Ключом к успеху при разработке бесплатных игр является анализ поведения игроков и постоянная настройка функциональности игры на основе статистики.
Сбор статистики – это полдела.
Но как превратить гору необработанных данных в информацию? В моей последней статье Я перечислил основные показатели, по которым можно отслеживать успешность игры.
Во второй части серии я рассмотрю ключевые инструменты, которые помогут вам превратить данные в данные, полезные для действий.
Сегментация
Основным инструментом, который помогает превратить данные в информацию, является сегментация игроков.Сегментация — это выявление групп пользователей, характеризующихся каким-то общим признаком, и работа с метриками приложения внутри этих групп.
Проще говоря, выбор сегмента — это создание фильтра поиска, позволяющего найти всех пользователей по заданным параметрам: по дате регистрации, по демографическим характеристикам, по источнику перехода в приложение, по совершению определенных действий пользователя и т. д. Если вы занимаетесь разработкой игр и ваша система сбора и анализа статистики не поддерживает сегментацию игроков, то вам вообще не стоит ее использовать.
Сегментация лежит в основе всех остальных инструментов анализа.
Чтобы иметь возможность анализировать сегменты пользователей, необходимо заранее убедиться, что необходимые параметры этих пользователей корректно прописаны в приложении.
Средние значения для игры в целом могут сильно отличаться от показателей, измеренных для конкретных сегментов.
Это означает, что решения об улучшениях игры должны приниматься с учетом разных сегментов.
Позвольте мне привести вам простой пример.
Давайте посмотрим на топ-25 устройств, на которых игроки запускают игру Сокровища Монтесумы 3 для Андроид. Сформируем сегмент игроков, совершивших покупку или воспользовавшихся акционным предложением.
Теперь посмотрим, как изменились позиции устройств в топе относительно этого сегмента.
Из графика ниже видно, что есть модели устройств, на которые игра часто устанавливается, но редко доходит до покупки.
И наоборот: казалось бы, устройство не занимает первых позиций, но из-за высокой конверсии в платящих людей на него стоит обратить больше внимания при проверке игры.
Также стоит изучить устройства с крайне низкой конверсией: у них могут быть технические проблемы, мешающие прогрессу игроков.
Анализ перехода (или «воронки»)
«Воронки» предназначены для анализа последовательности шагов, которые совершили игроки при движении к какой-то цели, выбранной нами в игре.Например, нас интересует, какой процент игроков решит совершить покупку в результате следующей последовательности шагов в игре: игрок зашёл в игру, закончил обучение, открыл магазин, купил пакет внутренней валюты.
Среди игроков, прошедших первый шаг, отбираются те, кто прошел и второй, и так далее (график ниже, вымышленные данные).
В результате рассмотрения этой воронки мы получаем конверсию новых игроков в платящих, относительно выбранной нами последовательности шагов.
Имея такую «воронку», вы сможете оптимизировать каждый шаг, чтобы как можно больше игроков прошли все этапы и выполнили поставленные цели.
Если на каком-то этапе многие игроки теряются, нужно разбить его на более мелкие шаги и построить аналогичную «воронку» с дополнительными шагами.
Конечно, чтобы строить «воронки», нужно заранее убедиться, что все этапы анализа правильно логированы в игре.
Кроме того, нужно помнить, что при построении «воронки» важен порядок шагов: если вы измените порядок шагов, вы получите совершенно другой результат. Некоторые системы анализа позволяют устанавливать минимальное и максимальное время, которое должно пройти между шагами.
Важно, что система анализа позволяет строить «воронки» на основе уже собранных данных.
Если при смене воронки нужно подождать, пока накопится свежие данные, то лучше отказаться от такой системы анализа, поскольку данные, полученные в разные периоды времени, могут существенно отличаться, и их сравнение может привести к ошибкам.
Когортный анализ
Как узнать, становится ли ваш продукт лучше с течением времени? Допустим, вы внесли определенные изменения в продукт и увидели увеличение количества пользователей в день.Но как понять, что на самом деле привело к такому росту? Последние инновации, успешная маркетинговая кампания или время года? Понять это поможет когортный анализ, который позволяет отделить общие показатели роста от показателей, связанных с поведением пользователей (новых и текущих).
Когортный анализ зародился в медицине и позволяет измерять взаимодействие пользователя с продуктом с течением времени.
Когорты — это группы людей, выбранные на основе некоторых общих характеристик.
Например, люди одного года рождения, весовой категории и т. д. В играх наиболее популярное применение когортного анализа — измерение удержания игроков.
Давайте подробнее рассмотрим расчет показателя возврата игроков в первый месяц после установки игры.
Давайте разделим всех игроков на группы по дате установки игры.
Для игроков каждой группы мы будем фиксировать, сколько из них зашло в игру на 2-й, 3-й,.
30-й день после установки.
Понятно, что к 30-му дню их количество уменьшится, но скорость снижения – это то, что вас будет интересовать и что нужно сравнивать для разных когорт игроков.
В результате мы получаем таблицу, показанную ниже (данные в таблице вымышленные).
Если в игру было внесено какое-то изменение, вы можете проанализировать, как оно повлияло на отдачу (а значит, и на вовлеченность) игроков.
Подобные таблицы можно строить и за более длительные периоды — например, формируя когорты игроков, установивших игру в определенные недели или месяцы.
Когортный анализ как инструмент можно использовать для отслеживания любого показателя с течением времени.
В нашем примере мы смотрели количество игроков, зашедших в игру в определенный день, но могли анализировать время, проведенное в игре, потраченные деньги, заработанную валюту, набранные очки, выполненные задания, количество приглашенных друзей и т. д. Когортный анализ можно провести для отдельных сегментов игроков и сравнить результаты.
А/Б тестирование
A/B-тесты используются для проверки эффективности тех или иных изменений в приложении.Суть его заключается в следующем.
Приложение содержит N вариантов некоторого функционала (например, кнопки разного цвета, разный текст в окне, разные цены на внутриигровые товары и т.п.
).
Все пользователи максимально равномерно делятся на N равных непересекающихся групп.
Каждой группе предлагается свой вариант функционала, а затем показатели для каждой группы анализируются и сравниваются отдельно.
В результате выбирается «выигрышный вариант», который окончательно встраивается в приложение.
Что делает этот инструмент? В процессе разработки игр рождается множество идей и вариантов реализации одних и тех же игровых возможностей.
Иногда быстрее реализовать сразу два варианта, а потом протестировать на реальных игроках.
Более того, зачастую оказывается, что серия A/B-тестов выявляет наиболее эффективную комбинацию решений, которую невозможно было предсказать и угадать в процессе разработки.
Есть множество примеров, когда подобные «микрооптимизации» позволяли улучшить конечную производительность приложений, сервисов, игр и т.д. в несколько раз.
Один из моих любимых примеров - это рассказ Дэна Сирокера , основатель сервиса Optimizely, о том, как A/B-тесты помогли победить на президентских выборах.
При проведении A/B-тестирования следует соблюдать несколько правил.
- Прежде чем начать тестирование, важно провести A/A-тесты, в которых люди делятся на группы, но каждой группе предоставляется один и тот же вариант. Если показатели у всех групп совпадают, значит, группы были сформированы правильно и результаты A/B-тестов будут правильными.
- A/B-тесты следует проводить одновременно для всех групп, поскольку все игроки должны находиться в равных условиях, насколько это возможно.
Ведь производительность игры очень чувствительна к времени года, дням недели, источникам трафика, акциям и даже погоде.
- A/B-тестирование требует атомарных изменений.
Если функциональные возможности содержат не одно отличие, а целый набор, в конечном итоге невозможно будет с уверенностью сказать, какое именно из этих изменений повлияло на результат.
Персонажи
Сегментировав игроков по определенным параметрам, иногда полезно узнать, кто эти люди на самом деле.Если ваша игра логирует достаточно информации о поведении игроков и их параметрах, то вы можете выбрать логи случайных игроков и попытаться написать их историю: как они играют, какие трудности испытывают, что мотивирует их совершать покупки, в какие дни/ часов, которые они обычно играют, сколько времени им нужно отыграть, когда они выйдут из игры? Делать это вручную занимает много времени, но иногда бывает полезно.
Можно использовать и более сложные методы, которые позволят точно выявить характерные особенности сегментов игроков, но это тема для отдельной статьи.
Для начала вы можете обработать нескольких игроков из разных сегментов и повесить на стену их портреты (вымышленные или реальные, если игра интегрирована с социальными сетями).
Разработка пойдет веселее.
Анализ потребительской корзины
В играх, как и в реальном мире, корзины покупок можно анализировать и зачастую предоставлять полезную информацию.Это позволяет определить, какие товары обычно покупаются вместе.
Эту информацию можно использовать для различных целей.
Выставляйте на видном месте самые популярные товары, предлагайте купить что-то в дополнение к уже совершенным покупкам, повышайте видимость тех товаров, которые плохо продаются или отказывайтесь от них, пополняйте ассортимент новыми товарами с учетом того, что есть в наличии.
требовать.
Давайте рассмотрим простой вымышленный пример.
Допустим, в игре доступен для покупки следующий набор товаров: бонусы 1 и 2, пакеты валюты 1 и 2, подписки 1 и 2, артефакт. Заполним таблицу следующим образом: по диагонали указан процент игроков, купивших соответствующий товар более одного раза.
Остальные ячейки показывают процент игроков, купивших оба продукта хотя бы один раз (по вертикали и по горизонтали).
В примере ниже получается, что бонусы 1 и 2 и артефакт приобретаются в игре повторно чаще, чем другие товары; их можно назвать «популярными продуктами».
Если посмотреть третью строку таблицы, то окажется, что пакет валюты 1 чаще сочетается с бонусами 1 и 2 и с артефактом, а пакет валюты 2 чаще приобретается совместно с подписками.
Отсюда можно, например, сделать вывод, что в игре существует как минимум два сегмента игроков: первый — те, кто любит использовать бонусы и артефакты, второй — те, кто покупает более дорогой второй пакет валюты и тратит его.
по подписке.
В ходе анализа станет ясно, что разные сегменты игроков имеют разные корзины.
А возможно, окажется, что некоторые сегменты игроков не могут найти подходящие товары и выходят из игры, ничего не купив.
Это значит, что нужно работать над ассортиментом продукции.
Окончательно
Итак, в двух своих статьях я кратко рассказал об основных индикаторах, которые отслеживаются в играх, а также об инструментах, которые должны присутствовать в арсенале любого аналитика.Теперь вам, наверное, не терпится увидеть, как все это используется на практике.
В следующей статье (она выйдет в 2013 году) я постараюсь ответить на вопрос, какие аналитические сервисы лучше использовать, чтобы перечисленные индикаторы и инструменты были всегда под рукой.
Сразу предупрежу, речь пойдет о сервисах сбора и анализа статистики в мобильных приложениях.
Кстати, если у вас есть предложения, какие сервисы стоит упомянуть, пишите в комментариях! Теги: #бесплатная игра #A/B-тестирование #сегментация #когортный анализ #удержание #разработка игр
-
Сети Часов Прошлого
19 Oct, 24 -
-No-Ooxml Просит О Помощи
19 Oct, 24
