Data Analytics بازی (اطلاعات ضروری از بازی و نحوه دریافت آن ها)
برای دریافت تک به تک بازخوردهای کاربران از صفحات بازی، گیم پلی، فروشگاه، تعاملات و هر جزئی از بازی نیاز به دریافت دیتاها و اطلاعاتی آماری می باشد.
این مقاله را می توان بخش دوم مقاله ی «آنالیز بازی و معرفی بهترین ابزار آنالیزی بازی» در نظر گرفت؛ در آن مقاله ما به برخی از مهم ترین اطلاعات آماری که از بازی باید دریافت کرد، پرداختیم و سپس به معرفی مهم ترین ابزار آنالیزی بازی یعنی game analytics پرداختیم.
در این مقاله قصد داریم به صورت عمیق تری وارد مبحث دیتاهای مورد نیاز از بازی شویم و همچنین راه های آنالیز و دریافت آن ها را نیز مورد بررسی قرار دهیم که چگونه می تواند بر بازی، درآمد و رضایت کاربران آن تاثیر گذار باشد.
با ما همراه باشید.
اهمیت دریافت دیتاها از بازی
تجزیه و تحلیل داده ها به بخشی جدایی ناپذیر از صنعت توسعه بازی های ویدیویی تبدیل شده است؛ که جنبه های متعددی از توسعه و بازاریابی بازی را هدایت می کند.
این به توسعه دهندگان کمک می کند تا رفتار بازیکن را درک کنند، طراحی بازی را بهینه کنند و تعامل بازیکن را افزایش دهند.
با تجزیه و تحلیل داده های بازی، استودیو ها می توانند بینشی در مورد نحوه تعامل بازیکنان با بازی های خود به دست آورند.
این تجزیه و تحلیل به درک رفتارها، ترجیحات و الگوهای بازیکن در محیط بازی کمک می کند.
از چنین بینش هایی می توان برای بهبود جنبه های مختلف بازی استفاده کرد؛ که شامل مکانیک بازی، متعادل کردن سطوح دشواری، و ایجاد تجربیات شخصی متناسب با ترجیحات و سبک های مختلف بازیکن می شود.
روش های دریافت داده ها از بازیکنان
روش جمع آوری داده ها اغلب شامل ردیابی رفتار بازیکن در بازی است.
مانند زمان بازی، خریدهای درون بازی، پیشرفت لول و تعامل با عناصر بازی.
در این فرآیند از ابزارها و نرم افزارهای مختلفی استفاده می شود.
به عنوان مثال، پلتفرم های تجزیه و تحلیل بازی مانند Unity Analytics، GameAnalytics و deltaDNA راه حل های جامعی برای جمع آوری و تجزیه و تحلیل داده ها ارائه می دهند.
این ابزارها ویژگی هایی را برای ردیابی رفتار بازیکن و دریافت اطلاعات آماری مورد نیاز از بازی انجام خواهند داد.
استخراج و فیلتر کردن داده ها با استفاده از فریمورک های پردازش داده و زبان هایی مانند Hadoop، SQL و Python انجام می شود.
این ابزارها به مدیریت حجم زیادی از داده ها و استخراج اطلاعات مرتبط کمک می کنند.
با این حال، استفاده از دیتا ساینتیست در صنعت بازی نیز چالش های خاصی را به همراه دارد.
اینها شامل اطمینان از حریم خصوصی داده ها، مدیریت حجم زیادی از داده ها و تصمیم گیری در زمان واقعی بر اساس داده ها است.
فرایند تحلیل داده ها در بازی
طبق توضیحاتی که در بالا داده شد؛ داده هایی که از بازی دریافت می شود؛ باید تحلیل شود و این تحلیل وظیفه ی یک تحلیل گر بازی می باشد.(البته برای بازی های بزرگ که شامل اطلاعات آماری گسترده ای هستند)
جمع آوری داده ها
یک تحلیلگر داده بازی، سیستم های ردیابی داده ها را برای جمع آوری طیف گسترده ای از داده ها از بازی ها تنظیم و مدیریت می کند.
این می تواند شامل رفتار بازیکن، خریدهای درون بازی، پیشرفت لول و موارد دیگر باشد.
آنها اطمینان حاصل می کنند که داده های جمع آوری شده دقیق و مناسب برای تجزیه و تحلیل هستند.
پردازش داده ها
آنها داده های جمع آوری شده را پیش پردازش می کنند تا برای تجزیه و تحلیل مناسب شوند.
این می تواند شامل پاک کردن داده ها، رسیدگی به مقادیر از دست رفته و تبدیل داده ها به قالبی باشد که به راحتی قابل تجزیه و تحلیل باشد.
تجزیه و تحلیل داده ها
برای تجزیه و تحلیل داده های جمع آوری شده از ابزارها و تکنیک های مختلف آماری استفاده می کنند.
این شامل استفاده از آزمون های آماری، ساخت مدل های پیش بینی و استفاده از الگوریتم های یادگیری ماشین برای به دست آوردن بینش در مورد رفتار بازیکن و عملکرد بازی است.
تجسم داده ها
آنها نمایش های بصری داده ها را ایجاد می کنند تا نتایج تجزیه و تحلیل خود را برای دیگران قابل درک کنند.
این می تواند شامل ایجاد نمودارها و داشبوردهایی باشد که یافته های کلیدی داده ها را برجسته می کند.
گزارش گیری
گزارش های مفصلی از یافته های خود تهیه کرده و به تیم سازنده بازی ارائه می کنند.
این گزارش ها فرآیندهای تصمیم گیری در طراحی بازی و استراتژی های بازاریابی را هدایت می کند.
همکاری
اصلاح و همکاری آخرین مرحله ای است که در نهایت بعد از تحلیل داده ها نوبت به پیاده سازی نتایج آن ها می شود که این دقیقا شامل تغییراتی است که بازی نیاز دارد.
اعمال تغییرات باید به چه شکلی باشد ؟
سوالی که اینجا مطرح است این می باشد که اعمال تغییرات پس از تحلیل داده ها باید به چه شکلی در بازی انجام شود.
تأخیر کم
تیم ها باید بتوانند داده ها را در عرض چند دقیقه یا چند ثانیه پس از ارسال، تجزیه و تحلیل کنند.
مقیاس پذیری
همانطور که بازی شما بزرگ می شود، پایپ لاین داده باید بتواند به میلیاردها یا حتی تریلیون ها نقطه داده مقیاس شود.
پرس و جو تعاملی
برای کاربران شما باید آسان باشد که بدون درکی از طرح یا معماری پایگاه داده شما، تحلیل ها را بلافاصله اجرا کنند.
نسخه سازی
باید بتوانید تغییراتی را بدون خطر از دست دادن داده ها ایجاد کنید.
آزمایش
باید بتوانید روی رویدادهایی که به پایگاه داده شما ختم نمیشوند، آزمایشهایی انجام دهید.
چه KPIهایی را باید اندازه بگیرید ؟
KPIهای کسب درآمد
مهم تر از پول مگر می توان پیدا کرد، بنابراین بیایید با KPI های کسب درآمد شروع کنیم که باید با آنها آشنا باشید.
ARPU (میانگین درآمد هر کاربر)
فرمول
ARPU = درآمد کل / تعداد کل کاربران
ARPU یک نمای کلی ساده و سطح بالا ارائه می دهد که به عنوان نقطه شروعی از سودآوری بازی شما عمل می کند.
ARPPU (درآمد متوسط به ازای هر کاربر پرداخت کننده)
ARPPU میانگین درآمد ایجاد شده توسط هر کاربری را که در یک بازه زمانی (معمولاً یک ماه) خرید درون برنامه ای یا ریزتراکنش انجام داده است، اندازه گیری می کند.
فرمول
ARPPU = کل درآمد / تعداد کل کاربران پرداخت کننده
ARPPU اثربخشی استراتژی کسب درآمد بازی شما را با تقسیم گیمرهایی که معمولاً در یک بازی هزینه نمیکنند، اندازهگیری میکند.
ARPPU بالاتر می تواند نشان دهنده یک بازی بسیار سودآورتر در مقایسه با جایگزین باشد.
ARPDAU (درآمد متوسط به ازای هر کاربر فعال روزانه)
ARPDAU میانگین درآمد تولید شده توسط هر کاربر فعال روزانه را در یک دوره زمانی مشخص اندازه گیری می کند.
معمولاً به صورت روزانه اندازهگیری میشود تا بفهمیم هر بازیکن چقدر درآمد روزانه ایجاد میکند.
فرمول
ARPDAU = درآمد کل / تعداد کاربران فعال روزانه
ARPDAU هنگام بررسی عملکرد روزانه که ممکن است تحت تأثیر تغییرات کوتاه مدت، تبلیغات درون بازی یا کمپین های تبلیغاتی قرار گیرد، بسیار مؤثر است، که همه اینها می توانند بر درآمد بازیکن تأثیر بگذارند.
LTV: Lifetime value
LTV درآمدی را که انتظار می رود بازیکن در تمام طول عمر خود در بازی با بازی کسب کند را اندازه گیری می کند.
فرمول
ARPU x Average lifespan of a player
LTV به توسعه دهندگان، ناشران و تبلیغ کنندگان بازی کمک می کند تا به ارزش بلندمدت جذب بازیکنان جدید و حفظ بازیکنان موجود فکر کنند.
زمانی که LTV از هزینه خرید یک بازیکن جدید بیشتر باشد (که به عنوان هزینه جذب مشتری یا CAC نیز شناخته می شود)، بازی در راه است تا در دراز مدت سودآور باشد.
ATV: میانگین ارزش تراکنش
ATV میانگین مبلغی را که یک بازیکن برای هر تراکنش در یک بازه زمانی خرج می کند اندازه گیری می کند.
فرمول
ATV = درآمد کل / تعداد تراکنش ها
ATV میتواند نشاندهنده ارزش خریدهای درون بازی یا اینکه بازیکنان چگونه هزینههای درون بازی را توجیه میکنند، باشد.
یک ATV پایین میتواند با نرخهای نگهداری پایینتر ارتباط داشته باشد و همچنین به نحوه قرارگیری بازی در برابر رقبای خود اشاره کند.
KPIهای تعامل
در مرحله بعد، بیایید KPIهای تعامل یا دادههایی را که رفتار بازیکن را اندازهگیری میکنند، پوشش دهیم.
DAU: کاربران فعال روزانه
DAU تعداد بازیکنان منحصر به فردی را که روزانه با یک بازی درگیر می شوند اندازه گیری می کند.
فرمول
DAU = تعداد کاربران منحصر به فرد / روز
زمانی که در بازههای زمانی طولانیتری اندازهگیری شود، مؤثرتر است.
برای بازیهای چند نفره، DAU برای اطمینان از وجود یک پایگاه بازیکن پر جنب و جوش برای ایجاد تعامل بازیکن به بازیکن و تشویق یک محیط رقابتی بسیار مهم است.
نرخ دیگری تحت عنوان MAU نیز وجود دارد که تعداد کاربران فعال ماهیانه را اندازه گیری می کند.
Stickiness
این نشان میدهد که بازی شما چقدر بازیکنان را حفظ میکند و باعث میشود در طول زمان دوباره به بازیتان برگردند.
فرمول
Stickiness = کاربران فعال روزانه / کاربران فعال ماهانه
Stickiness را می توان با تجزیه و تحلیل تعداد زیادی از معیارها، از جمله DAU، MAU، WAU (کاربران فعال هفتگی)، Retention rate، طول سشن، ریزش و دفعات سشن ها اندازه گیری کرد.
با این حال، ساده ترین راه برای اندازه گیری آن، تقسیم DAU بر MAU است، که نسبت بازیکنانی را که در یک ماه معین به بازی شما بازگشته اند نشان می دهد.
Retention rate
این نسبت بازیکنانی را که بازی شما را در یک بازه زمانی خاص بدون ترک بازی انجام میدهند اندازهگیری میکند.
اغلب به صورت درصد نشان داده می شود.
فرمول
Retention rate = تعداد بازیکنان فعال / تعداد کل بازیکنان فعال در ابتدای دوره زمانی
به طور خلاصه، Retention rate، یک معیار سطح بالا است که نشان می دهد چند بازیکن به طور مداوم یک بازی را انجام می دهند.
در مقایسه، sticknes مشخصتر است و نشان میدهد که گیمرها چگونه در یک بازه زمانی با یک بازی درگیر میشوند.
Churn rate (نرخ ریزش)
این درصد بازیکنانی را که در یک بازه زمانی خاص بازی را متوقف میکنند اندازهگیری میکند.
فرمول
نرخ ریزش = Number of players who left / Monthly users x 100
نرخ ریزش مخالف نرخ ریتنشن است و میزان سرعت در حال از دست دادن بازیکنان را اندازه گیری می کند.
نرخ ریزش بالا ممکن است به پیچیدگی بازی، کمبود محتوای جدید، کارهای تکراری، تجربیات ضعیف بازی، رقبای جدید یا دوستانی که بازی را کنار گذاشته اند مرتبط باشد.
به طور کلی، نرخ ریزش اولین نشانگر پرچم قرمز است که استودیوهای بازی را ترغیب می کند تا اطلاعات خود را عمیق تر کنند و ببینند چه چیزی باعث نشت می شود.
Session length
این مقدار میانگین زمانی را که یک بازیکن در یک سشن بازی می گذراند اندازه گیری می کند.
فرمول
طول سشن = کل ساعت های بازی / دوره زمانی
این یک معیار ساده است که به نشان دادن جذابیت یک بازی کمک می کند، جایی که طول سشن های بالاتر می تواند نشان دهنده یک تجربه بازی سالم باشد.
KPI های درون بازی
شروع، شکست، تکمیل
Start شروع یک سطح یا ماموریت است.
Fail زمانی را نشان می دهد که یک بازیکن قادر به انجام موفقیت آمیز یک سطح یا ماموریت نیست.
Complete نشان می دهد بازیکنی که وظیفه، ماموریت یا لول را با موفقیت انجام می دهد.
اندازهگیری این سه معیار میتواند تشخیص دهد که چه سطوحی بسیار آسان و کدامها بیش از حد دشوار هستند، و به توسعهدهندگان اجازه میدهد تا سختی را به اندازه ست کنند، به خصوص در مواردی که بر حفظ آن تأثیر منفی میگذارد.
Sources and sinks
Sources and sinks دو جزء کلیدی اقتصاد درون بازی هستند.
منابع مکانیسم ها و فعالیت هایی هستند که بازیکنان می توانند ارز درون بازی تولید کنند.
این شامل تکمیل ماموریت ها، دستیابی به پاداش های روزانه، خریدهای درون برنامه ای و نقاط عطف است.
سینکها مکانیزمهای مصرفی هستند که به بازیکنان اجازه میدهند تا منابعی را که تولید میکنند خرج کنند.
این می تواند شامل خرید آیتم، پرداخت هزینه های درون بازی و ساختن باشد.
یک اقتصاد متعادل، که در آن منابع و سینکها دائماً تحت کنترل هستند، به ایجاد تجربیات معنادار و انگیزشی برای گیمرها کمک میکند.
فواید داده های دریافتی از بازی
در این بخش بررسی خواهیم کرد که فواید دریافت این داده ها چیست:
طراحی مکانیک بازی بهتر
تجزیه و تحلیل داده ها به توسعه دهندگان بازی کمک می کند تا بفهمند بازیکنان چگونه با مکانیک بازی تعامل دارند.
با تجزیه و تحلیل دادههای بازیکنان، توسعهدهندگان میتوانند زمینههای بهبود را شناسایی کرده و گیمپلی را متعادل کنند تا از یک تجربه بازی روان و لذتبخش اطمینان حاصل کنند.
ایجاد یک دنیای بازی همه جانبه
تجزیه و تحلیل داده ها برای ایجاد دنیای بازی واقعی تر و غوطه ورتر استفاده می شود.
با درک رفتار و ترجیحات بازیکن، توسعه دهندگان می توانند دنیای بازی را طراحی کنند که با بازیکنان طنین انداز شود و تجربه بازی آنها را افزایش دهد.
بهبود سختی بازی
تجزیه و تحلیل داده ها برای تنظیم سطح دشواری بازی استفاده می شود.
با تجزیه و تحلیل سطوح مهارت بازیکن و داده های پیشرفت، توسعه دهندگان می توانند تجربه چالش برانگیز و لذت بخشی را برای بازیکنان در تمام سطوح مهارت فراهم کنند.
تجربیات بازی شخصی
تجزیه و تحلیل داده ها برای شخصی سازی تجربیات بازی برای بازیکنان فردی استفاده می شود.
با تجزیه و تحلیل رفتار و ترجیحات بازیکن، توسعه دهندگان می توانند توصیه هایی را برای بازی ها و محتوا تنظیم کنند.
که یک تجربه بازی شخصی تر و جذاب تر را ارائه می دهد.
بهبود تبلیغات درون بازی
تجزیه و تحلیل داده ها برای قرار دادن تبلیغات درون بازی به گونه ای استفاده می شود که برای بازیکنان مرتبط باشد و تجربه بازی را مختل نکند.
با تجزیه و تحلیل رفتار و ترجیحات بازیکن، توسعه دهندگان می توانند اطمینان حاصل کنند که تبلیغات درون بازی هدفمند و موثر است.
بهینه سازی عملکرد بازی
تجزیه و تحلیل داده ها نقش مهمی در بهینه سازی عملکرد بازی ایفا می کند.
دریافت اطلاعاتی مانند کاهش تاخیر و بهبود فریم ریت.
این یک تجربه بازی روان و لذت بخش را برای بازیکنان تضمین می کند.
پیش بینی رفتار بازیکن
با تجزیه و تحلیل داده های بازیکن، توسعه دهندگان می توانند الگوهایی مانند نرخ ریزش و الگوهای خرید را پیش بینی کنند.
که به آنها اجازه می دهد تا به طور فعال به مشکلات رسیدگی کنند و تعامل بازیکنان را افزایش دهند.
مثالی از کاربرد تحلیل داده ها
اجازه دهید به عنوان مثال داستان King Digital Entertainment، سازندگان Candy Crush را مورد بررسی قرار دهیم.
کاربران به طور گسترده لول 65 را رها کردند، با دلایل نامعلوم.
با 725 لول در مجموع، برای Candy Crush Saga چنین تمایلی بسیار دردسرساز بود.
کینگ به تحلیلگران داده مراجعه کرد تا فاش کند که اکثر مردم به دلیل عنصر خاصی از بازی که به کاربران اجازه نمیداد از سطح 65 عبور کنند، آن را رها میکردند.
این عنصر حذف شد و حفظ کاربر دوباره حرکت کرد.
مهرسا امینی
برنامه نویس بک اند
چیزی که شما را نکشد، شما را قوی تر خواهد کرد.