| Abstract : | Launching a new game or version of an existing game is one of the most exciting partsof market competition. Creating something that excites players and takes market shareaway from competitors is hard to beat. Sometimes though, companies find that insteadof the new product stealing sales from competitors, it’s stealing from themselves. Whydoes this happen? In marketing strategy, cannibalization refers to a reduction in salesvolume, sales revenue, or market share of one product as a result of the introductionof a new product by the same producer. Recent research has introduced modeling ofcompetition of time series to tackle this problem. In SGD (Scientific Games Digital),they launch on average 3-4 digital slot games per month of new or existing game familiesand they are looking to explore how these launches may affect the sales of existing gamesof their portfolio or their competitors’. This work applies state-of-the-art Time Seriesand Deep Learning models to estimate the effective rate of a new game on an existingslot machine, cannibalization or halo rate. This thesis aims to represent two approachesto solve the cannibalization and halo analysis problem, forecasting and nowcasting. Forthat purpose, we developed deep neural networks, like RNN, LSTM, CNN-LSTM, Con-vLSTM, Mini Rocket, Transformer, and we compared their evaluation performance.When testing our methods with real SGD data for one year, we found that the methodsperform alike in detecting cannibalism, and their only difference is in the estimation ofthe cannibalism rate.
Η κυκλοφορία ενός νέου παιχνιδιού ή μιας έκδοσης ενός υπάρχοντος παιχνιδιού είναι ένααπό τα πιο συναρπαστικά μέρη του ανταγωνισμού της αγοράς. Η δημιουργία κάτι που ενθουσιάζει τους παίκτες και αφαιρεί μερίδιο αγοράς από τους ανταγωνιστές είναι δύσκολο νανικηθεί. Μερικές φορές όμως, οι εταιρείες διαπιστώνουν ότι αντί το νέο προϊόν να κλέβειτις πωλήσεις από τους ανταγωνιστές, κλέβει από τις ίδιες. Γιατί συμβαίνει αυτό; Στηστρατηγική μάρκετινγκ, ο κανιβαλισμός αναφέρεται στη μείωση του όγκου πωλήσεων, τωνεσόδων από πωλήσεις ή του μεριδίου αγοράς ενός προϊόντος ως αποτέλεσμα της εισαγ-ωγής ενός νέου προϊόντος από τον ίδιο παραγωγό. Πρόσφατη έρευνα εισήγαγε τη μον-τελοποίηση του ανταγωνισμού χρονοσειρών για την αντιμετώπιση αυτού του προβλήματος.Στο SGD (Scientific Games Digital), λανσάρουν κατά μέσο όρο 3-4 ψηφιακα φρουτάκια(κουλοχέρηδες) το μήνα, νέων ή υφιστάμενων οικογενειών παιχνιδιών και ψάχνουν να διερε-υνήσουν πώς αυτές οι κυκλοφορίες μπορεί να επηρεάσουν τις πωλήσεις των υπαρχόντωνπαιχνιδιών του χαρτοφυλακίου τους ή των ανταγωνιστών τους. Αυτή η εργασία εφαρ-μόζει μοντέλα τελευταίας τεχνολογίας βαθιών νευρωνικών δικτύων για να εκτιμήσουμε τοποσοστό επίδρασης ενός νέου παιχνιδιού σε ένα υπάρχον κουλοχέρη, το ποσοστό κανιβαλ-ισμού ή ’φωτοστέφανου’. Αυτή η διατριβή στοχεύει να αναπαραστήσει δύο προσεγγίσεις γιατην επίλυση του προβλήματος ανάλυσης κανιβαλισμού και ’φωτοστέφανου’, το forecastingκαι το nowcasting. Για αυτόν τον σκοπό αναπτύξαμε βαθιά νευρωνικά δίκτυα, όπως RNN,LSTM, CNN-LSTM, ConvLSTM, miniRocket, Transformer και συγκρίναμε την απόδοσηαξιολόγησής τους. Κατά τη δοκιμή των μεθόδων μας σε πραγματικά δεδομένα SGD για έναέτος, διαπιστώσαμε ότι οι μέθοδοι έχουν παρόμοια απόδοση στην ανίχνευση κανιβαλισμούκαι η μόνη διαφορά τους είναι στην εκτίμηση του ποσοστού κανιβαλισμού.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.