King
recommandation ML d'offres et de bundles personnalises
King recommande des bundles personnalises dans Candy Crush Saga avec un systeme de machine learning deploye a l'echelle de millions de joueurs, avec +30 pour cent sur le taux de clic et plus de +40 pour cent sur le take rate ; en parallele, la quasi-totalite des niveaux est concue avec l'aide de l'IA.
L'essentiel
- Recommandation ML de bundles personnalises dans la boutique de Candy Crush Saga.
- Modeles attentionnels maison sur TensorFlow, Keras et Google Cloud.
- +30% de taux de clic et plus de +40% de take rate.
- Quasi tous les niveaux concus avec l'aide de l'IA, preuve B confirmee.
Objectif
Augmenter l'engagement et la conversion sur les offres in-game en servant a chaque joueur le bundle le plus pertinent, tout en produisant et testant les niveaux de Candy Crush a l'echelle.
Le déploiement
King recommande des bundles personnalises dans Candy Crush Saga avec un systeme de machine learning qui combine apprentissage supervise et non supervise et une approche de prediction dite scale-invariant, appuyee sur des modeles attentionnels au niveau joueur. Un papier signe par des equipes de King rapporte une hausse de l'engagement de 30 pour cent sur le taux de clic et de plus de 40 pour cent sur le take rate, avec un cadrage explicite du deploiement a l'echelle de millions d'utilisateurs, de la maintenance et du suivi des modeles, et des boucles de feedback degenerees a surveiller. En parallele, l'IA irrigue la production du jeu: selon la directrice des AI Labs, la quasi-totalite des niveaux de Candy Crush est desormais concue avec l'aide de l'IA, des bots jouant chaque niveau des milliers de fois pour mesurer la difficulte avant que les designers ne valident. King a aussi construit BAIT, un bot de test qui parcourt le jeu par capture d'ecran et reconnaissance d'interface pour detecter textures manquantes, textes absents et artefacts de rendu.
Résultats Preuve B
Papier technique signe par des equipes de King, chiffre sur le taux de clic et le take rate d'un systeme deploye a l'echelle de millions de joueurs, corrobore par de la presse specialisee et un article d'ingenierie sur le test automatise. Pas un document financier, donc B.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- llm Modeles attentionnels de recommandation (in-house King) apprentissage supervise et non supervise, approche scale-invariant, prediction du bundle par joueur
- outil TensorFlow framework ML utilise par les equipes de King pour entrainer les modeles
- outil Keras API de construction des reseaux de neurones au-dessus de TensorFlow
- infra Google Cloud infrastructure cloud d'entrainement et de serving des modeles
- outil Bots de test et BAIT (in-house) bots qui jouent chaque niveau des milliers de fois et detectent les bugs visuels par reconnaissance d'interface
Comment ça tourne, concrètement
Pour les équipes ops-
1Test automatise des niveaux IA (bots de test)
Des bots IA jouent chaque niveau des milliers de fois pour mesurer difficulte et frictions ; BAIT detecte les bugs visuels.
-
2Validation design designers (humains)
Les designers lisent les metriques IA, annotent les bons et mauvais exemples et decident d'ajuster.
-
3Prediction de l'offre IA (systeme de reco)
Le modele attentionnel predit, par joueur, le bundle a plus forte propension de conversion.
-
4Affichage et suivi equipe data / LiveOps
La boutique sert l'offre ; taux de clic, take rate, diversite et boucles de feedback sont monitores.
Le comportement d'achat et de progression du joueur (cartes ou boosters possedes, proximite d'un objectif, frequence d'achat). Sans donnee comportementale fraiche, la reco d'offre perd sa pertinence et le take rate chute.
Comment vos clients perçoivent ce type d'usage
Études sourcéesLe paradoxe est documente des deux cotes : 71% des consommateurs attendent des interactions personnalisees et 76% sont frustres quand elles manquent (McKinsey, 2021), mais 75% declarent ne pas acheter aupres d'organisations auxquelles ils ne confient pas leurs donnees (Cisco, 2024). La « creepy line » est localisee : messages recus quelques secondes apres une recherche et suivi de localisation sont les pratiques qui mettent le plus mal a l'aise (Periscope by McKinsey, 2019).
Conditions d'acceptation
- La confiance dans le traitement des donnees precede l'achat : 75% ne achetent pas sans elle (Cisco 2024)
- Un cadre legal protecteur rassure : 59% des consommateurs disent que des lois fortes sur la vie privee les rendent plus a l'aise pour partager des informations dans des applications IA (Cisco 2024)
- La personnalisation elle-meme est attendue quand elle est consentie : environ la moitie des consommateurs (US 55%, UK 52%) disent s'inscrire souvent ou parfois a des services personnalises (Periscope by McKinsey 2019)
Lignes rouges
- Le message declenche quelques secondes apres une recherche ou un achat : deuxieme ou troisieme cause de malaise selon les pays (Periscope by McKinsey 2019)
- Le suivi de localisation percu comme de la surveillance : 40% de malaise en Allemagne et au Royaume-Uni (Periscope by McKinsey 2019)
- Le mesusage des donnees personnelles par l'IA, devenu la premiere inquietude des consommateurs, a 53% et en hausse (Qualtrics 2025)
Sources : McKinsey & Company 2021 · Periscope by McKinsey 2019 · Cisco 2024 · Qualtrics 2025
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- evenements d'achat in-app
- signaux de progression et d'inventaire par joueur
- catalogue d'offres et de bundles
Prérequis orga
- equipe data science pour maintenir et monitorer les modeles
- process de validation design pour les niveaux
- surveillance des boucles de feedback et de la diversite
Stack possible
- modele de reco custom
- TensorFlow ou PyTorch
- infra cloud (ex. Google Cloud)
- pipeline d'A/B testing
Le plan, étape par étape
- Étape 1Instrumenter finement les evenements d'achat, l'inventaire et la progression par joueurLivrable : Pipeline d'evenements fiable et documente
- Étape 2Construire un premier modele de propension d'offre et l'evaluer hors ligneLivrable : Modele entraine avec metriques de precision offline
- Étape 3Lancer un A/B test sur un segment de joueurs contre les offres statiquesLivrable : Lift de taux de clic et de take rate mesure
- Étape 4Generaliser et installer le monitoring (boucles de feedback degenerees, diversite des offres)Livrable : Reco en production avec surveillance continue et alerting
Première étape : Instrumenter finement l'inventaire et la progression du joueur, puis tester un modele de propension d'offre sur un segment avant de generaliser.
Le même pattern, prouvé dans d'autres industries
DraftKings
personnalisation ML et optimisation de la promo et du pricing sur cohortes de joueurs
FanDuel
personnalisation de l'offre de paris pilotee par pricing IA, avec assistant genAI de decouverte
Sources
- S1 How King balances human and AI-powered design in Candy Crush Saga Secondaire archive à générer
- S2 On a Scale-Invariant Approach to Bundle Recommendations in Candy Crush Saga Officiel intéressé archive à générer
- S3 How King uses AI to test Candy Crush Saga Secondaire archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.