В прошлом наша студия потратила много времени, пытаясь настроить сложность этапов в наших играх, не зная, как это на самом деле повлияло на наших игроков. Поэтому мы решили что-то с этим сделать не только для себя, но и для всех студий и издателей мобильных игр.

👉 В этой статье мы объясняем, как наука о данных и машинное обучение нарушают ключевой процесс игрового дизайна — настройку сложности — и как игровые компании, которые используют эту новую парадигму, получат несправедливое преимущество в удержании игроков и монетизации. .

Удержание игроков — ключ к монетизации мобильных игр

В мире мобильных игр, особенно на рынке казуальных и гиперказуальных игр, все экономические модели — фримиум с IAP, реклама, подписка и даже премиальные — основаны на удержании игроков. Вы знаете волшебную формулу: у вас должен быть CPI ‹ LTV.

Вам нужно снизить CPI и увеличить LTV. И чем больше игроков остаются в вашей игре, тем больше они могут смотреть рекламу, тем больше они склонны покупать IAP, тем дольше они остаются в подписке и тем больше ежемесячных доходов вы получаете от платформы подписки и даже для премиальных игр, если игроки дольше остаются в вашей игре, это значит, что им она нравится, они расскажут другим людям и купят вашу следующую игру!

🤨 «Но это не так просто, я знаю!»

Удержание игроков остается большой проблемой в мобильных играх

На последнем мероприятии Pocket Gamers Connect в Лондоне (январь 2020 г.) во время гиперказуального трека несколько докладчиков объяснили, что у них есть множество инструментов и специалистов, которые помогают им привлекать игроков, но удержание остается большой проблемой.

Согласно GameAnalytics (H1–2019-Mobile-Gaming-Benchmarks), вы должны ориентироваться не менее чем на 35 % на удержание в первый день (50 % для гиперказуальных игр), 11 % на 7-й день и 4 % на 28-й день. считается хорошим….. Почти 90% из всех игроков, которых трудно заполучить, перестанут играть через 7 дней?

🤨 «Почему так сложно добиться хорошего удержания игроков?»

Настройка сложности — ключ к удержанию игроков

Большинство геймдизайнеров знакомы с концепцией «Когнитивного потока»: каждая игра имеет определенный уровень сложности, и каждый игрок будет реагировать на сложность в зависимости от своих способностей, а также в соответствии с тем, как он себя чувствует, любит игру и получает от нее удовольствие.

Игроки уходят (окончательно перестают играть в игру без возврата) по двум основным причинам: разочарование (они слишком много раз разочаровывались и больше не хотят играть) или скука (им слишком много раз было скучно, и больше не хочется играть).

В казуальных и гиперказуальных играх прогресс сложности может быть довольно плоским (уровень 1200 в Candy Crush не сложнее, чем уровень 20!-). Поэтому студии помещают некоторые «болевые точки» на определенные этапы… не зная, действительно ли они находятся в нужных местах для игроков… которые все разные!

🤨 «Да, верно, но так сложно и утомительно настраивать сложность всех этапов!»

Первая проблема: студии завязывают глаза при настройке сложности игры!

Тестирование сложности всех этапов игры может занять очень много времени. И вы полагаетесь на отзывы вашей команды, некоторых тестировщиков… Они представляют ваших настоящих игроков?

Затем вы добавляете в игру аналитический инструмент, настраиваете события перед каждым этапом, настраиваете воронку этапов на веб-портале Analytics… и вы видите, что теряете много игроков после 10 уровня… и что? Это потому что это слишком сложно? Слишком легко ?

Вы меняете скорость противника, добавляете еще 5 ходов в стадию Match3, это должно быть проще для игроков… но так ли это на самом деле?

И, что более важно, как вы узнаете, что для каждого этапа вашей игры у вас есть сложность, оптимальная для вашей общей аудитории игроков?

🤨 "Итак, как мне найти для каждого этапа оптимальную сложность для всей аудитории игроков?"

Решение: анализ сложности на основе данных!

Если вы получаете данные об игроках, начинающих этап, о том, как они его заканчивают (выигрывают, проигрывают, выходят...), вы можете получить очень важную информацию о том, как ваши реальные игроки ведут себя в вашей игре и как они реагируют на изменения сложности при настройке. ваша игра. Вы можете использовать статистические инструменты (например, регрессию Гаусса) для настройки всех ваших этапов.

Анализ данных и принятие решений могут выполняться вручную либо разработчиками, либо кем-то, кто обучен получать максимальную информацию из данных — аналитиком или специалистом по данным. Однако выполнение этого вручную может занять много времени, которого у студий нет.

Вот почему мы разработали askblu.ai, чтобы предоставить эту важную функцию всем студиям и издателям мобильных игр без вложений (полное решение SaaS).

🤨 «Теперь мои этапы имеют оптимальный для моей аудитории уровень сложности…. и все?"

Вторая проблема: игроки очень разнообразны в казуальных играх.

Мы знаем, что удержание сильно зависит от настройки сложности; расстроенный игрок будет сбиваться (слишком сложно), скучающий игрок тоже сбивается (слишком легко).

Но игроки в казуальные и гиперказуальные игры очень разные!

Если ваша игра обеспечивает одинаковую сложность этапа для всех игроков, вы потеряете игроков, которые могли бы остаться в вашей игре, если бы вы заметили, что они разочаровались (упростите) или заскучали (усложните).

Поэтому динамическая настройка сложности игры становится неизбежной необходимостью для гейм-дизайнеров и разработчиков. Предполагаемая цель состоит в том, чтобы предоставить игрокам максимально комфортные условия, избегая разочарования, если игра становится слишком сложной или скучной, если в игре нет реальных проблем.

🤨 "Я пытаюсь динамически менять сложность своих игр... разве это не хорошая идея?"

Динамический тюнинг - это не персонализация игрока!

В течение последнего десятилетия игровые студии пытались динамически настраивать сложность, используя в основном произвольные правила, жестко запрограммированные в игре. Такие простые правила, как «этап должен быть проще, если игрок только что проиграл три раза», например, имеют то преимущество, что они легко читаемы и имеют простой дизайн. Однако существенным недостатком является отсутствие отзывов о преимуществах такого правила:
- Является ли правило оптимальным? для всех игроков ?
- Каково реальное влияние на восприятие игрока?
- Действительно ли это влияет на опыт игрока и, следовательно, на удержание?
- и т. д.

Но что еще более важно: вы на самом деле не персонализируете, потому что правило одинаково для всех игроков.

Почему провалились три уровня, а не четыре или два? Некоторые игроки могут предпочесть попробовать более 3 раз, а некоторые другие игроки не захотят проиграть 3 раза подряд…

🤨 «Так давайте отбросим эти «внутриигровые» правила…. каково же тогда решение для настоящей динамической настройки?»

Решение: персонализация игроков в реальном времени с помощью машинного обучения

Анализ данных и динамический выбор наилучшего варианта можно автоматизировать с помощью машинного обучения, статистики, процессов автоматизации и облачных вычислений. Это также позволяет нам учитывать более сложную информацию, платой за которую является удобочитаемость принятых решений, для чего требуется больше знаний.

Деревья решений, логистическая регрессия, кластеризация, нейронные сети и статистика — это распространенные инструменты, которые можно использовать для такой автоматизации, где определение критериев, максимизирующих показатель качества — например, удержание игроков — выполняется автоматически, без необходимости копать самостоятельно. через данные.

Наша платформа askblu.ai предоставляет возможность персонализации игроков в режиме реального времени всем студиям и издателям мобильных игр без предварительных вложений. Каждая игра имеет свою собственную модель машинного обучения, потому что каждая игра уникальна (как люди в нее играют, когда, как долго…).

😊 «Спасибо, это именно то, что мне нужно, хочу попробовать прямо сейчас!»

Вывод: смена парадигмы настройки сложности игры.

Проблема удержания игроков может быть радикально уменьшена путем изменения парадигмы в процессе настройки сложности игры. Вместо того, чтобы настраивать игру вслепую и пытаться запрограммировать некоторые «экспертные» правила, разработчики игр получат значительно лучшие результаты, используя подход, основанный на данных.

Снова возьмем пример обнаружения фрустрации и исправления опыта, вместо того, чтобы рассматривать возможность облегчения этапа после трех поражений, метод, управляемый данными, позволит вам обнаружить, что некоторые игроки имеют тенденцию уходить после того, как проиграли только два уровня, некоторые другие игроки останутся независимо от результата, и другие игроки, как правило, уходят, когда получают более легкую версию уровня после того, как несколько раз проигрывали один и тот же уровень.

Это иллюстрирует изменчивость игроков, требующих персонализированного опыта, который не может быть обработан или, в лучшем случае, несовершенно, с помощью произвольных правил, но с помощью алгоритмов машинного обучения, которые учатся на поведении ваших реальных игроков.

Хотите попробовать? Зарегистрируйте свою студию на странице https//askblu.ai или запросите демонстрацию Visio.