LOL Tinder
Racconto più o meno breve di come mi sia saltato in mente di creare un tool per i giocatori di League of Legends
Premessa interessante
Nell’ultimo anno, ho trascorso la maggior parte delle mie ore di gioco a combattere Luposcuri e Lamabecchi nella pericolosa giungla di Runeterra.
Come 62.5 milioni di utenti di League of Legends prima di me, resto nella grande fetta di giocatori che non si attenta a percorrere la competitiva e scivolosa scaletta che porta verso le diamantine vette della classifica e oltre.
Nonostante le mie performance si siano dimostrate nel tempo piuttosto deludenti, continuo ad adorare questo gioco. Le sue meccaniche, la sua lore e il suo design mi affascinano e attivano tutti i miei sensi di umile prosumer.
Per questo motivo, nell’aprile del 2016, cercai di prendere parte alla API Challenge indetta da Riot Games. Tuttavia, due ostacoli si frapposero tra me e il mio obiettivo: il primo, poco tempo e scarse abilità di programmazione; il secondo, trovare l’Italia nella lista delle nazioni che non potevano prendere parte al concorso.
Quest’anno, dopo aver affinato le mie abilità di jungler e di programmatrice, sono infine riuscita a regalare al mondo il fantastico tool che progettai in quell’occasione, LOL Tinder.
Brief
Malgrado, tecnicamente, non fossi più legata alle regole del concorso, ho deciso di fare ugualmente riferimento al brief originale:
Submit a piece of software that utilizes champion mastery data which excels primarily in one of the following categories: Entertainment, Usability / Practicality, Creativity / Originality.
Il target scelto è quello che conosco meglio, poiché io stessa ne faccio ancora parte. Parlo di tutti quei “novellini” con tanta voglia di giocare nuovi champ ma con poca conoscenza dei più di 150 campioni che il gioco mette a disposizione. Da qui la domanda che ha guidato il progetto:
Se i dati sulla champion mastery offrono un quadro sulle abitudini di gioco dell’utente, come posso utilizzare queste informazioni per suggerire al giocatore nuovi campioni da giocare?
Case studies
Il suggerire nuovi contenuti sulla base di quelli fruiti in precedenza è una pratica piuttosto diffusa. Indirizza l’utente nella scelta, abbassando il grado di incertezza e migliorando la qualità complessiva dell’esperienza.
Nel 2015, Spotify lancia il servizio Discovery Weekly, una playlist settimanale creata automaticamente sulla base dei propri gusti musicali, delle riproduzioni effettuate nell’ultima settimana e di cosa ascoltano gli altri utenti che apprezzano generi simili. L’esperienza è ulteriormente arricchita dalla sezione Brani consigliati in coda a ogni playlist.
Netflix propone un servizio analogo aggiungendo la stima di compatibilità sulla base dello storico dei contenuti riprodotti dall’utente.
La prima cosa da fare è quindi andare a creare un campione ideale, sulla base delle caratteristiche dei champ con cui il giocatore ama giocare. Una volta creato l’archetipo di campione, il secondo passo è quello di definire il grado di affinità dei campioni esistenti con il campione ideale.
Archetipo di campione
I dati analizzati sono principalmente informazioni tecniche: la tipologia di campione (Assassin, Fighter, Mage, Marksman, Support, Tank), il grado di difficoltà nel padroneggiarlo e suoi valori di Attack, Defense e Magic.
In questa prima versione, il tool fa riferimento al vecchio sistema informativo sui champ. Con l’avvento del nuovo launcher, la sezione overview si è modificata e arricchita. Le nuove descrizioni, direttamente collegate alle meccaniche e alle azioni del gioco (crowd control, utility, ecc.), risultano più chiare e accessibili.
Non vedo l’ora che vengano rese disponibili tramite API in modo da poter aggiornare il tool a una versione di queste informazioni meno old fashioned e meno legata a un tipo di narrativa D&D-like.
A questi dati ne sono stati aggiunti altri, prettamente estetici, come il sesso e la razza. Per semplicità e comodità di fruizione, le razze sono state raggruppate nei seguenti cluster: Beast, Human, Mecha, Monster, Spirit, Void-born, Yordle.
La scelta di dare egual peso a fattori di gioco e fattori estetici ha fatto storcere il naso a più di un persona con cui mi sono confrontata su questo progetto. Tuttavia, avendo scelto un target di giocatori alle prime armi, ho ritenuto importante non etichettare come secondaria l’influenza che l’estetica dei campioni può ancora avere sulle loro scelte ed esperienze di gioco.
Facendo una media pesata delle informazioni dei primi 10 champ con maggiore punteggio di mastery si ottiene il modello di campione ideale, l’archetipo.
Affinità con il giocatore
La somiglianza di un champ con l’archetipo rappresenta, conseguentemente, la compatibilità del campione con il giocatore stesso, rispetto allo storico di gioco dell’utente.
L’applicazione suggerisce i 10 campioni (diversi dai 10 presi in esame) con il grado di affinità più alto, rappresentato in percentuale.
Integrazione nel launcher
L’idea che sta alla base di LOL Tinder di presta facilmente a una integrazione nel launcher di League of Legends.
Una sezione, posta all’interno del negozio, può mostrare una proposta personalizzata di campioni, scelti in base ai dati del giocatore, aggiornati in tempo reale.
In aggiunta, una versione più compatta e meno invasiva dell’informazione può trovare posto all’interno dell’overview del campione.
Conclusioni
In futuro, mi piacerebbe aggiungere più variabili all’algoritmo (come, ad esempio, il win rate) per rendere i suggerimenti più affidabili e le percentuali di affinità più precise.
Potendo far affidamento su un team di sviluppatori, farei sì che i suggerimenti non si basassero unicamente sullo storico del singolo giocatore ma anche sulle esperienze di giocatori con gusti simili.
You can also read this article in English!
LOL Tinder isn’t endorsed by Riot Games and doesn’t reflect the views or opinions of Riot Games or anyone officially involved in producing or managing League of Legends. League of Legends and Riot Games are trademarks or registered trademarks of Riot Games, Inc. League of Legends © Riot Games, Inc.
