Если вы разрабатываете free-to-play игры, то вам наверняка интересны вопросы, связанные со сбором и анализом статистики. Почему? Потому что статистика – это важная составляющая успеха free-to-play игр.
Цель моего цикла статей – структурировать разношерстную информацию по данному вопросу, пропустить ее через призму нашего опыта и выдать рекомендации по тому,
Успех free-to-play игр зависит от того, насколько игроки вовлечены в игру и готовы покупать внутриигровые бонусы, выводящие игру на новый уровень по экстра фичами и достижениям. Чем дольше игрок находится в игре, чем больше он думает об игре в оффлайне, тем больше шансов, что он вложит реальные деньги в свое продвижение по игре. Конечно, обеспечивать такой уровень увлекательности в играх разработчикам сложнее, чем в традиционной pay-to-play модели.
Один из секретов успеха F2P-игр заключается в том, что их дизайн должен быть основан не только на творческой составляющей и «гениальных» идеях, а в большей степени на анализе поведения игроков в игре, то есть – на реальных данных/статистике. При этом запускать F2P-игру можно (и нужно) только с частью готового контента, и управлять развитием в игре/дорабатывать контент на основе нужд игроков и популярности тех или иных фич. Такой подход называется data-driven design, или «дизайн, основанный на данных». Он представляет собой цикл, на каждой итерации которого выделяется четыре этапа, изображенных на рисунке.
Допустимый процент готовности контента в момент запуска игры зависит от жанра, концепта и т.п. Но что уж точно должно быть готово при запуске любой free-to-play игры – это мощная и гибкая система сбора и анализа статистики, а также система тестирования различных вариантов функционала/арта/баланса. При этом все показатели, которые планируется анализировать, должны быть четко спланированы, а инструменты анализа и визуализации данных – заранее выбраны, интегрированы и настроены.
Мой цикл статей будет состоять из трех частей, в которых будут рассмотрены следующие вопросы.
По своему опыту скажу, что поначалу при работе со статистикой хочется фиксировать почти все в игре: каждый клик, каждый игровой результат и показ каждого экрана в игре. Тезис при этом может быть следующий: главное все собрать и ничего не пропустить, а разобраться можно и потом. Такой подход не работает по нескольким причинам.
Можно сильно сэкономить на анализе, если собирать только ту статистику, которая действительно важна для принятия решений по будущему развитию игры. Для этого нужно начинать планирование сбора статистики еще на этапе проработки концепта игры. Например, для своих игр мы составляем таблицу, в которой напротив каждого показателя написано, какую гипотезу он проверяет и какое улучшение может быть сделано на основе знания о нем.
Статистика, которая собирается в играх, условно делится на три части:
Сбор статистики первого типа – бизнес-показатели – наилучшим образом автоматизируется, так они на 90% одинаковы для всех F2P-игр. Существует внушительное множество аналитических сервисов, которые предоставляют удобные решения с наглядной визуализацией данных и простой интеграцией. Эти сервисы в своем большинстве платные, но без них практически не обойтись, так как изобретение «велосипедов» (самостоятельная реализация сбора бизнес показателей) несет в себе риски, лишние расходы и трату времени. Подробнее про аналитические системы читайте в третьей части цикла статей.
Пожалуй, самой сложной частью является отслеживание поведения игроков, так как эта часть, как правило, уникальна для каждой игры и требует определенных инструментов анализа (о которых будет рассказано во второй части цикла статей). Готовых решений, которые можно интегрировать в игру и тут же начать получать нужную статистику – нет. Есть компании, которым можно аутсорсить сбор и анализ статистики (например, GamesAnalytics Ltd). Но мы предпочитаем выделять на это ресурсы в самой команде разработчиков.
Техническая информация – это статистика, которая нужна для того, чтобы сделать игру более стабильной и вовремя исправлять технические проблемы игроков.
Это показатель «увлекательности» игры, который говорит о том, сколько людей играет в игру каждый день.
Величина DAU/MAU характеризует долю всех игроков, которые играют в игру каждый день. Чем выше это значение, тем больше вовлеченных игроков, тем больше шансов, что игроки будут покупать внутриигровой контент. Считается, что если DAU/MAU больше 0.2, игру можно считать успешной.
Стоит заметить, что это приблизительная оценка, так как для аккуратного подсчета возвращаемости игроков нужно четко отделять новых игроков от вернувшихся в заданные интервалы времени (обычно – ежедневно), учитывать источник трафика и проведенные акции. В детальном изучении данных вопросов помогает когорт-анализ, про который будет рассказано во второй части цикла. Данный же показатель «увлекательности» прост и дает быструю характеристику игры.
Важно отслеживать % «платящих» игроков, а также их демографические и другие характеристики. Зная их портрет, можно ориентироваться именно на эту аудиторию при разработке нового функционала в играх.
Приведу пример на одной из наших игр. На рисунке ниже показан процент играющих людей по возрастам и процент платящих людей среди них. Видно, что ориентироваться лучше на людей среднего возраста (35 — 54), так как именно они склонны платить.
Кроме того, важно уметь выделять «китов» среди игроков: это те люди, которые тратят много денег. Надо узнавать этих людей ближе, изучать их характерные шаблоны поведения, в каком месте отваливаются, чтобы максимально удовлетворить их потребности.
Почему «киты»? Вообще, иногда делят всех платящих игроков на «пескарей», «дельфинов» и «китов». «Пескари» тратят мало – примерно $1 в месяц. «Дельфины» – около $5, а «киты» – много. По данным Gigaom в играх Zynga, топ 20% “платящих” игроков тратят в среднем $1,100 в год ($90 в месяц).
Показатели дохода:
Виральность – это способ распространения информации об игре в интернете и социальных сетях от игрока к игроку. Если в игре хорошо проработаны механизмы виральности, то стоимость привлечения новых пользователей снижается. Чтобы следить за виральностью, можно использовать k-фактор.
Вычислить k-фактор можно по следующей формуле: k = X * Y, где Х – число приглашений на одного игрока, Y – процент людей, которые приняли эти приглашения, присоединившись к игре. Если k-фактор равен 0.2, то на каждого нового игрока можно получить 0.2 игроков, пришедших в игру по приглашениям (другими словами: на каждых пять новых игроков, мы получаем одного бесплатного игрока, который пришел в игру по приглашению). Понятно, что чем выше k-фактор игры, тем дешевле становится привлекать новых игроков в игру.
Первое, что понадобится для анализа поведения игроков – это статистика по прогрессу игроков в игре. Для отслеживания прогресса по сценарию игры определяются контрольные точки, которые должны пройти игроки. Анализ скорости продвижения по этим точкам, параметров игроков в этих точках помогут выявить препятствия или сложности в игре, которые нужно устранить.
Если игрок сделал первую покупку, то он переводится в разряд «платящих» игроков. Считается, что первая покупка – это психологический барьер, однажды преодолев который, игроки расстаются с деньгами значительно легче. Запланируйте заранее в игре последовательности действий, которые могут привести игрока к первой покупке. Отслеживайте, сколько игроков реализуют определенные вами сценарии, работайте над конверсией, улучшая интерфейс и баланс.
Если игрок вышел из игры во время туториала, считайте, что этот игрок для вас потерян: с большой вероятностью он не вернется в игру никогда. Чтобы этого избежать, начало игры должно быть максимально срежиссировано. Нужно отслеживать каждый шаг туториала, чтобы понимать, на каком экране игрок заскучал и вышел из игры, что ему было непонятно, смог ли он обучиться, сделал ли самостоятельно первое задание.
Может быть полезным отслеживание первого и последнего действия игрока за игровую сессию.
Первое событие задает тон всей игровой сессии. Оно может увлечь игрока и заставить провести в игре много времени. Но первое событие может и «отпугнуть» игрока, в результате чего, он закроет игру и, возможно, не вернется. Нужно сравнивать и тестировать – какие события/окна/приветствия ведут к большему времени в игре.
Последнее событие – также важно. Последним событием обычно становится именно то препятствие в игре, которое следует устранить. Если же последнее событие за игровую сессию запланировано (например, игрок находится в ожидании завершения некоторого игрового цикла), стоит сделать это событие таким, чтобы игроку хотелось зайти в игру в следующий раз.
Поскольку я занимаюсь разработкой мобильных игр – приведу пример, скажем, из увлекательного Android-мира.
Полезным бывает собирать статистику по техническому оснащению девайсов игроков, чтобы обеспечить стабильность игры. Например, важно знать, какие девайсы, прошивки, разрешения экранов, типы аппаратно-поддерживаемых текстур наиболее популярны среди игроков. Важно также знать, какая аппаратная конфигурация приносит наибольший доход и возвращаемость игроков (разница в доходах может отличаться на десятки процентов). Стоит сократить список поддерживаемых девайсов, если они не приносят дохода и если игра на них нестабильна. Это ко всему прочему обережет приложение от негативных отзывов в магазине.
Если в игре используется докачка ресурсов, собирайте статистику об успешной докачке, о количестве запросов на докачку, об ошибках, возникающих при докачке. Если докачка происходит до первого старта игры, то она может отпугнуть солидную часть аудитории. А если игроки не скачали игру, то уж точно не вернутся и не заплатят. Поэтому нужно позаботится о максимальной стабильности процедуры скачивания и найти занятие для игроков на время ожидания. А еще лучше – найти возможность не докачивать данные на старте, а докачивать внутри игры за дополнительное вознаграждение.
Если в игре используются офферные системы в качестве дополнительной монетизации, то имеет смысл отслеживать эффективность их работы, в том числе – проверять покрытие офферами в разных странах на разных девайсах.
Немало полезной информации можно найти в документации, презентациях, статьях, подготовленных самими аналитическими сервисами. Как правило, он приводят грамотные примеры, кейсы, обоснования, показатели индустрии. Вот список сервисов, которые мне помогли разобраться с вопросом сбора и анализа статистики в играх:
Еще одна полезная статья про разработку free-to-play игр:
The Design of Free-To-Play Games: Part 1
The Design of Free-to-Play Games, Part 2
Конечно, тут перечислены самые базовые метрики, которые стоит отслеживать при разработке free-to-play игр. Но даже они уже дают немало информации для принятия решения по развитию игры.
У вас есть идеи по другим важным метрикам? Буду рада увидеть ваш комментарий!
В следующей статье я хотела бы остановиться подробно на основных методах анализа, которыми нужно владеть, чтобы извлекать действительно полезную информацию из моря данных. Основные методы, которые будут рассмотрены: сегментация пользователей, когорт-анализ (поведение групп людей во времени), «воронки» или анализ последовательностей переходов, A/B тестирование.
Цель моего цикла статей – структурировать разношерстную информацию по данному вопросу, пропустить ее через призму нашего опыта и выдать рекомендации по тому,
- какие показатели стоит отслеживать в играх;
- какие инструменты анализа могут помочь в работе со статистикой;
- какие сервисы сбора и анализа статистики существуют с их достоинствами и недостатками.
Успех free-to-play игр зависит от того, насколько игроки вовлечены в игру и готовы покупать внутриигровые бонусы, выводящие игру на новый уровень по экстра фичами и достижениям. Чем дольше игрок находится в игре, чем больше он думает об игре в оффлайне, тем больше шансов, что он вложит реальные деньги в свое продвижение по игре. Конечно, обеспечивать такой уровень увлекательности в играх разработчикам сложнее, чем в традиционной pay-to-play модели.
Один из секретов успеха F2P-игр заключается в том, что их дизайн должен быть основан не только на творческой составляющей и «гениальных» идеях, а в большей степени на анализе поведения игроков в игре, то есть – на реальных данных/статистике. При этом запускать F2P-игру можно (и нужно) только с частью готового контента, и управлять развитием в игре/дорабатывать контент на основе нужд игроков и популярности тех или иных фич. Такой подход называется data-driven design, или «дизайн, основанный на данных». Он представляет собой цикл, на каждой итерации которого выделяется четыре этапа, изображенных на рисунке.
Допустимый процент готовности контента в момент запуска игры зависит от жанра, концепта и т.п. Но что уж точно должно быть готово при запуске любой free-to-play игры – это мощная и гибкая система сбора и анализа статистики, а также система тестирования различных вариантов функционала/арта/баланса. При этом все показатели, которые планируется анализировать, должны быть четко спланированы, а инструменты анализа и визуализации данных – заранее выбраны, интегрированы и настроены.
Мой цикл статей будет состоять из трех частей, в которых будут рассмотрены следующие вопросы.
- Основные показатели, за которыми стоит следить во free-to-play играх, и данные о поведении игроков, которые следует анализировать для улучшения этих показателей.
- Основные методы анализа собранных данных для принятия решений по развитию игры: сегментация пользователей, когорт анализ, «воронки» или анализ последовательностей переходов, A/B тестирование.
- Существующие сервисы с их достоинствами и недостатками.
Какую статистику нужно собирать в F2P-играх
По своему опыту скажу, что поначалу при работе со статистикой хочется фиксировать почти все в игре: каждый клик, каждый игровой результат и показ каждого экрана в игре. Тезис при этом может быть следующий: главное все собрать и ничего не пропустить, а разобраться можно и потом. Такой подход не работает по нескольким причинам.
- Анализировать огромные массивы данных – дорого: нужно привлекать много высококлассных аналитиков, которые должны обладать продвинутыми знаниями, как в статистике, так и в методах ее обработки, быть знакомыми с OLAP-кубами, алгоритмами искусственного интеллекта и т.п. То есть, чем меньше данных – тем лучше!
- Данные быстро устаревают, так как они зависят от проведенных маркетинговых акций, от источника привлечения игроков, от нововведений в игре и даже от времени года. Поэтому все показатели важно смотреть в режиме realtime.
Можно сильно сэкономить на анализе, если собирать только ту статистику, которая действительно важна для принятия решений по будущему развитию игры. Для этого нужно начинать планирование сбора статистики еще на этапе проработки концепта игры. Например, для своих игр мы составляем таблицу, в которой напротив каждого показателя написано, какую гипотезу он проверяет и какое улучшение может быть сделано на основе знания о нем.
| Показатель | Принимаемые решения |
| Доход по уровням и внутренним продуктам | Если больше платят продвинутые игроки, значит нужно работать над тем, чтобы стимулировать покупать раньше (проанализировать потребности на ранних уровнях, снизить цены на некоторые продукты и т.д.). Если больше платят в начале игры, значит надо ввести специальные продукты для более продвинутых игроков, добавить дополнительную возможность потратить накопленную валюту. |
| Очки, заработанные игроками по уровням | Данные помогут выставлять более адекватные цели для игроков, а также корректировать игровой баланс. |
| Время выполнения игровых заданий | Для каждого задания есть примерная оценка, сколько игроку потребуется времени, чтобы его выполнить. Сравнивая фактическое время выполнения задания с ожидаемым, можно скорректировать параметры заданий и их последовательность. |
Статистика, которая собирается в играх, условно делится на три части:
- бизнес-показатели;
- поведение игроков;
- техническая информация.
Сбор статистики первого типа – бизнес-показатели – наилучшим образом автоматизируется, так они на 90% одинаковы для всех F2P-игр. Существует внушительное множество аналитических сервисов, которые предоставляют удобные решения с наглядной визуализацией данных и простой интеграцией. Эти сервисы в своем большинстве платные, но без них практически не обойтись, так как изобретение «велосипедов» (самостоятельная реализация сбора бизнес показателей) несет в себе риски, лишние расходы и трату времени. Подробнее про аналитические системы читайте в третьей части цикла статей.
Пожалуй, самой сложной частью является отслеживание поведения игроков, так как эта часть, как правило, уникальна для каждой игры и требует определенных инструментов анализа (о которых будет рассказано во второй части цикла статей). Готовых решений, которые можно интегрировать в игру и тут же начать получать нужную статистику – нет. Есть компании, которым можно аутсорсить сбор и анализ статистики (например, GamesAnalytics Ltd). Но мы предпочитаем выделять на это ресурсы в самой команде разработчиков.
Техническая информация – это статистика, которая нужна для того, чтобы сделать игру более стабильной и вовремя исправлять технические проблемы игроков.
Бизнес показатели
DAU/MAU
Это показатель «увлекательности» игры, который говорит о том, сколько людей играет в игру каждый день.
- DAU (daily active users) – это число уникальных пользователей, которые запустили игру хотя бы раз в сутки.
- MAU (monthly active users) – это число уникальных пользователей, которые запустили игру хотя бы раз в месяц.
Величина DAU/MAU характеризует долю всех игроков, которые играют в игру каждый день. Чем выше это значение, тем больше вовлеченных игроков, тем больше шансов, что игроки будут покупать внутриигровой контент. Считается, что если DAU/MAU больше 0.2, игру можно считать успешной.
Стоит заметить, что это приблизительная оценка, так как для аккуратного подсчета возвращаемости игроков нужно четко отделять новых игроков от вернувшихся в заданные интервалы времени (обычно – ежедневно), учитывать источник трафика и проведенные акции. В детальном изучении данных вопросов помогает когорт-анализ, про который будет рассказано во второй части цикла. Данный же показатель «увлекательности» прост и дает быструю характеристику игры.
«Платящие» игроки
Важно отслеживать % «платящих» игроков, а также их демографические и другие характеристики. Зная их портрет, можно ориентироваться именно на эту аудиторию при разработке нового функционала в играх.
Приведу пример на одной из наших игр. На рисунке ниже показан процент играющих людей по возрастам и процент платящих людей среди них. Видно, что ориентироваться лучше на людей среднего возраста (35 — 54), так как именно они склонны платить.
Кроме того, важно уметь выделять «китов» среди игроков: это те люди, которые тратят много денег. Надо узнавать этих людей ближе, изучать их характерные шаблоны поведения, в каком месте отваливаются, чтобы максимально удовлетворить их потребности.
Почему «киты»? Вообще, иногда делят всех платящих игроков на «пескарей», «дельфинов» и «китов». «Пескари» тратят мало – примерно $1 в месяц. «Дельфины» – около $5, а «киты» – много. По данным Gigaom в играх Zynga, топ 20% “платящих” игроков тратят в среднем $1,100 в год ($90 в месяц).
Показатели дохода:
- ARPU — средний доход на одного игрока (считаются и платные, и бесплатные установки; показатель, как правило, вычисляется за месяц).
- ARPPU — сколько тратят платящие игроки в среднем (то есть, стоимость игры по факту).
k-factor – коэффициент виральности
Виральность – это способ распространения информации об игре в интернете и социальных сетях от игрока к игроку. Если в игре хорошо проработаны механизмы виральности, то стоимость привлечения новых пользователей снижается. Чтобы следить за виральностью, можно использовать k-фактор.
Вычислить k-фактор можно по следующей формуле: k = X * Y, где Х – число приглашений на одного игрока, Y – процент людей, которые приняли эти приглашения, присоединившись к игре. Если k-фактор равен 0.2, то на каждого нового игрока можно получить 0.2 игроков, пришедших в игру по приглашениям (другими словами: на каждых пять новых игроков, мы получаем одного бесплатного игрока, который пришел в игру по приглашению). Понятно, что чем выше k-фактор игры, тем дешевле становится привлекать новых игроков в игру.
Анализ поведения игроков
Прогресс игроков в игре
Первое, что понадобится для анализа поведения игроков – это статистика по прогрессу игроков в игре. Для отслеживания прогресса по сценарию игры определяются контрольные точки, которые должны пройти игроки. Анализ скорости продвижения по этим точкам, параметров игроков в этих точках помогут выявить препятствия или сложности в игре, которые нужно устранить.
Сценарии первой покупки
Если игрок сделал первую покупку, то он переводится в разряд «платящих» игроков. Считается, что первая покупка – это психологический барьер, однажды преодолев который, игроки расстаются с деньгами значительно легче. Запланируйте заранее в игре последовательности действий, которые могут привести игрока к первой покупке. Отслеживайте, сколько игроков реализуют определенные вами сценарии, работайте над конверсией, улучшая интерфейс и баланс.
Туториал
Если игрок вышел из игры во время туториала, считайте, что этот игрок для вас потерян: с большой вероятностью он не вернется в игру никогда. Чтобы этого избежать, начало игры должно быть максимально срежиссировано. Нужно отслеживать каждый шаг туториала, чтобы понимать, на каком экране игрок заскучал и вышел из игры, что ему было непонятно, смог ли он обучиться, сделал ли самостоятельно первое задание.
Первое и последнее действие игрока
Может быть полезным отслеживание первого и последнего действия игрока за игровую сессию.
Первое событие задает тон всей игровой сессии. Оно может увлечь игрока и заставить провести в игре много времени. Но первое событие может и «отпугнуть» игрока, в результате чего, он закроет игру и, возможно, не вернется. Нужно сравнивать и тестировать – какие события/окна/приветствия ведут к большему времени в игре.
Последнее событие – также важно. Последним событием обычно становится именно то препятствие в игре, которое следует устранить. Если же последнее событие за игровую сессию запланировано (например, игрок находится в ожидании завершения некоторого игрового цикла), стоит сделать это событие таким, чтобы игроку хотелось зайти в игру в следующий раз.
Сбор технической статистики
Поскольку я занимаюсь разработкой мобильных игр – приведу пример, скажем, из увлекательного Android-мира.
Полезным бывает собирать статистику по техническому оснащению девайсов игроков, чтобы обеспечить стабильность игры. Например, важно знать, какие девайсы, прошивки, разрешения экранов, типы аппаратно-поддерживаемых текстур наиболее популярны среди игроков. Важно также знать, какая аппаратная конфигурация приносит наибольший доход и возвращаемость игроков (разница в доходах может отличаться на десятки процентов). Стоит сократить список поддерживаемых девайсов, если они не приносят дохода и если игра на них нестабильна. Это ко всему прочему обережет приложение от негативных отзывов в магазине.
Если в игре используется докачка ресурсов, собирайте статистику об успешной докачке, о количестве запросов на докачку, об ошибках, возникающих при докачке. Если докачка происходит до первого старта игры, то она может отпугнуть солидную часть аудитории. А если игроки не скачали игру, то уж точно не вернутся и не заплатят. Поэтому нужно позаботится о максимальной стабильности процедуры скачивания и найти занятие для игроков на время ожидания. А еще лучше – найти возможность не докачивать данные на старте, а докачивать внутри игры за дополнительное вознаграждение.
Если в игре используются офферные системы в качестве дополнительной монетизации, то имеет смысл отслеживать эффективность их работы, в том числе – проверять покрытие офферами в разных странах на разных девайсах.
Что почитать по этой теме
Немало полезной информации можно найти в документации, презентациях, статьях, подготовленных самими аналитическими сервисами. Как правило, он приводят грамотные примеры, кейсы, обоснования, показатели индустрии. Вот список сервисов, которые мне помогли разобраться с вопросом сбора и анализа статистики в играх:
Еще одна полезная статья про разработку free-to-play игр:
The Design of Free-To-Play Games: Part 1
The Design of Free-to-Play Games, Part 2
Продолжение следует…
Конечно, тут перечислены самые базовые метрики, которые стоит отслеживать при разработке free-to-play игр. Но даже они уже дают немало информации для принятия решения по развитию игры.
У вас есть идеи по другим важным метрикам? Буду рада увидеть ваш комментарий!
В следующей статье я хотела бы остановиться подробно на основных методах анализа, которыми нужно владеть, чтобы извлекать действительно полезную информацию из моря данных. Основные методы, которые будут рассмотрены: сегментация пользователей, когорт-анализ (поведение групп людей во времени), «воронки» или анализ последовательностей переходов, A/B тестирование.
