Información general


Tipo de asignatura: obligatoria

Coordinador: Adso Fernández Baena

trimestre:1

Créditos: 6

Profesorado: Ester Bernadó Mansilla

Descripción


La asignatura introduce al estudiante en el mundo de la analítica de datos, con aplicación al análisis de datos de videojuegos. El análisis de datos se convierte en un aspecto fundamental del desarrollo del juego, en múltiples aspectos:

  • Ayuda a comprender el comportamiento del usuario y poder adaptarse para mejorar la experiencia del mismo.
  • Se pueden identificar tipos de usuarios, según su comportamiento, según el tipo de estrategias que usan, o según el tipo de monetización que eligen o el dinero que se gastan.
  • Conocer cómo juega el jugador, si hay dificultades importantes en determinados puntos del juego o es demasiado sencillo, el tiempo que emplean en terminar un determinado nivel o el tiempo de juego en cada sesión, etcétera, son datos importantes para poder ajustar el juego en fases de testeo y balanceo.
  • Se pueden probar versiones alternativas de un determinado juego y analizar cuál de ellas tiene "más éxito", según los parámetros que se deseen medir como éxito (número de jugadores, tiempo de juego, ingresos que genera ...)
  • El análisis de datos es también importante para ajustar la monetización de un videojuego.

La asignatura se contextualiza en el área de Producción y Negocio del Grado en Diseño y Producción de Videojuegos. Los contenidos se basan en una revisión de las métricas más habituales en diseño y monetización de videojuegos y realiza una introducción a la estadística inferencial y al análisis de datos con métodos de machine learning. Se usa el lenguaje R a lo largo de toda la asignatura para los ejercicios y ejemplos prácticos. La metodología combina clases magistrales con ejercicios y actividades prácticas. Las actividades de evaluación son ejercicios prácticos y un proyecto de analítica que cuentan un 60% de la nota y el 40% restante corresponde a un examen final.

Esta asignatura dispone de recursos metodológicos y digitales para hacer posible su continuidad en modalidad no presencial en caso de ser necesario por motivos relacionados con la Covid-19. De esta forma se asegurará la consecución de los mismos conocimientos y competencias que se especifican en este plan docente. El Tecnocampus pondrá al alcance del profesorado y el alumnado las herramientas digitales necesarias para poder llevar a cabo la asignatura, así como guías y recomendaciones que faciliten la adaptación a la modalidad no presencial

Resultados de aprendizaje


A nivel general, esta asignatura contribuye a siguientes resultados de aprendizaje especificados para la materia a la que pertenece (Producción y Negocio):

  • E15.2. Diseñar las analíticas correspondientes para una correcta monitorización del producto una vez lanzado al mercado.
  • E15.3. Planificar y desarrollar el proceso de análisis de datos del juego.
  • E15.4. Interpretar los resultados del análisis del juego y diseñar estrategias para mejorar el juego.

Más concretamente, al finalizar el curso, el estudiante será capaz de:

  • Comprender la necesidad de analizar los datos de videojuegos.
  • Explicar casos de estudio de analítica de videojuegos.
  • Aplicar la analítica de videojuegos en diferentes aspectos del desarrollo de videojuegos, como la monetización, el diseño, la captación de usuarios, la mejora de la experiencia de juego, etcétera.
  • Definir métricas relevantes, medirlas y analizarlas.
  • Explicar qué es un test de hipótesis.
  • Aplicar un test de hipótesis adecuado.
  • Explicar la diferencia entre estadística descriptiva y estadística inferencial.
  • Explicar los principales enfoques de la minería de datos: regresión, clasificación, agrupación y asociación.
  • Aplicar algoritmos de minería de datos para la extracción de información útil.
  • Usar el software R de análisis de datos.
  • Realizar gráficos que capturen de manera visual la información presente en los datos.
  • Escribir informes de analítica de datos a nivel ejecutivo y técnico.

Metodología de trabajo


La asignatura se divide en sesiones teóricas y sesiones prácticas, correspondientes a 4h y 2h semanales respectivamente.

La metodología de trabajo combina:

  • Sesiones magistrales, donde se explican los conceptos necesarios.
  • Lecturas de artículos por parte del alumno, como complementos de los contenidos vistos en clase.
  • Cápsulas de vídeo, como complemento de las clases magistrales.
  • Realización de ejercicios prácticos.

contenidos


El contenido de la asignatura está formado por los apartados que se listan a continuación:

  1. Introducción a la analítica de datos
    1. Importancia del análisis de datos en videojuegos
    2. ¿Qué es el análisis de datos?
    3. ¿Qué es el análisis de datos para videojuegos (game analytics)?
    4. Ejercicios y ejemplos
  2. Métricas de análisis de videojuegos
    1. Tipos de métricas
    2. Métricas específicas según el género de juego
    3. Métricas de población
    4. Métricas de monetización
    5. Métricas de marketing
  3. Introducción a la herramienta R
    1. Entorno de desarrollo I
    2. Gestión de datos en I
    3. pedidos principales
    4. Visualización de información
  4. Introducción a la estadística
    1. Estadística descriptiva
    2. Parámetros descriptivos básicos
    3. Gráficos
    4. Aplicación de la estadística descriptiva al análisis de métricas de videojuegos
  5. Estadística inferencial
    1. Introducción a los test de hipótesis
    2. Tests de hipótesis de una muestra
    3. Tests de hipótesis de dos muestras
    4. Aplicación: test A / B de diseño de un videojuego
  6. Aprendizaje automático
    1. ¿Qué es el machine learning?
    2. Fases principales de un proceso de minería de datos basado en machine learning.
    3. Enfoques principales del machine learning: regresión, clasificación, agrupación.
    4. Aplicación a videojuegos
  7. Informes
    1. Cómo presentar la información de analítica de datos
    2. Extracción de conclusiones

Los contenidos se irán alternando con casos prácticos de aplicación para ver la utilidad de los contenidos que se tratan a lo largo de la asignatura.

Actividades de aprendizaje


El estudiante deberá realizar diferentes actividades a lo largo de la asignatura:

  • A1. Ejercicios - Casos de analítica
  • A2. Prácticas de laboratorio - Proyecto de análisis de datos de videojuegos
  • A4. examen

A continuación se detalla su enfoque y objetivos.

A1. Ejercicios - Casos de analítica

El objetivo de los ejercicios prácticos es que el alumno adquiera los conocimientos de los conceptos teóricos vistos en clase y que tenga agilidad en el uso de las herramientas de analítica que se van a tratar. Estos ejercicios tienen como objetivo consolidar trabajar las siguientes competencias:

  • G1. Adquirir conocimientos avanzados de analítica de datos a través de ejercicios prácticos.
  • G2. Resolver problemas complejos de analítica.
  • G3. Reunir datos e interpretarlas.
  • E15. Diseñar y aplicar estrategias de aseguramiento de la calidad, testeo y análisis de datos de videojuegos y productos interactivos.

Estos ejercicios son evidencias para el logro del resultado de aprendizaje E15.3 (planificar y desarrollar el proceso de análisis de datos del juego).

A2. Prácticas de laboratorio: Proyecto de análisis de datos de videojuegos

El objetivo de las prácticas de laboratorio es que el estudiante desarrolle uno o varios casos de analítica de datos, donde tendrá que aplicar de forma integral y fundamentada los conocimientos vistos en clase. El alumno deberá resolver una simulación de un caso real, limitado en su complejidad y volumen de datos, para hacer más sencilla su gestión por parte del alumno.

En estos proyectos se desarrollarán las siguientes competencias:

  • G5. Desarrollar las habilidades de aprendizaje necesarias para adquirir autonomía (pues los proyectos no son supervisados, sino que es el propio estudiante el que debe encontrar las soluciones a los proyectos, aplicando los conceptos adquiridos).
  • T1. Comunicar en un tercer idioma, pues al menos uno de los trabajos debe estar escrito íntegramente en inglés.
  • E15. Diseñar y aplicar estrategias de aseguramiento de la calidad, testeo y análisis de datos de videojuegos y productos interactivos.
  • G1. Adquirir conocimientos avanzados de analítica de datos a través de ejercicios prácticos.
  • G2. Resolver problemas complejos de analítica.
  • G3. Reunir datos e interpretarlas.
  • G4. Comunicar a un público especializado y no especializado (pues una parte del informe del proyecto, el informe ejecutivo, debe estar escrito para público no especializado y la otra parte del informe, el informe técnico, ha estar escrito para público especializado).

y los resultados de aprendizaje:

  • E15.2. Diseñar las analíticas correspondientes para una correcta monitorización del producto una vez lanzado al mercado.
  • E15.3. Planificar y desarrollar el proceso de análisis de datos del juego.
  • E15.4. Interpretar los resultados de análisis del juego y diseñar estrategias para mejorar el juego.

El alumno realizará este trabajo en equipo (de dos personas, idealmente) y deberá entregar un informe detallado. Este informe deberá contener un resumen ejecutivo, un informe detallado a nivel ejecutivo, un informe técnico y un anexo con los datos resultados de los procesos de analítica aplicados. El estudiante dispondrá del índice del trabajo a entregar, así como de una rúbrica con los parámetros de evaluación del trabajo.

A4. examen Final

Al final del curso, cada estudiante deberá presentarse a un examen final donde se le evaluará los contenidos vistos a lo largo de la asignatura. El examen es individual.

En este examen, se evaluarán las competencias específicas (E15), así como las competencias G5, G1, G2, G3 y parte de G4, y los resultados de aprendizaje E15.2, E15.3 y E15.4 mencionados anteriormente.

Sistema de evaluación


La evaluación de la asignatura es:

  1. Ejercicios prácticos en casa o en clase: 30%
  2. Prácticas de laboratorio (proyecto de analítica): 30%
  3. Examen final: 40%

Las actividades de evaluación continua se deben entregar en los plazos especificados a lo largo del curso. Más allá de los plazos especificados, el alumno no podrá entregar las actividades de evaluación continua, corriendo el riesgo de suspender la asignatura por este motivo. En la convocatoria de recuperación no será posible entregar las actividades de evaluación continua.

Hay que considerar atentamente los siguientes aspectos:

  • La asistencia a clase es obligatoria, con un mínimo necesario del 70% de asistencia.
  • La nota mínima del examen final es 4. Si el alumno saca una nota inferior, no hará promedio con las actividades y deberá ir a un examen de recuperación. En caso de ir a recuperación, la media se calculará de la misma manera, sustituyendo la nota del examen por la nota del examen de recuperación.
  • Los ejercicios prácticos se entregarán en el plazo establecido. En otro caso, contarán un 0 en la nota.
  • En las prácticas de analítica (proyecto de analítica) habrá dos fechas de entrega: la convocatoria ordinaria y la convocatoria extraordinaria (por casos excepcionales). Las prácticas de analítica entregadas en convocatoria extraordinaria contarán un 5 como máximo. Se especificará una fecha máxima de entrega para la convocatoria extraordinaria más allá de la cual no será posible entregar las prácticas y por tanto, contarán como un 0. Se recomienda que el alumno no planifique entregar en la convocatoria extraordinaria para que comporta una disminución en la nota.

Bibliografía


básico

Ugarte, MD, Militino, Ana F., & Arnholt, AT (2020). Probability and Statistics with R (2nd edition). CRC Press.

de Vries, A., & MEYSS, J. (2015). R for Dummies. John Wiley & Sons.

Brett Lanz (2013). Machine Learning with R. Learn how to use R to apply powerful machine learning methods and gain an insight into real-world applications. Packt Publishing.

Magyar Seif El Nasr & Anders Drachen (2013). Game Analytics: Maximizing the Value of Player Fecha. Springer.

 

García-Ruiz, MA (2016). Games User Research. En Case Study Approach. CRC Press.

Wallner, G. (2019). Data Analytics Applications in Gaming and Entertainment. CRC Press.

Complementario

Witten, EH, Frank, E., & Hall, MA (2011). Data Mining. Practical Machine Learning Tools and Techniques. Third Edition. Morgan Kaufmann.

Bari, A., Chaouchi, M. & Jung, T. (2014). Predictive Analytics for Dummies. John Wiley and Sons.

Zumel, N. & Mount, J. (2014). Practical Data Science with R. Shelter Island: Manning.

Arun Sukumar, Lucian Tipi & Jayne Revilla (2016). Applied Business Analysis. Disponible en: bookboon.com.

Brink, David (2010). Essentials of Statistics: Exercises. Disponible en: bookboon.com.