Creativ Company sedang muncul hari ini sebagai jenis baru perusahaan intelijen pasar. Ini menggunakan AI untuk melakukan analisis sentimen pada 1,5 juta percakapan tentang penerbit game teratas dan judulnya.
Ini berarti bahwa ia menggunakan AI untuk mencari tahu apa pendapat gamer tentang 17 penerbit game teratas – dengan wawasan yang diproduksi oleh Machine Learning. AI Creativ dapat menganalisis lebih dari 1,5 juta percakapan online di seluruh artikel Reddit, YouTube, perselisihan dan berita selama enam bulan. Butuh sekitar 10 hari untuk dilakukan. Perusahaan ini melewati sekitar 9.300 sumber berita dan sentimen tentang penerbit game. Kemudian ia melakukan analisis untuk penelitian ini, yang mencakup periode dari 1 November 2024, hingga akhir April 2025.
Saya berbicara dengan CEO Creativ Wes Morton, CTO Joe Lai dan Coio (Chief Operating and Information Officer) Vibhu Bhan tentang hasilnya. Berikut beberapa info dari analisis eksklusif.
“Kami menyebut diri kami perusahaan pemasaran yang intelligen mesin. Dan pada dasarnya alasan kami melakukan penelitian ini adalah kami menemukan kembali bagaimana melakukan wawasan konsumen menggunakan LLM,” kata Morton. “Studi ini secara harfiah merupakan konsumsi satu juta setengah percakapan konsumen tentang penerbit yang berbeda ini.”
Dalam mengekstraksi “analisis sentimen,” tujuannya adalah untuk mencari tahu apa yang dipikirkan gamer tentang perusahaan game berdasarkan apa yang dikatakan para gamer di media sosial. AI Model Bahasa Besar (LLM) dilatih untuk mendeteksi sarkasme, bahasa gaul khusus permainan, dan lebih banyak nuansa, kata Bhan.
“Inovasi nyata di sini adalah pemahaman yang lebih baik tentang konteks dan bahasa gaul sehingga analisis sentimen jauh lebih kontekstual dan bukan hanya skor,” kata Bhan. “Jika Anda melihat analisis sentimen tradisional, itu melihat adanya kata -kata tertentu. Tetapi bahasa itu kompleks.”
Analisis sentimen telah muncul dalam beberapa tahun terakhir sebagai cara untuk memahami zeitgeist di sekitar permainan atau perusahaan. Tetapi seringkali analisis menderita karena analisis yang digunakan tidak benar -benar memahami gamer atau komentar mereka tentang topik. Sekarang, dengan LLM, Morton mengatakan pembelajaran mesin memahami nuansa kompleks dan melakukan pekerjaan yang lebih baik di lebih banyak data yang dapat dicerna.
Dalam satu contoh, Creativ menemukan bahwa penggemar tidak senang ketika aktor Henry Cavill dipecat dari peran utama Geralt dalam acara televisi Witcher di Netflix. Pada dasarnya, Netflix seharusnya tidak memecat Cavill, karena itu menyebabkan dampak negatif keseluruhan pada waralaba Witcher. Ternyata acara itu memengaruhi sentimen keseluruhan, daripada seri video game.
Perusahaan menelan data dan kemudian muncul dengan skor sentimen tentang penerbit game untuk melihat apa yang telah mereka lakukan untuk membantu atau melukai merek mereka akhir -akhir ini dalam percakapan dengan gamer. Laporan yang lebih lama dapat mengetahui seberapa sering satu set kata (seperti nama permainan atau perusahaan) digunakan. Tetapi seringkali tidak memiliki kemampuan untuk memahami konteks penuh di sekitar diskusi tentang permainan dan kemudian meringkasnya dengan benar. Tetapi LLM lebih baik dalam memahami konteks di sekitar sejumlah besar data.
“Konteks menjadi jauh lebih penting karena itu memungkinkan Anda untuk memahami arah sentimen karena mungkin ada beberapa subjek dalam kalimat. Dan yang kedua adalah pergantian yang kami lakukan karena sarkasme, yang dianggap positif palsu ketika dimaksudkan sebagai reaksi negatif,” kata Lai.
LLMS memiliki kemampuan yang lebih baik untuk memahami konteks bahasa, kata Lai.
“Dan keindahan LLMS adalah kami dapat mengumpulkan dan melatih model kami pada data game ini,” kata Lai. “Kami dapat melatih model untuk dapat mendeteksi jalur berita yang muncul untuk masing -masing game ini, serta jika mereka digunakan dengan cara yang positif atau negatif.”
Topik percakapan terbesar
Satu hal yang diambil LLMS adalah bahwa gamer memiliki pendapat yang kuat tentang eksklusif, dan apakah pemilik platform harus menjaga permainan terbaiknya eksklusif atau membawa game itu ke platform lain untuk menghasilkan lebih banyak penjualan. Fans yang menginvestasikan uang mereka di konsol tertentu tidak seperti itu.
Topik terbesar untuk percakapan termasuk monetisasi game, waralaba, platform game, eksklusif dan konsolidasi industri dan korporatisasi. Pada monetisasi, gamer menghargai komunikasi terbuka pada aturan dan studio yang menghindari model monetisasi yang mempengaruhi gameplay dan mekanik. Ini adalah tren terluas dalam dataset, dengan konsumen menganggap Activision Blizzard, Ubisoft, EA, Amazon, Netease, Evolution Gaming dan Roblox sebagai pelanggar yang buruk dari praktik monetisasi yang buruk.
Selain itu, LLMS menangkap percakapan yang secara alami terjadi. Sebaliknya, sebuah penelitian membuat gamer waspada bahwa mereka sedang disurvei untuk pendapat mereka. Gamer itu mungkin berpikir tentang apakah akan menjawab dengan jujur atau tidak, berdasarkan apa yang mereka pikir ingin didengar oleh peneliti studi.
Bagaimana Nasib Perusahaan
Netflix belum memiliki banyak sejarah sebagai penerbit game, dan game selulernya belum menjadi hit besar. Itu membantu menjelaskan mengapa itu mendapat skor negatif dari gamer. Beberapa sentimen terjadi di sekitar permainan, seperti permainan NBA, tetapi banyak yang terjadi di luar permainan di media sosial.
Morton mengatakan bahwa permainan mendapatkan peningkatan kesadaran besar dari Hollywood, karena film berdasarkan game seperti film Minecraft dan acara TV The Last of Us mendapatkan peringkat tinggi dan menjangkau lebih banyak orang yang tidak tahu tentang permainan.
“Bagian keren tentang teknologi ini adalah Anda dapat menelusuri apa yang membuat orang bahagia, sedih,” kata Morton.
Activision Blizzard memiliki banyak obrolan di World of Warcraft. Tetapi banyak gamer juga bukan penggemar bagaimana perusahaan menangani transisi dari Overwatch ke Overwatch 2. Ubisoft juga keluar dengan skor terburuk dari semua penerbit game, tetapi tidak jelas mengapa. Ada banyak diskusi seputar karakter Assassin's Creed: Shadows. Tapi game itu menerima ulasan positif berbeda dengan game sebelumnya seperti Star Wars: Outlaws and Skull & Bones.
Untuk studi ini, perusahaan tidak fokus pada permainan tertentu. Tapi itu bisa melakukannya di masa depan.
Dengan LLMS, penelitian ini dapat dilakukan dalam 10 hari, dibandingkan dengan minggu untuk metode lain. Morton mengatakan LLMS hanya dapat menyerap dan menelan dan memproses data lebih cepat tetapi dapat menganalisis lebih banyak data dan jauh lebih cepat. Seiring waktu, analisis ini bisa menjadi lebih banyak granular, dengan fokus pada karakter game yang diberikan atau detail lainnya. Analisis semacam itu dapat memberi tim kesempatan untuk berputar ke beberapa karakter lain jika memiliki skor negatif.
