用户类型与游戏设计定向之间的相互影响分析（下）.pdf

用户类型与游戏设计定向之间的相互影响分析（下） 一、游戏用户分析学的定义及作用 近年来，游戏分析学已经引发人们极大的关注。 研究玩家对游戏公司的商务、设计等各个部门都非常有帮助，应此要求，有 必要向游戏开发人员介绍这种分析技术。游戏分析学也因此逐渐成为行业的商业 QA 智能中的重要领域。通过遥测技术、市场调查、 系统、基准测试等各种来源 获得的定量数据成为商业智能管理、决策的重要参考。 将分析学引入开发过程时，有两个重要问题要考虑，一是追踪什么，二是如 何分析获得的数据。选择收集什么资料的过程叫作特征选择。特征选择是个困难 的任务，特别是当针对的是用户行为时。决定追踪什么用户 行为并没有唯一正确的答案或标准模型；相反地，我们要根据不同的目标选 择不同的策略；例如，改进用户体验或增加赢利。在本文中，我们将概述与游戏 玩家分析学有关的基本原理，其中特征选择是重点。首先，我们会概述可追踪的 用户数据的类型，然后介绍特征选择的过程，即在什么地方如何选择什么来测量。 —— 最重要的是，本文并不针对免费游戏或在线游戏 分析学适用于所有游戏。 分析学的数据 游戏分析学的数据来源主要有三种： 1、性能数据：这些是与技术和硬件有关的数据，尤其是在线或持续型游戏。 普遍的性能指标包括游戏在客户端硬件平台的执行帧率或游戏服务器的稳定性。 2、过程数据：这些是与开发游戏的实际过程有关的数据。游戏开发或多或 少是一个创造性过程，但仍然需要监控，即估计任务量和制定计划等。 3、用户数据：这是最常见的数据来源，这些数据来自玩我们的游戏的用户。 这里，我们既把用户当作消费者 收益来源 也当作玩家 与游戏产生特定交互活( ) ( 动的对象 。我们计算与收益有关的指标如每用户平均收益) (ARPU)、日活跃用户 (DAU)，或者执行与收益有关的分析如用户流失分析、用户支持性能分析或微交 易分析时，我们称游戏用户为消费者。 当研究人们与游戏系统、系统的组件以及其他玩家如何产生交互作用注：( 主要是游戏内行为如平均游戏时间等 时，我们称游戏用户为玩家。本文针对的) 是这类数据。这三类数据不包含一般的商业数据如公司市值、公司收益等。我们 不把这类数据当作游戏分析学中的特定领域，而是把它归入商业分析学的一般范 畴中。 游戏分析学的数据来源层级图 用户数据的指标 过去几年，已经有不少人提出分类用户数据的不同方法。从自上而下的角度 看，开发导向型的分类法是很实用的，因为它可以在三种不同利息相关者的这三 个方向上过滤用户指标： 1 —— 、消费者指标：包括用户作为消费者的各个方面 例如，消费者开发和 留存的成本。这些指标对游戏的营销和管理以及游戏开发特别有意义。 2、社区指标：包括所有忠实程度的用户社区的活动，如论坛活动。这些指 标对社区经理很有用。 3、玩法指标：与用户作为游戏内的玩家的实际行为 注：例如使用道具、交( 易物品、探索游戏世界等有关的任何变量。玩法指标对评估游戏设计和用户体) 验最为重要，但从游戏开发的收益链这个传统的角度上看，它通常不是优先考虑 QA 的指标。这些指标对从事游戏设计、用户研究、 或主要研究用户实际行为的 人员最有用。 具体分析 1、消费者指标：作为消费者，用户可以下载和安装游戏、在游戏内外商店 中购买任意数量的虚拟商品、支付真钱或虚拟货币。与此同时，消费者与客户服 务互动、提交漏洞报告、请求帮助、申诉等。用户也可以参与官方或非官方的论 坛活动、登录其他社交互动平台，从这些渠道可以获取和分析关于这些用户以及 他们的游戏行为、对游戏的满意度的信息。我们还可以收集消费者的国家、IP 地址和甚至年龄、性别、邮件地址等信息。将这些玩家群体信息、行为数据相结 合，有助于深入地了解游戏的消费者基础。 2、社区指标：如果有条件，用户之间会产生互动行为。这种互动行为