После того как вы немного разобрались в основах, рассмотрим более подробно, в чем заключается польза прогнозирования для разработчиков игр. Прогнозирование может стать для вас своего рода хрустальным шаром, но только в том случае, если вы располагаете правильной информацией. Поэтому первое, что вам нужно сделать, – это начать собирать данные, очень много данных. Если у вас нет возможности выгружать данные из игры, дела не будет.
Данный материал – вторая часть серии статей, в которых идет речь о прогнозировании и использовании предсказывающих метрик в игровой индустрии. Если вы не читали предыдущую статью о прогнозировании, то лучше сначала ознакомьтесь с ней здесь, чтобы получить представление о прогнозной аналитике, моделировании и оценке достоверности.
Как только в вашем распоряжении оказываются релевантные данные, наступает очередь аналитики. Существует масса методик тщательного анализа данных, например аналитика на основании таких показателей, как ежедневное количество активных пользователей (DAU), средний доход от пользователя (ARPU) и средняя продолжительность сессии. Показатель ценности клиента (LTV) является наиболее подходящим для анализа игровых данных. В общих чертах он представляет собой сумму, которую пользователь, скорее всего, потратит, прежде чем забросит игру. Некоторые рассматривают расходы пользователя на текущий момент, но нас больше интересуют либо общие, либо будущие расходы.
Самое главное – понять, какие игроки являются наиболее ценными для вас. Все они разные: на каждого хардкорного игрока, чей LTV измеряется тысячами, приходится гораздо больше пользователей, не вложивших в игру ни гроша. А в ваших интересах как разработчика – стремиться удержать игроков с высоким показателем LTV.
Но вернемся к метрикам. LTV отлично подходит для того, чтобы получить общее представление о ситуации (если, конечно, вы располагаете достоверной формулой). Но в то же время это достаточно поверхностный способ оценки вашей аудитории и ее взаимодействия с игрой.
Если вы занимаетесь разработкой игр, то, скорее всего, сейчас неодобрительно качаете головой. Ведь пользователи играют не в замкнутом пространстве! Они взаимодействуют и общаются с другими игроками, у них есть кланы, гильдии, соцсети. Это же что-то значит?
Подобные данные чрезвычайно важны для прогноза и известны как социальная ценность. Как и LTV, социальная ценность также измеряется в долларах. Попробуйте представить, что внутри, например, Facebook есть тысячи социальных сетей, которые создают пользователи вокруг себя. Это их друзья и друзья друзей. Традиционная метрика LTV предполагает анализ каждого узла сети, чтобы установить, какие игроки являются для вас наиболее важными, в то время как социальная ценность определяется сетью целиком и взаимодействием внутри нее.
Допустим, у вас есть игрок (назовем его «игрок A»), который тратит в игре 5 долларов, и игрок B, который тратит доллар. Чья ценность выше? Традиционная метрика указала бы на игрока A. Но проведенный анализ выявляет, что на каждый доллар, потраченный игроком B, от игрока C приходит 3 доллара, еще 2 доллара – от игрока D, и еще 3 – от игрока E.
Сложите это всё – и вы взглянете на игрока B совершенно иначе.
Прогнозирование – это научная методика, однако не стоит недооценивать важность человеческого влияния. Социальная ценность как параметр учитывает этот фактор. Сложите показатели LTV и социальной ценности – и вы получите полную стоимость игрока. Этот параметр объединяет в себе лучшее из двух подходов. И именно он поможет понять, какие игроки являются наиболее важными для вас.
Стоит отметить, что самыми ценными игроками зачастую оказываются не те, о ком вы думаете в первую очередь. Пользователи, которые много тратят в игре и у которых высокий показатель LTV, как правило, не имеют влияния. А игроки, чья чистая стоимость определяется социальными связями и LTV, тратят немного, но оказывают значительное влияние на других игроков и таким образом запускают цепную реакцию. Это так называемые «киты» (Social Whales), и именно на них нужно ориентироваться как на целевую аудиторию.
Поэтому для разработчиков игр вопрос на миллион долларов (или даже больше, в зависимости от игры) звучит так: кто из игроков бросит играть, и как это предотвратить? Как вы наверняка догадались, ответить на этот вопрос поможет прогнозная аналитика.
Прогнозная модель не только выявляет, кто уже покинул игру, но также показывает, кто находится на грани ухода и какими убытками это грозит. Конечно, остановить всех пользователей вы не сможете. Здесь нам пригодится такой параметр, как коэффициент оттока пользователей. Расчет ожидаемой суммы убытка производится так: полная стоимость игрока умножается на степень вероятности его ухода из игры. Например, полная стоимость пользователя по имени Боб – 100 долларов, и мы на 65 % уверены в том, что он покинет игру. Если бы таких Бобов у нас была тысяча, мы бы могли утверждать, что со временем сумма убытка от ухода любого из них в среднем составит 65 долларов. Таким образом, мы приписываем нашему Бобу эту сумму и в целом оказываемся правы.
На основании этих данных уже можно делать выводы. Если риск того, что непримечательный пользователь уйдет из игры, приравнивается к среднему, его можно отпустить. Но что, если на грани ухода «кит»? В этом случае нужно серьезно пересмотреть стратегию удержания игроков, ведь с уходом «кита» вы лишитесь и всей его социальной сети. Вспомните об ожидаемой сумме убытка, который вы понесете, если это произойдет: в случае с тем же Бобом это будут 65 долларов.
Противоположностью оттока пользователей является конверсия – явление, когда ваши игроки начинают вкладывать деньги в игру и проект приносит прибыль. Просто мечта любого разработчика бесплатных игр. Основные аналитические программы могут выявить пользователей, которые начали совершать внутриигровые покупки, но прогнозная аналитика способна на большее, а именно предсказать, какие игроки начнут это делать и какой доход вам это принесет. Если правильно разработать систему, вы также сможете предугадать, какие игроки станут «китами» и на кого вам следует ориентироваться, чтобы привлечь других пользователей.
Всё изложенное выше ни в коем случае не является универсальным руководством по прогнозной аналитике, даже в рамках игровой индустрии. Со временем прогнозирование достигнет такого уровня, когда разработчики смогут предсказывать поведение игроков в аспекте виральности, монетизации и даже возмещения расходов на рекламу.
Итак, что же ждет индустрию игр? Об этом я расскажу в заключительной статье из этой серии.
Данный материал – вторая часть серии статей, в которых идет речь о прогнозировании и использовании предсказывающих метрик в игровой индустрии. Если вы не читали предыдущую статью о прогнозировании, то лучше сначала ознакомьтесь с ней здесь, чтобы получить представление о прогнозной аналитике, моделировании и оценке достоверности.
Как только в вашем распоряжении оказываются релевантные данные, наступает очередь аналитики. Существует масса методик тщательного анализа данных, например аналитика на основании таких показателей, как ежедневное количество активных пользователей (DAU), средний доход от пользователя (ARPU) и средняя продолжительность сессии. Показатель ценности клиента (LTV) является наиболее подходящим для анализа игровых данных. В общих чертах он представляет собой сумму, которую пользователь, скорее всего, потратит, прежде чем забросит игру. Некоторые рассматривают расходы пользователя на текущий момент, но нас больше интересуют либо общие, либо будущие расходы.
Самое главное – понять, какие игроки являются наиболее ценными для вас. Все они разные: на каждого хардкорного игрока, чей LTV измеряется тысячами, приходится гораздо больше пользователей, не вложивших в игру ни гроша. А в ваших интересах как разработчика – стремиться удержать игроков с высоким показателем LTV.
Но вернемся к метрикам. LTV отлично подходит для того, чтобы получить общее представление о ситуации (если, конечно, вы располагаете достоверной формулой). Но в то же время это достаточно поверхностный способ оценки вашей аудитории и ее взаимодействия с игрой.
Если вы занимаетесь разработкой игр, то, скорее всего, сейчас неодобрительно качаете головой. Ведь пользователи играют не в замкнутом пространстве! Они взаимодействуют и общаются с другими игроками, у них есть кланы, гильдии, соцсети. Это же что-то значит?
Подобные данные чрезвычайно важны для прогноза и известны как социальная ценность. Как и LTV, социальная ценность также измеряется в долларах. Попробуйте представить, что внутри, например, Facebook есть тысячи социальных сетей, которые создают пользователи вокруг себя. Это их друзья и друзья друзей. Традиционная метрика LTV предполагает анализ каждого узла сети, чтобы установить, какие игроки являются для вас наиболее важными, в то время как социальная ценность определяется сетью целиком и взаимодействием внутри нее.
Допустим, у вас есть игрок (назовем его «игрок A»), который тратит в игре 5 долларов, и игрок B, который тратит доллар. Чья ценность выше? Традиционная метрика указала бы на игрока A. Но проведенный анализ выявляет, что на каждый доллар, потраченный игроком B, от игрока C приходит 3 доллара, еще 2 доллара – от игрока D, и еще 3 – от игрока E.
Сложите это всё – и вы взглянете на игрока B совершенно иначе.
Прогнозирование – это научная методика, однако не стоит недооценивать важность человеческого влияния. Социальная ценность как параметр учитывает этот фактор. Сложите показатели LTV и социальной ценности – и вы получите полную стоимость игрока. Этот параметр объединяет в себе лучшее из двух подходов. И именно он поможет понять, какие игроки являются наиболее важными для вас.
Стоит отметить, что самыми ценными игроками зачастую оказываются не те, о ком вы думаете в первую очередь. Пользователи, которые много тратят в игре и у которых высокий показатель LTV, как правило, не имеют влияния. А игроки, чья чистая стоимость определяется социальными связями и LTV, тратят немного, но оказывают значительное влияние на других игроков и таким образом запускают цепную реакцию. Это так называемые «киты» (Social Whales), и именно на них нужно ориентироваться как на целевую аудиторию.
Поэтому для разработчиков игр вопрос на миллион долларов (или даже больше, в зависимости от игры) звучит так: кто из игроков бросит играть, и как это предотвратить? Как вы наверняка догадались, ответить на этот вопрос поможет прогнозная аналитика.
Прогнозная модель не только выявляет, кто уже покинул игру, но также показывает, кто находится на грани ухода и какими убытками это грозит. Конечно, остановить всех пользователей вы не сможете. Здесь нам пригодится такой параметр, как коэффициент оттока пользователей. Расчет ожидаемой суммы убытка производится так: полная стоимость игрока умножается на степень вероятности его ухода из игры. Например, полная стоимость пользователя по имени Боб – 100 долларов, и мы на 65 % уверены в том, что он покинет игру. Если бы таких Бобов у нас была тысяча, мы бы могли утверждать, что со временем сумма убытка от ухода любого из них в среднем составит 65 долларов. Таким образом, мы приписываем нашему Бобу эту сумму и в целом оказываемся правы.
На основании этих данных уже можно делать выводы. Если риск того, что непримечательный пользователь уйдет из игры, приравнивается к среднему, его можно отпустить. Но что, если на грани ухода «кит»? В этом случае нужно серьезно пересмотреть стратегию удержания игроков, ведь с уходом «кита» вы лишитесь и всей его социальной сети. Вспомните об ожидаемой сумме убытка, который вы понесете, если это произойдет: в случае с тем же Бобом это будут 65 долларов.
Противоположностью оттока пользователей является конверсия – явление, когда ваши игроки начинают вкладывать деньги в игру и проект приносит прибыль. Просто мечта любого разработчика бесплатных игр. Основные аналитические программы могут выявить пользователей, которые начали совершать внутриигровые покупки, но прогнозная аналитика способна на большее, а именно предсказать, какие игроки начнут это делать и какой доход вам это принесет. Если правильно разработать систему, вы также сможете предугадать, какие игроки станут «китами» и на кого вам следует ориентироваться, чтобы привлечь других пользователей.
Всё изложенное выше ни в коем случае не является универсальным руководством по прогнозной аналитике, даже в рамках игровой индустрии. Со временем прогнозирование достигнет такого уровня, когда разработчики смогут предсказывать поведение игроков в аспекте виральности, монетизации и даже возмещения расходов на рекламу.
Итак, что же ждет индустрию игр? Об этом я расскажу в заключительной статье из этой серии.
