Videójátékok kozmetikai elemeinek osztályozása előrejelzett árváltozás alapján
Kevesebb mint két évtizeddel ezelőtt egy új üzleti modell kezdett elterjedni a videójátékokon belül, amely az egyik legjövedelmezőbb gyakorlatnak bizonyult: a mikrotranzakciók. A modell meghódította a játékipart, és számos formában jelent meg, például a játékon belüli megvásárolható kreditek, az exkluzív tartalmakhoz szóló belépők és a szerencsejátékhoz hasonló, véletlenszerű loot boxok formájában. A profitmaximalizálásra irányuló kísérletezésnek nincs vége: a kiadók nemrég elkezdtek non-fungible tokeneket (NFT-k) árulni játékon belüli tárgyakként, a játékosközösség kritikái és a kormányzati szabályozások ellenére.
2013-ban a Counter Strike: Global Offensive (CS:GO) bevezetett egy piacteret, amely lehetővé tette a játékosok számára, hogy egymás között játékon belüli mikrotranzakciós tárgyakat adjanak el vagy cseréljenek, amelyek játékon kívüli értékkel is bírnak. Ez a lehetőség új résztvevőket csábított a platformra: olyanokat, akiket nem is maga a játék érdekel, hanem a skinek kereskedelméből szeretnének profitálni. Bár a hagyományos piacterek esetében a modern technológiák, mint például a mélytanulás, előnyt jelentenek az árváltozások előrejelzésében, ezen módszerek alkalmazását meg kell vizsgálni ebben az új típusú piaci környezetben, ahol csak tisztán digitális eszközökkel lehet kereskedni.
Munkám során feltárom a videojátékok mikrotranzakcióinak történetét, megvizsgálom a kiadók bevett gyakorlatait, megismerem a skin piac különbségeit más piacterekhez képest, és belemerülök a játékon belüli skin kereskedelem sajátosságaiba. Először kereskedelmi adatokat gyűjtök a Counter Strike: Global Offensive játékhoz a Steam online piactérről, feldolgozom és elemzem azokat bevált adattudományi eszközökkel, majd kategorizálom a tárgyakat az árváltozási történetük alapján, hogy megkapjam a jövőbeli befektetési potenciáljukat. Ezután feltárom és felhasználom a mélytanulás eszköztárát, hogy egy - az összegyűjtött adatokon betanított – mesterséges neurális hálózatot készítsek a tárgyak árváltozási kategóriájának előrejelzésére. Végül alapos értékelést végzek a különböző tárgy jellemzőkről, és e megfigyelések alapján tovább javítom a javasolt neurális hálózat paramétereit.
szerző
-
Noszlopi Dominik Márk
Gazdaságinformatikus szak, mesterképzés
mesterképzés (MA/MSc)
konzulens
-
Dr. Babarczi Péter
egyetemi docens, Távközlési és Médiainformatikai Tanszék