Du jeu sur mobile à la technologie OTT, Sayed Peerzade a piloté le divertissement Reliance Entertainment à la manière de l'analyse


Sayed Peerzade, fort du secteur depuis plus de 20 ans, possède un sens aigu des affaires qui conduit à des transformations numériques et élabore des stratégies novatrices pour alimenter les affaires. Il est connu pour avoir mis en place la technologie à partir de zéro dans les organisations et avoir assuré un leadership technique dans les startups et les domaines établis tels que la banque, les médias et divertissement, les médias numériques et la vente au détail.

Diplômé d’IIM, il croit fermement à l’importance de faire des données et de l’analyse une priorité absolue pour les organisations. Et chez Reliance Entertainment, il a porté la stratégie de transformation numérique à un tout autre niveau, allant de l’adoption du cloud au pilotage de l’analyse.



Dans ses fonctions actuelles de directeur des technologies de l’information chez Reliance Entertainment, il possède un vaste portefeuille englobant la fabrication de films, les séries télévisées et Web, le numérique, l’animation, la diffusion et les jeux. Peerzade appelle cela un voyage passionnant, où il a travaillé sur tous les aspects de la construction et de la mise à l’échelle de la technologie, principalement en termes d’analyse et d’intelligence artificielle. Avec 8 personnes dans son équipe d’analyse et de science des données, Reliance Entertainment surfe sur la vague analytique.

Analytics India Magazine a rencontré Peerzade pour discuter en profondeur de l’adoption de la technologie et des changements qu’il a été capable d’apporter à l’aide de l’analyse et de ML.


W3Schools


Analytics India Magazine: Comment Reliance Entertainment maîtrise-t-elle la vague d’analyse? Quels sont certains des domaines cruciaux dans lesquels l’analyse est adoptée? S’il vous plaît nous dire quelques cas d’utilisation.

Sayed Peerzade: Reliance Entertainment, en particulier sa branche numérique, a adopté depuis le début l’approche décisionnelle axée sur les données, principalement dans les domaines des jeux mobiles, des jeux OTT et des jeux occasionnels.

Par exemple, dans le domaine des jeux, nous disposons d’un système analytique de bout en bout à part entière, qui s’efforce de collecter et de traiter des données mondiales. Chaque jour, nous collectons et traitons environ 65 millions d’événements de jeu (points de données) à partir d’appareils mobiles. À partir de Reliance Games, nous collectons et convertissons des points de données pour obtenir des informations sur les produits et les utilisateurs. Comme il est conçu de bout en bout par nous, nous l’appelons Reliance Games Analytics (RGA).

Le deuxième domaine majeur est OTT. L’analyse est utilisée ici beaucoup pour comprendre la consommation ainsi que les recommandations. Alors que le troisième domaine majeur est le marché de l’image. Nous utilisons énormément les outils d’analyse ici pour la recherche et les recommandations, ainsi que pour les décisions relatives au contenu.

AIM: Quelle est la feuille de route de la société en matière d’analyse pour l’année à venir? Quels sont les principaux domaines sur lesquels vous vous concentreriez?

SP: Nous nous concentrons principalement sur l’automatisation et l’intégration des composants AI / ML dans notre écosystème numérique. L’analyse en direct et la création d’un composant d’intelligence artificielle sont au cœur des préoccupations. Nous travaillons à la simplification du mécanisme de collecte en adoptant l’informatique sans serveur et en prévoyant d’utiliser le type de plate-forme MaxCompute à la place du système Hadoop traditionnel que nous utilisions auparavant.

Bien que nous ayons créé un vaste écosystème analytique basé sur les données pour toutes sortes d’actions et de corrections du produit et de l’expérience utilisateur, nous avons estimé qu’il était nécessaire d’automatiser les actions et de former le système en fonction des modèles de données. Nous utilisons AI et ML pour atteindre cet objectif. Nous construisons de grands algorithmes autour du système de données et le formons au mieux.

Infographie (seul écosystème analytique) de ce que Reliance Entertainment met actuellement en œuvre.

OBJECTIF: Quels sont les outils que vous avez adoptés pour apporter des transformations numériques et analytiques à l’entreprise?

SP: Nous avons apporté d’énormes transformations numériques grâce à l’adoption du cloud, de l’analyse, du social et du mobile. Alors que le cloud nous a apporté agilité et flexibilité, tout en réduisant les coûts, les analyses nous ont apporté l’avantage d’une meilleure connaissance de l’activité pour les améliorations. Le social nous a apporté plus d’utilisateurs et le mobile est le lieu de concentration des affaires.

En ce qui concerne les outils, en ce qui concerne l’analyse, nous utilisons Hadoop. Nous avons travaillé avec Google Big Query et Amazon Redshift avant d’adopter Hadoop. Nous utilisons également MongoDB en grand marché pour le marché de l’image, à l’exception de Tableau pour l’analyse visuelle.

OBJECTIF: Comment garantissez-vous l’analyse dans des domaines tels que la fourniture d’une expérience client exceptionnelle et la gestion des applications?

SP: Voici comment nous adoptons l’analyse pour développer notre stratégie d’application et de données.

  • Proactivité et anticipation des besoins: Les organisations subissent une immense pression non seulement pour se concentrer sur l’acquisition de clients sur une base régulière, mais également pour comprendre les demandes du consommateur afin d’optimiser l’expérience client tout en développant une relation de longue date.
  • Atténuer la fraude et les risques: Des capacités de données et d’analyse efficaces contribueront à garantir un niveau optimal de prévention de la fraude et une sécurité complète de l’organisation. L’utilisation de méthodologies statistiques pour les modèles de propension à la fraude, qui génèrent des alertes, garantit des réponses rapides déclenchées par des procédures de détection des menaces, ainsi que des alertes ou mesures d’atténuation automatisées.
  • Livrer les produits concernés: Un regroupement efficace et approprié des données provenant de sources tierces, dans lequel les personnes exposent leurs opinions et leurs réflexions lors de la fusion avec l’analyse, aidera les entreprises à rester compétitives, même lorsque de nouvelles exigences sont recherchées ou que de nouvelles technologies sont en cours de développement.
  • Personnalisation: Les mégadonnées offrent la possibilité d’interagir avec les clients en fonction de leur personnalité et de la compréhension de leurs attitudes. Les entreprises peuvent également envisager des emplacements en temps réel pour la personnalisation dans des environnements de services multicanaux.
  • Optimiser l’expérience client: Des techniques analytiques modernes et avancées peuvent être établies pour améliorer la productivité des opérations sur le terrain. Elle peut également accroître l’efficacité et aider à optimiser les effectifs de l’organisation, en fonction des besoins de l’entreprise et des besoins des clients. L’utilisation maximale de l’analyse de données permet d’assurer une amélioration continue grâce à la mesure correcte des principales mesures opérationnelles.

OBJECTIF: Quels sont les paramètres sur lesquels vous comptez pour optimiser l’expérience client et comment le mesurez-vous?

SP: Certaines des matrices (pas toutes car nous faisons beaucoup de choses sur Analytics) que nous mesurons à l’aide de données pour le secteur des jeux sont présentées ci-dessous. La même analyse est effectuée avec différents points de données pour OTT.

  • Analyse du mode de jeu
  • Analyse du roulement
  • Analyse des dépenses
  • Effet des modifications de conception
  • Analyse d’inventaire des joueurs
  • Analyse de l’économie du jeu
  • Données de tarification
  • Variables de jeu
  • Équilibrage des fichiers
  • Force de mise à jour
  • Ensembles d’actifs

Pour l’analyse statistique, nous utilisons des outils tels que R et Data Science Studio. Les modèles utilisés sont descriptifs et prédictifs, et certaines des méthodes utilisées sont la régression, la classification multi-classes, la mise en grappes.

AIM: Comment assurez-vous la sécurité des données lorsque vous traitez de gros volumes de données?

SP: Lorsque vous traitez avec des données, vous devez les sécuriser, il n’y a pas d’autre moyen. En ce qui concerne les entreprises numériques, elles sont basées sur les données et nous collectons et exploitons beaucoup de données. Nous avons pris la sécurité au cœur de la conception et n’avons pas rencontré de problèmes lors de la mise en œuvre de nouvelles directives mondiales telles que le GDPR. Les éléments essentiels de la sécurité des données sont la confidentialité, l’intégrité et la disponibilité. Aussi connu sous le Triade CIAIl s’agit d’un modèle de sécurité et d’un guide pour que les organisations protègent leurs données sensibles contre les accès non autorisés et l’exfiltration de données. Il y a quelques considérations de sécurité des données que nous avons sur notre radar:

  • Où se trouvent vos données sensibles?
  • Qui a accès à vos données?
  • Avez-vous mis en place une surveillance continue et des alertes en temps réel sur vos données?

OBJECTIF: Quels sont certains des défis auxquels vous êtes confrontés lors de l’adoption de l’analyse?

SP: Auparavant, c’était la disponibilité de la solution, c’est maintenant la disponibilité des talents. Puisque nous ne dépendons d’aucun lecteur externe pour la conception et la structure de données, nous sommes mieux à même de relever ces défis. Un autre défi concerne davantage la conception des infrastructures et de l’écosystème. Encore aujourd’hui, Functional Compute et MaxCompute doivent être adaptés à nos besoins.

OBJECTIF: Comment construisez-vous la PNL et l’IA dans l’entreprise?

SP: Nous sommes plus au stade du BC en termes d’adoption de la technologie. Je ne dirais pas AI, car c’est un sujet de discussion beaucoup plus vaste. De plus en plus de méthodes statistiques et d’algorithmes de PNL sont en train d’être développés pour que les données apprennent les modèles et prennent des décisions en fonction du résultat de ces modèles.

Permettez-moi d’expliquer avec un cas d’utilisation des ‘prédictions de Gamer Churn’:

  1. Prévision de désabonnement:

Cas d’utilisation: Prédire si une classe spécifique de joueurs payants (par exemple, les baleines) se retournera ou non après une durée spécifique de la fenêtre temporelle.

Mesures concernées: Engagement des joueurs

  1. Une propension à convertir le modèle:

Cas d’utilisation: Prédire si les utilisateurs payants (NPU) ont une meilleure probabilité d’être convertis en utilisateur payant (PU).

Mesures concernées: Acquisition de joueur

Pour qu’un écosystème AI / ML soit en place, vous devez disposer d’un système d’analyse performant. Le deuxième facteur est les données. Vous devriez avoir des données appropriées, authentiques et suffisantes. Toutes les solutions AI / ML réussies doivent s’articuler autour de ces deux écosystèmes. Si vous voyez ci-dessous l’infographie pour les cas d’utilisation de l’IA mentionnés ci-dessus, vous comprenez d’où je viens, nous construisons de solides modules de formation et de déploiement autour des systèmes et des données analytiques.



Fournissez vos commentaires ci-dessous

commentaires

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *