Создаем игры с нуля! 3 книги для старта в гейм-деве - Григорий Радовильский

сайта игры или группы в соцсетях. Из него можно построить конверсию в переходы на страницу игры в цифровом магазине, а оттуда в установки, запуски и так далее. CPPU же можно использовать для оценки стоимости привлечения именно платящих игроков, что важно для условно бесплатных игр.

Аналитика

Бизнес-показатели позволяют облегчить сравнение успехов нашей игры с играми других разработчиков, но они не отвечают на вопрос, хороша ли игра сама по себе. Как именно она работает, нет ли в ней мест, которые можно улучшить. Даже сравнение CPI с LTV само по себе говорит лишь о том, сходится ли маркетинговый бюджет с доходом или нет, но ничего не говорит о привлеченных игроках. При этом мы можем получить довольно много информации о них.

Об игроках можно собирать информацию двух типов.

• Общая, статичная информация об игроках – регион, устройство, на котором запускается игра (и его характеристики), если игрок подключит к игре аккаунт социальной сети, мы также сможем получить информацию о поле и возрасте, об интересах.

• Информация о поведении игрока в игре – входы в игру, продолжительность игровой сессии, переходы по различным игровым интерфейсам, используемые в бою персонажи, используемое снаряжение, выполняемые задания, создаваемые предметы – буквально все, что игрок делает в игре.

Весь этот комплекс информации позволяет решить сразу несколько проблем, которые могут возникнуть перед нами.

• Обнаружить ошибки, закравшиеся в нашу игру. Вероятнее всего, они будут касаться не каких-то багов, упущенных во время тестирования игры, а работы различных игровых систем и механик.

• Точнее понять аудиторию игры, чтобы развивать продукт в направлении, более подходящем и интересном этим игрокам.

• Оценить эффективность каждого отдельного действия, направленного на развитие игры и бизнеса.

* * *

Если какой-то из бизнес-показателей не достигает целевых значений, мы можем попробовать исправить ситуацию, но нам необходимо понять, в чем заключается проблема. Плохие показатели ретеншна – это всего лишь симптом «болезни», диагностировать которую поможет детальное исследование поведения игроков. Его можно провести практически к любой метрике, нужно лишь разобраться в том, какая именно информация поможет нам выявить проблему.

Сам по себе ретеншн показывает количество остающихся в игре игроков, но показывает он это значение в целом и с разделением по дням. Внутри дня может произойти очень много событий, в том числе и в нашей игре, а значит, нам хорошо бы разобраться в том, какое конкретно событие в игре было для игрока последним и почему. Практически в любых играх так или иначе существует некая последовательность действий, через которую проходит игрок. Даже если это игра с открытым миром без какого-то линейного сюжета.

Это может быть обучающий режим, последовательность игровых уровней или квестов, набираемый персонажами опыт, открываемые навыки, предметы или противники. Соответственно, собирая информацию о пройденных этапах обучающего режима, пройденных уровнях, выполненных квестах и так далее, мы можем построить график, подобный графику ретеншна, – конверсию, и по нему понять, в какой именно момент игрок ушел из игры. Возможно, ему не удалось выполнить какую-то задачу обучающего режима, или уровень оказался слишком сложным, или он не понял задачу квеста, или ему просто наскучил сбор игрового опыта для прокачки персонажа.

Примерно так же должна собираться информация и о платежах, совершаемых игроком: они происходят в неких условиях, мотивирующих игрока на покупку. Возможно, это скидочная акция или у игрока закончились необходимые для продолжения игры ресурсы. Изначально при организации отдельных систем, составляющих игру, создается их дизайн, описание задумки, которой система должна служить, например сценарий обучающего режима. Подобный сценарий должен быть и у монетизационных механик. Следует собирать данные, которые помогут проверить, соответствуют ли условия разработанному сценарию или нет, и что происходит с игроком в момент, когда условия сценария вроде бы срабатывают, но платежа все равно не происходит.

Большие данные (Big Data) – это программные инструменты и разнообразные методы, которые помогают анализировать огромные массивы данных, как структурированные, так и нет, для решения определенных поставленных задач. Этот феномен стал возможен благодаря развитию технологий в начале нынешнего тысячелетия. Для удобства работы с большими данными учитывают три характеристики: объем, скорость и многообразие.

В отличие от прямых цепочек прогресса, для изучения монетизации нужно намного больше данных, что значительно осложняет не только их сбор, но и обработку. С одной стороны, можно случайно не учесть какой-то аспект и не начать собирать данные, что отложит обработку данных до тех пор, пока не будет собрана новая более полная информация. С другой стороны, данных может оказаться слишком много, что увеличит шанс совершить ошибку при их обработке. Но и тут на помощь приходят современные технологии, методики машинного обучения и работы с большими данными: программа может сама обнаружить неочевидные закономерности.

Несколько иначе работает аналитика рекламных кампаний. Мы уже говорили о том, что для понимания успешности рекламной кампании нам достаточно просто сравнить CPI с LTV и удостовериться в том, что стоимость установки меньше суммы, которую в среднем принесут игроки за свою жизнь в игре. У нас есть возможность детально настраивать не только то, что показывать в рекламе, но и кому именно показывать рекламу с нашей игрой: жителям каких регионов, какого пола, какого возраста, с какими интересами. Даже если мы обратимся за рекламой к какому-то блогеру, изданию или даже телеканалу, мы будем иметь примерное представление о том, кто именно является их аудиторией.

И с этой информацией уже можно работать. Мы можем сравнить, как именно проходят игру игроки не только разного пола и возраста, но и живущие в разных регионах, играющие на разных устройствах. А дальше остается только выделить из общего LTV значения, относящиеся к конкретной рекламной кампании и конкретной аудитории. CPI этой группы может быть больше среднего для игры LTV, но собственный LTV может оказаться еще выше, позволяя продолжать покупать рекламу с этими характеристиками.

* * *

Возможные причины любой проблемы – это гипотезы, которые нам нужно проверить. В простейшем случае для проверки гипотезы необходимо что-то изменить в исследуемом элементе игры и посмотреть, изменятся ли связанные с этим элементом показатели. Например, если мы перепишем текст квеста или изменим саму задачу, которую необходимо выполнить для его завершения. Причем это будут два разных эксперимента, каждый из которых необходимо проверять по отдельности, так как оба эти изменения будут влиять на прохождение игры игроком. А нам нужно знать точно, что именно и какое влияние оказывает на игрока.

Для проведения экспериментов используется механика А – В тестов, которая требует случайным образом разделять приходящих игроков на две и более (если мы проверяем одновременно несколько гипотез) группы. Мы предполагаем,