Supercell
personnalisation ML des offres in-game (quelle carte ou offre servir)
Clash Royale sert depuis 2018 des offres de cartes personnalisees par machine learning selon l'inventaire, la progression et la frequence d'achat du joueur, une petite equipe data science automatisant la monetisation recurrente ; en 2025, Supercell a decrit l'extension de l'IA a l'acquisition et a la monetisation.
Objectif
Augmenter la conversion et la LTV en servant a chaque joueur l'offre de carte la plus pertinente, avec une petite equipe qui automatise la monetisation recurrente plutot que de la grossir.
Le déploiement
Depuis 2018, Clash Royale sert des offres de cartes personnalisees dans sa boutique grace a du machine learning. Le systeme regarde le nombre de cartes deja possedees, la proximite d'un joueur d'un palier d'amelioration et sa frequence d'achat, entre autres facteurs, pour decider quelles offres montrer. Le prix et la taille des lots restent codes en dur; le ML choisit les cartes que le joueur est le plus susceptible d'acheter. La logique assumee par l'equipe est de rester petite et d'automatiser tout ce qui revient de facon reguliere. En 2025, Supercell a decrit un plan IA plus large presente par son AI Lead, avec la personnalisation de masse pour l'acquisition, la prediction du comportement joueur et l'ajustement des activites de retention et de monetisation pour maximiser la LTV, ainsi que des pilotes de creation d'assets UA. Le groupe fait par ailleurs tourner en production un agent de support IA construit avec OpenAI dans Brawl Stars.
Résultats Preuve C
Presse specialisee reconnue rapportant nommement des interventions de data scientists et de l'AI Lead de Supercell sur la monetisation et l'UA, plus une etude de cas vendor chiffree pour l'agent de support. Pas de chiffre financier sur la monetisation elle-meme, donc C.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- outil Modele de propension in-house ML qui choisit les cartes a proposer selon les cartes possedees, la proximite d'un palier d'amelioration et la frequence d'achat ; prix et taille des lots restent codes en dur
- infra Pipeline de features joueur etat du joueur (inventaire, progression, achats) tenu a jour pour servir l'offre en boutique
- llm OpenAI modeles utilises pour l'agent de support IA en production dans Brawl Stars, systeme distinct de la monetisation ML
- integrateur Tomoro.ai partenaire de construction de l'agent de support IA de Brawl Stars
Comment ça tourne, concrètement
Pour les équipes ops-
1Lecture de l'etat du joueur IA (data science)
Le systeme mesure inventaire, progression et historique d'achat.
-
2Selection de l'offre IA (data science)
Le ML choisit les cartes a proposer; le prix et la taille des lots sont fixes en dur.
-
3Affichage en boutique jeu (Clash Royale)
L'offre personnalisee apparait dans le store du jeu.
-
4Boucle de mesure equipe data
Conversion et achats reinjectes pour affiner les propensions.
L'etat du joueur: cartes possedees, proximite d'un palier d'amelioration, frequence d'achat. Sans ce signal a jour, l'offre servie perd sa pertinence et la conversion baisse.
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
- inventaire et progression par joueur
- historique et frequence d'achat
- catalogue d'offres
Prérequis orga
- petite equipe data science autonome
- process d'A/B testing des offres
- gouvernance sur la personnalisation d'offres
Stack possible
- modele de propension custom
- pipeline de features joueur
- systeme d'offres in-game
Le plan, étape par étape
- Étape 1Cartographier l'etat du joueur : inventaire, progression et historique d'achat consolides par joueurLivrable : Pipeline de features joueur a jour en continu
- Étape 2Definir l'espace d'offres : ce que le ML choisit (contenu) et ce qui reste fixe (prix, taille des lots), plus la gouvernance de la personnalisationLivrable : Catalogue d'offres et regles ecrites
- Étape 3Entrainer le modele de propension : predire par joueur les contenus les plus susceptibles d'etre achetesLivrable : Modele evalue offline sur l'historique d'achat
- Étape 4A/B tester : offres personnalisees servies a un segment contre la boutique standardLivrable : Lecture conversion et revenu par joueur sur le test
- Étape 5Generaliser a toute la base et automatiser tout ce qui revient sur une base reguliereLivrable : Offres servies par ML en routine, boucle de mesure permanente
Première étape : Cartographier l'etat du joueur (inventaire, progression, frequence d'achat) et tester un modele de propension sur un segment avant de generaliser a la boutique.
Sources
- S1 Supercell's Jarno Seppanen on how Clash Royale uses machine learning to automate monetization Presse établie archive à générer
- S2 Supercell's AI masterplan explained Secondaire archive à générer
- S3 How Supercell is Turning Player Support into Connected and Seamless Gameplay Experience with AI Agents (Tomoro.ai) Officiel intéressé 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.