientific Data Infrastructure. 2013 International Conference on Collaboration Technologies and Systems (CTS).
Deterding, S., Dixon, D., Khaled, R., & Nacke, L. (2011). From game design elements to gamefulness. Proceedings of the 15th International Academic MindTrek Conference on Envisioning Future Media Environments - MindTrek '11
Deterding, S., Sicart, M., Nacke, L., O'hara, K., & Dixon, D. (2011). Gamification.
using game-design elements in non-gaming contexts. Proceedings of the 2011 Annual Conference Extended Abstracts on Human Factors in Computing Systems - CHI EA '11.
Demchenko, Y., Laat, C. D., & Membrey, P. (2014). Defining architecture components of the Big Data Ecosystem. 2014 International Conference on Collaboration Technologies and Systems (CTS).
Ducheneaut, N., & Yee, N. (2013). Data Collection in Massively Multiplayer Online Games: Methods, Analytic Obstacles, and Case Studies. Game Analytics:
Maximizing the Value of Player Data, 641-664.
Drachen, A., & Canossa, A. (2011). Evaluating motion: Spatial user behaviour in virtual environments. International Journal of Arts and Technology IJART, 4(3), 294.
Drachen, A., & Canossa, A. (2009). Towards gameplay analysis via gameplay metrics. Proceedings of the 13th International MindTrek Conference: Everyday Life in the Ubiquitous Era on - MindTrek '09.
Drachen, A., Canossa, A., & Yannakakis, G. N. (2009). Player modeling using self-organization in Tomb Raider: Underworld. 2009 IEEE Symposium on Computational Intelligence and Games.
Drachen, A., Sifa, R., Bauckhage, C., & Thurau, C. (2012). Guns, swords and data:
Clustering of player behavior in computer games in the wild. 2012 IEEE Conference on Computational Intelligence and Games (CIG).
Drachen, A., El-Nasr, M. S., & Canossa, A. (2013). Game Analytics – The Basics.
Game Analytics: Maximizing the Value of Player Data, 13-40.
Drachen, A., El-Nasr, M. S., & Canossa, A. (2013). Game Analytics – Benefits of Game Analytics: Stakeholders, Context and Domains. Game Analytics:
Maximizing the Value of Player Data, 41-52.
Drachen, A., Thurau, C., Togelius, J., Yannakakis, G. N., & Bauckhage, C. (2013).
Game Data Mining. Game Analytics: Maximizing the Value of Player Data, 205-253.
Drachen, A., Gagné, A., & El-Nasr, M. S. (2013). Sampling for Game User Research. Game Analytics: Maximizing the Value of Player Data, 143-167.
El-Nasr, M. S., & Canossa, A. (2013). Interview with Jim Baer and Daniel McCaffrey from Zynga. Game Analytics: Maximizing the Value of Player Data, 73-82.
El-Nasr, M. S. (2013). Interview with Darius Kazemi. Game Analytics: Maximizing the Value of Player Data, 195-201.
El-Nasr, M. S., Desurvire, H., Aghabeigi, B., & Drachen, A. (2013). Game Analytics for Game User Research, Part 1: A Workshop Review and Case Study.
IEEE Comput. Grap. Appl. IEEE Computer Graphics and Applications, 33(2), 6-11.
Fan, W., & Bifet, A. (2013). Mining big data. SIGKDD Explor. Newsl. ACM SIGKDD Explorations Newsletter, 14(2).
Fields, T., & Cotton, B. (2012). Social game design: Monetization methods and mechanics. Waltham, MA: Morgan Kaufmann.
Frasca, G. (1999). Ludology meets narratology: Similtude and differences between (video) games and narrative. Parnasso (3), Helsinki.
Gagné, A. R., El-Nasr, M. S., & Shaw, C. D. (2012). Analysis of telemetry data from a real-time strategy game. Comput. Entertain. Computers in Entertainment CIE, 10(3), 1-25.
Ghaoui, C. (2006). Encyclopedia of human computer interaction. Hershey PA: Idea Group Reference.
Ghemawat, S., Gobioff, H., & Leung, S. (2003). The Google File System. Google, Inc.
Gianvecchio, S., Wu, Z., Xie, M., & Wang, H. (2009). Battle of Botcraft. Proceedings of the 16th ACM Conference on Computer and Communications Security - CCS '09.
Gross, S., Hakken, D., & True, N. (2013). Getting Real About Games: Using Ethnography to Give Direction to Big Data.
Guardini, P., & Maninetti, P. (2013). Better Game Experience Through Game Metrics: A Rally Videogame Case Study. Game Analytics: Maximizing the Value of Player Data, 325-361.
Helland, P. (2011). If You Have Too Much Data, then “Good Enough” Is Good Enough. ACM Queue, 9(5), 40.
Holland, J., & Edwards, R. (2013). What Is Qualitative Interviewing? Bloomsbury Publishing.
Hu, H., Wen, Y., Chua, T., & Li, X. (2014). Toward Scalable Systems for Big Data Analytics: A Technology Tutorial. IEEE Access, 2, 652-687.
Jacobsen, D. I. (2002). Vad, hur och varför: Om metodval i företagsekonomi och andra samhällsvetenskapliga ämnen. Lund: Studentlitteratur.
Kim, J. H., Gunn, D. V., Schuh, E., Phillips, B., Pagulayan, R. J., & Wixon, D.
(2008). Tracking real-time user experience (TRUE). Proceeding of the Twenty-sixth Annual CHI Conference on Human Factors in Computing Systems - CHI '08.
Koskenvoima, A., & Mäntymäki, M. (2015). Why Do Small and Medium-Size Freemium Game Developers Use Game Analytics? Open and Big Data Management and Innovation Lecture Notes in Computer Science, 326-337.
Kujala, S., Roto, V., Väänänen-Vainio-Mattila, K., Karapanos, E., & Sinnelä, A.
(2011). UX Curve: A method for evaluating long-term user experience.
Interacting with Computers, 23(5), 473-483.
Lee, M. L., Lu, H., Ling, T. W., & Ko, Y. T. (1999). Cleansing data for mining and warehousing. Database and Expert Systems Applications, 751-760. Springer Berlin Heidelberg
Loh, C. S., Sheng, Y., & Ifenthaler, D. (2015). Serious Games Analytics:
Methodologies for performance measurement, assessment, and improvement.
Luhn, H. P. (1958). A Business Intelligence System. IBM Journal of Research and Development IBM J. Res. & Dev., 2(4), 314-319.
Mahlmann, T., Drachen, A., Togelius, J., Canossa, A., & Yannakakis, G. N.
(2010). Predicting player behavior in Tomb Raider: Underworld. Proceedings of the 2010 IEEE Conference on Computational Intelligence and Games.
Mayer-Schönberger, V., & Cukier, K. (2013). Big data: A revolution that will transform how we live, work, and think. Boston: Houghton Mifflin Harcourt.
Medler, B. (2011). Player dossiers: Analyzing gameplay data as a reward. Game Studies, 11(1).
Medler, B., John, M., & Lane, J. (2011). Data cracker. Proceedings of the 2011 Annual Conference on Human Factors in Computing Systems - CHI '11.
Mellon, L. (2009). Applying metrics driven development to an MMO costs and risks.
Versant Corp., Tech. Rep.
Nacke, L. E. (2010). Affective ludology scientific measurement of user experience in interactive entertainment. (Doctoral thesis). Diss. Karlskrona: Blekinge tekniska högskola.
Nacke, L., Drachen, A., Kuikkaniemi, K., Niesenhaus, J., Korhonen, H. J., Hoogen, W. M., Poels, K., IJsselsteijn, W. M., & De Kort, Y. A. (2009). Playability and player experience research. In Proceedings of DiGRA 2009: Breaking New Ground: Innovation in Games, Play, Practice and Theory. DiGRA
Norvig, P., Halevy, A., & Pereira, F. (2009). The Unreasonable Effectiveness of Data. IEEE Intelligent Systems, 24(2), 8-12.
Open Source Initiative. (2006). The Open Source Definition (Annotated) Hämtad 2016-02-17, från https://opensource.org/docs/definition.php
Riviera, J., & Van der Mulen, R. (2015). Gartner Says Customer Relationship Management Software Market Grew 13.3 Percent. Hämtad 2016-03-29, från http://www.gartner.com/newsroom/id/3056118
Sadalage, P. J., & Fowler, M. (2013). NoSQL distilled: A brief guide to the emerging world of polyglot persistence. Upper Saddle River, NJ: Addison-Wesley.
Samuel, J. S., RVP, K., Sashidhar, K., & Bharathi, C. R. (2015). A survey on Big Data and it's research challanges. ARPN Journal of Engineering and Applied Sciences, 10(8).
Santhosh, S., & Vaden, M. (2013). Telemetry and Analytics Best Practices and Lessons Learned. Game Analytics: Maximizing the Value of Player Data, 85-109.
Sifa, R., Drachen, A., Bauckhage, C., Thurau, C., & Canossa, A. (2013). Behavior evolution in Tomb Raider Underworld. 2013 IEEE Conference on Computational Inteligence in Games (CIG).
Sinclair, B. (2015). Gaming will hit $91.5 billion this year - Newzoo. Hämtad 2016-03-29, från http://www.gamesindustry.biz/articles/2015-04-22-gaming-will-hit-usd91-5-billion-this-year-newzoo
Smirke, R. (2015). Global Record Business Dips Slightly, U.S. Ticks Upwards In
IFPI's 2015 Report. Hämtad 2016-03-29, från
http://www.billboard.com/articles/business/6531734/ifpi-report-2015-us-recording-industry-up-2-percent-global-drop
Punch, K. (2014). Introduction to social research: Quantitative and qualitative approaches (3rd ed.). London: SAGE Publications.
Thawonmas, R., Kashifuji, Y., & Chen, K. (2008). Detection of MMORPG bots based on behavior analysis. Proceedings of the 2008 International Conference in Advances on Computer Entertainment Technology - ACE '08.
Wallner, G., Kriglstein, S., Gnadlinger, F., Heiml, M., & Kranzer, J. (2014). Game user telemetry in practice. Proceedings of the 11th Conference on Advances in Computer Entertainment Technology - ACE '14.
Watson, H. J., & Wixom, B. H. (2007). The Current State of Business Intelligence.
Computer, 40(9), 96-99.
Webster, J., & Watson, T. (2002). Analyzing the past to prepare for the future:
Writing a literature review. MIS Quarterly, 26(2), 13-23.
Weber, B., John, M., Mateas, M., & Jhala, A. (2011). Modeling Player Retention in Madden NFL 11. Innovative Applications of Artificial Intelligence (IAAI).
White, T. (2010). Hadoop the definitive guide. Sebastopol: O'Reilly Media.
Yannakakis, G., & Hallam, J. (2009). Real-Time Game Adaptation for Optimizing Player Satisfaction. IEEE Trans. Comput. Intell. AI Games IEEE Transactions on Computational Intelligence and AI in Games, 1(2), 121-133.
Yannakakis, G. N., Spronck, P., Loiacono, D., & André, E. (2013). Player modeling. Dagstuhl Follow-Ups, 6.
Zoeller, G. (2013). Game Development Telemetry in Production. Game Analytics:
Maximizing the Value of Player Data, 111-135.
Bilaga A: Intervjuguide
Semi-strukturerad intervjuguide Svenska
Intervjun börjar med en presentation av mig själv och studien.
Inledande frågor
• Önskar du vara anonym?
o Om ja, kan du ge en kort beskrivning av ungefärlig storlek på företaget du jobbar och dess fokus?
• Har jag din tillåtelse att spela in denna intervju?
• Kan du kort förklara vem du är, din yrkesroll och bakgrund?
Nulägesrapport
• Har ni en person/personer dedikerade till analys av speldata?
o Om ja, är det endast för spel under utveckling eller också för
”live” spel?
o Är det en mer omfattande insamling och analyserings fas på spel i deras utvecklingsstadier?
• Om ja, vilken typ? (A/B testning, statistik, kvalitativ feedback)
• Kan ni ge exempel på telemetri som ni lagrar för analys?
o Ungefär hur mycket samlas in per dag?
o Skulle ni klassificera det som Big Data?
• Vilka är intressenterna som tittar på de uppgifterna? (marknadsföring, utvecklare, designers etc)
• Skulle ni säga att någon del av analysen ni gör är game data mining?
o Om ja, kan ni ge exempel på värdefull information som framkommit under data mining av speldata?
• Känner ni att ni kan förmedla all/nära till all värdefull information som finns att hämta ifrån spelet till era intressenter?
o Om inte, ligger begränsningen i förmågan att:
• skapa (antal spelare, fler variabler)
• samla in (server belastning, bandbredd)
• analysera (hitta värdefull information)
• förmedla (visualisera resultat till berörda)
• kostnad (personal, drift)
• Vad skulle ni säga är utmaningarna inom Game Analytics? (storleken på data, veta vad som ska spåra, veta vad som ska göras med data, visualisera resultatet etc)
o Hur kan Big Data tillmötesgå dessa utmaningar?
o Har det varit en utmaning att intern anta Game Analytics?
(datadriven beslutsfattning)
• Det kostar pengar att hållas med analytics, har ni något sätt att visa hur investeringen ger en avkastning eller är det helt enkelt kostanden för att göra bättre spel?
• Vilka verktyg använder ni er av i dagsläget till er analys?
o Skulle ni klassa detta som en Big Data lösning?
o När ni kör analyser är det på stickprov, n=all eller blandat?
• Har ni någonsin sprungit in i några problem med personlig integritet med Game Analytics?
• Har ni någonsin sålt eller övervägt att sälja information om spelare/kunder till en tredje part?
Tankar om forskningsområdet och dess framtid
• Vad tror ni om framtiden för Game Analytics?
• Tror ni att för Game Analytics framtid är det Big Data teknologier som behöver utveckla mer och bättre verktyg eller är det människorna som arbetar med spelet som behöver lära sig utnyttja Big Data bättre, eller båda?
o Vad håller utveckling tillbaka?
• Är Game Data Mining och Game Analytics bara lämpligt för stora företag eller är det något ni skulle rekommendera för små och mellan stora företag att också göra, är det hållbart för alla?
o I vilken omfattning är det hållbart för de olika gruppera?
Engelska
Intervjun börjar med en presentation av mig själv och studien.
Opening questions
• Do you wish to remain anonymous?
o If yes, can you give a short description containing approximate size of company and its focus?
• Do I have your permission to record this interview?
• Could you in short explain who you are, your professional role and background?
Current situation
• Do you have a person/persons dedicated to the analysis of game telemetry?
o If yes, is it only for games in development or also “live” games?
o Is there a more extensive data collecting and analyzing phase during games in their development stage?
If yes, what type? (A/B testing, statistics, qualitative feedback)
• Can you give examples of telemetry that you store for analysis?
o About how much data is being collected daily?
o Would you consider it Big Data?
• Who are the stakeholders looking at the data? (marketing, development, artists, etc.)
• Would you say that any part of the analysis you do is Game Data Mining?
o If yes, could you share and examples of valuable information found from the game data?
• Do you feel/think you can communicate all/close to all the valuable information that can be found within your game to your stakeholders?
o If not, is the limitation in the ability to:
• create (number of players, too few variables)
• collect (server load, bandwidth, different platforms)
• analyze (find useful information)
• communicate (visualize results whom it concerns)
• costs (expenses of people and/or operation)
• What would you say are the challenges in Game Analytics? (size of data, knowing what to track, knowing what to do with the data, visualizing the results etc.)
o How can Big Data accommodate these challenges?
o Has it been a challenge internally to adopt Game Analytics?
(data-driven decision making)
• It costs money to run analytics, do you have a way to show that it gives a return on the money put into it or is it simply a cost for making better games?
• What tools do you use in the current set up for analysis?
o Would you call this a Big Data solution?
o When you run analyzes, is it on samples, n=all or mixed?
• Do you only store and analyze quantitative data or do you integrate qualitative feedback as well?
o If yes, how?
• Have you ever run into any privacy related problems when it comes to Game Analytics?
• Have you ever sold or considered selling data on players/customers to a third party?
Thoughts on the research field and its future
• What do you predict about the future of Game Analytics?
• Do you think that for the future of Game Analytics is it Big Data technologies that needs to develop cheaper and better tools or is it the people working with the game who needs to learn to utilize the data and the technologies more and better, or both?
o What is currently holding the development back?
• Is Game Data Mining and Game Analytics something only larger companies should be working with or something you would recommend small and medium businesses did as well, is it feasible for everyone?
o To what extent is it feasible for the different groups?