如何发现并解决游戏经济中的问题

如何正确分析自己的项目，在寻找问题时应该采取什么样的行动算法，—— devtodev 首席分析师瓦西里·萨比罗夫为您解答。

最初，这篇材料以报告的形式在此处阅读——包括在 2017年圣彼得堡白夜会议上。基于此，萨比罗夫撰写了文章。

瓦西里·萨比罗夫

项目的分析可以比作医生对一个人的检查。诊断算法大致相同。

首先，您需要测量基本指标。
如果这些指标足够让您做出决定——是治疗还是不治疗（如果需要治疗，则如何治疗），那么诊断算法到此为止。
如果不够，则需要更详细的研究。

在这两种情况下，都不应该自行治疗。对于游戏项目，医生的角色相当于制作人、分析师和游戏设计师。而且很可能在咨询了“治疗师”后，您需要去找更专业的专家（比如关卡设计师）。

在本文中，我们将详细介绍从初步诊断到深入研究的游戏分析算法。

这个算法是在五个假定层次上逐步评估项目的。

第一层次：规模指标

医生首先做什么？他观察患者，评估其身高、体重、体型。项目的规模指标就像是这种基本检查。那么，这些指标是什么呢？它们是项目的基本指标：

收入，
受众（DAU, WAU, MAU），
新用户，
峰值在线人数。

通常，这些指标足以比较几个项目之间的规模，以简单地了解项目的规模以及其动态变化。

这些指标将是您提交给投资者的报告中的重要内容，因为他们最关心的就是项目产生了多少收入。

对于许多项目来说，所有的分析都归结为这些指标。然而，实践表明，这些指标是不够的，需要更深入的分析。可能会出现这样一种情况，收入和受众都在增长，但随后发生了一些转折，指标进入平台期，然后开始逐渐下降。仅凭这些指标，您无法理解原因。

第二层次：项目质量指标

当我们通过规模指标了解情况后，就要进入项目质量指标的研究。

质量指标与规模指标的区别非常明显：它们不是以用户和假定单位来测量，而是以百分比和每个用户的假定单位来测量。

这些指标包括：

留存率（第1天留存率、第7天留存率、第28天留存率等）——在进入项目 N 天后仍然活跃的用户比例；
滚动留存率——在进入项目 N 天或更久后仍然活跃的用户比例；
流失率（用户流失）——离开项目的用户比例；
生命周期——用户在项目中的平均逗留时间；
黏性系数 = DAU / MAU；表示项目的“黏性”，反映用户进入的规律性；
ARPU，每用户平均收入 = 收入 / DAU（或 MAU，取决于您计算的周期）——表示每个活跃用户在该周期内平均带来的收入；
ARPPU，每付费用户平均收入 = 收入 / 付费用户；表示在该周期内（考虑到重复付款）每个付费用户带来的收入；
付费比例——在活跃用户中付费用户的比例；
LTV，生命周期价值——在项目中每个用户在其逗留期间平均带来的收入。

通过这些指标无法得知项目的规模，但可以说明项目运行得有多好。如果您迟早要做出选择，要首先提高哪些指标，无论是质量指标还是数量指标，那么请从质量指标开始。运作良好的项目将更容易获取自己的受众。

正是这些指标可以告诉您项目中存在什么问题（或者至少暗示您去哪里寻找问题）。

案例 1

以一个例子来说明：您的收入开始下降。那有什么问题呢？

一个工具叫做指标图谱将会帮助您。下面您可以找到一个简化且相当通用的图谱。在实际操作中，我建议将所有现有的指标合并到这样的图谱中，并在这些指标之间放置箭头，标明指标间的因果关系。

那么，收入下降了。该怎么办呢？

收入是数量与质量的乘积，即受众与 ARPU。检查与您的收入下降有关的指标中哪一个在下降。假设受众稳定，但 ARPU确实开始向下移动。我们继续分析。ARPU 反过来是付费比例（paying share）与付费收入之间的乘积——寻找这两个指标中的原因。假设付费比例稳定，而下降是由于 ARPPU 降低造成的。那么，我们已将收入下降的原因定位到一个指标上。

ARPPU 降低可能有什么原因呢？有可能是价格调整导致：您预计降价会增加付费份额，但实际上只影响了那些以前就支付的用户，支付金额减少了。或者您进行了不合格的促销活动，而用户（以前就是付费用户）只是对此进行了利用。或者，付费用户的构成发生变化，现在主要是新玩家在付费。

这里可能会有多种假设，为了更详细地理解这个问题，我们需要进一步深入研究。

第三层次：事件与漏斗

我们再向下一个阶段推进。在第三层次，我们研究游戏中过程的有效性。

我说的是转化率，即执行特定操作的用户比例（例如，看过商店中的游戏并最终购买的 / 注册并完成教学的 / 完成第一次付款的 / 从步骤 A 到步骤 B 的用户）。

对您项目内转化率的详细研究是更好理解用户行为的步骤，因此也意味着后续对项目的优化。

假设您看到通过 Facebook 注册的用户未能完成教学——这便是个检查是否存在技术错误的时机（我们曾有过这样的案例，正好那款游戏崩溃了，结果也很明显！）。或者，如果比较在商店中打开虚拟商品与购买的转化率，可以识别出哪些商品的描述需要改善。

为了良好地计算转化率，您需要在集成分析系统时清晰且正确地设置所传递的事件。

许多人仅限于两个事件：登录和付款。这样足够计算出第一和第二层级的所有指标，但对于用户旅程的更详细研究则不够。因此，我们始终建议还要传递其他重要事件（自定义事件），以便构建事件漏斗，发现用户从一步到下一步转化过程中的瓶颈，从而深入研究用户的转化率。

以下是来自devtodev的一些建议：

1) 识别关键事件。您希望用户做什么？显然是完成购买。还有什么呢？点击“分享给朋友”按钮、完成教学、在第 5 级激活，可能有很多不同的选项。

2) 在关键事件发生之前考虑事件顺序。例如，用户要完成购买，需要打开商店、选择所需商品、阅读描述、点击“购买”按钮、确认购买。所有这些构成关键事件“邻域”的事件也最好传递。这样您能建立漏斗，找出用户在何步骤未执行您希望他们做的事情。

3) 您可以提前考虑将构建哪些漏斗，哪些稳定的步骤顺序是您的用户执行的。这有助于添加一些用于跟踪的事件。

4) 完善事件参数。您希望在未来的漏斗中考虑已完成事件的哪些信息？如果用户杀死了一个 Boss，追踪一下所花的时间和步数，以及消耗的资源可能会很有帮助。

5) 区分用户参数和事件参数。用户参数包括安装日期、国家、设备、语言等；事件参数则是用户执行的特定事件的属性。通常，分析系统对事件所传递的参数数量有一定限制，因此在这些参数中传递事件的属性是有意义的。而用户的属性系统则应单独考虑（至少在 devtodev 中就是这样运作的）。

6) 特别关注教学。第一次会话非常重要，不仅仅是在游戏中。处理教学的一大特点是，变更通常成本较低（比如，简单地更改提示上的文字），但影响可能很大（第1天留存率可能会大幅提高）。我们建议在教学中尽可能详细地传递事件。在 devtodev 中，您可以在教学漏斗中传递最多 120 个事件，我们的客户就利用了这一点。

第四层次：游戏结构

分析的下一个阶段是审视其结构。

每款游戏都是独特的（不包括克隆），要找到两款结构完全相同的游戏并不容易。尽管如此，通过分析大量游戏的结构，可以发现一些共性。

特别是，在 devtodev 中我们确定了两个在游戏中非常常见的实体：

玩家等级。玩家获得经验，升级，变得更加熟练，从而提高他们的等级（据说一些精灵能到达第八十级！）。从第一级之后总是有第二级，通关某一等级通常与另一项数值相关（通常是经验）。
游戏场景。这里指的是游戏中的某一层级，而不是玩家的等级。我们说的是游戏中玩家所在的某个“地理”点。玩家可以通过或不通过该场景，也可以在其中卡住。在场景 N 之后并不一定遵循 N+1——场景之间的顺序并不一定是线性的。

我们建议在对游戏进行详细分析时使用等级和场景的切片。这样，您可以看到玩家在等级/场景中的分布，测量在这些切片中的流失情况。

此外，devtodev 还可以追踪每个数值参数在尝试、成功或不成功中的变化（这些可以是步数、生命值、增益、任何东西）。

我们举一个案例。在某款游戏中，我们发现玩家在第 7 级被卡住，不但没有流失，还继续游戏，但未能晋级到第 8 级。

结果发现，玩家只是害怕升到第 8 级。在这款游戏中，前 7 级是初学者，而从第 8 级开始则是相对“专业”的。也就是说，玩家只希望自己是新手中的佼佼者（享受游戏），而不愿做新手中的倒数。这样的游戏难度骤然提升——是游戏设计的错误，尤其是匹配系统，游戏设计师们不得不对此进行修正。

第五层次：游戏经济

分析的最后阶段是研究项目的经济如何运作。

玩家在游戏过程中购买东西，无论是用真实货币还是虚拟货币。我建议至少追踪以下指标，按游戏等级和玩家等级分类：

玩家账户中货币的积累；
平均消费；
游戏中的平均收入；
平均购买的货币单位；
主要购买。

通过分析这些值，可以发现游戏经济中的不平衡（通常表现为指标的突然上涨或下降）。然后，您可以（并且必须！）通过更改购买参数（例如，调整宝箱的价格）以及通过促销（如果您看到等级 X 中积聚了大量货币，而玩家更愿意购买商品 Y，就给等级 X 的所有玩家对该商品打折）。

结论

因此，处理项目的算法应如下所示：首先查看项目的主要指标，然后处理质量指标，切换到事件和漏斗，研究游戏结构，最后再处理游戏经济。

重要的是要记住：分析没有单纯的意义，它是为了做出决策。我们认为所提出的算法，尽管非常简单，但允许深入分析游戏，找到其问题和增长点，做出正确的发展决策。

祝您的游戏成功！

附言

还有一个分析层次——按受众细分。

如果您不是对所有玩家一起得出结论，而是通过明确的细分进行分析，您将提高假设的数量和质量。结果，您的决策变得更加精准和经过验证。下面是一些我们认为合适的用户细分示例：

付费用户与非付费用户。实际上，在游戏中这是两个不同的世界。您的任务是尽可能多地将用户从非付费转变为付费。为此，您需要详细了解他们的行为：他们面临哪些问题，为什么会离开，什么刺激他们改变类别。
付费与非付费，偶尔玩与常玩。这样我们就已经有了四个细分，可以单独影响它们。
RFM 分析——仅针对付费用户。通过支付频率、支付金额和最近付款的时间，您可以细分不同的付费用户。例如，可以细分出只支付了一次的玩家，并将他们分为很久之前支付（可能不会再支付）与最近支付（需要鼓励他们进行第二次支付）。另一个通过 RFM 分析获得的细分示例是即将流失的鲸鱼：那些曾经支付很多且频繁的用户，但最近没有支付。我们需要找出原因，竭尽全力将他们拉回游戏——这些正是养活您的用户。
巴特尔分类。将玩家划分为成就者、杀手、社交者、探索者。对此已有很多文献，我们仅推荐这篇文章，其中很好地描述了如何识别这些玩家以及该如何与他们互动。

这远不是所有可能的细分方法。您可以根据国家、语言、设备、已完成/未完成的事件、流量来源进行细分——这一切都仅限于您的想象力和常识。

原文出现在 Apptractor 的页面上。