众所周知，在设计游戏时，要让每个玩家都感到特别很有吸引力肯定很难，对吧？那怎么办呢？其实，我们可以把玩家分成小组，这些小组里的玩家有相似的特点。然后，针对每个小组，我们调整游戏的一些方面，让他们觉得游戏是为他们量身定做的。这样，虽然不是完全个性化，但至少小组内的玩家会感觉更被理解。
关键是要把握好游戏的难度和趣味性。每个玩家都有一个舒适区，太简单他们会觉得无聊，太难又会感到焦虑，这两种情况都可能导致他们放弃游戏。所以，作为游戏设计者，我们的任务是调整游戏的设置，使得游戏既不无聊也不太难，让玩家们愿意继续玩下去，就像我之前说到的难度平衡。
我们可以通过改变游戏的某些规则、添加特定的挑战内容或者提供不同的奖励来吸引不同的玩家群体。同时，运营和营销策略也要相应地调整，就像我们出版本，要提前去告知玩家，一方面做预警，一方面做宣传，确保我们吸引的是那些会对我们的游戏变化感兴趣的玩家，同时玩家不会对新的变化产生太大的抵触。所以这里就得有一个阈值的概念，将每个玩家群体控制在阈值之内。
首先，当你为不同的玩家群体定制游戏体验时，他们会更开心，更愿意继续玩游戏。比如说，有些玩家喜欢快速的游戏节奏，有些喜欢收集金币，还有一些喜欢解复杂的谜题或者频繁使用提示。如果你能根据他们的喜好来调整游戏，他们就会更投入，也更有可能在游戏中消费。想想原神，游戏可以阅读剧情、解谜、挑战副、探索地图等等，可以满足不同玩家的口味。
当然，不可能一款游戏满足所有人的口味。我们就先来说说难度，如果游戏难度固定，可能会排斥一部分玩家，那些觉得太简单或者太难的玩家可能会放弃游戏。所以，通过“个性化”设置，可以让更多不同水平和偏好的玩家享受游戏，这里说的“个性化”是指难度平衡系统，让不同的人体验不一样，后续我会专门出一篇关于难度平衡系统相关内容。另外，就像我们以前玩的一些单机，可以选择游戏的难度模式。再者，“个性化”不仅提升了玩家的满意度，还能增强游戏的盈利能力的。
预测流失和个性化
如果玩家感到太紧张或者太无聊，他们可能会选择弃游。通过上图，我们可以看到玩家在游戏中的不同阶段，他们的感受会有所变化。真正的分析难点在于找出哪些玩家在游戏的哪个部分容易离开，以及他们离开的原因。这听起来可能很复杂，但通过深入的数据分析，一般我们可以找到答案的（有些你也可能找不到答案），不同游戏可能存在一点不同，但是从游戏心理角度这些阈值大体是相近的。
我们可以利用玩家在游戏中的行为数据，找出哪些因素最可能导致玩家流失。比如像下图这样，按照玩家的进度步骤进行事件打点分析。
在早期，我曾接触过一个预测模型，有一些大厂或者有专门的数据平台是可以提供，当然有条件可以建立一个统计模型，将这个模型应用到分析系统中。这样就能预测每个玩家每天可能离开游戏的概率，从而知道哪些玩家在什么时候最有可能离开。这种方法帮助我们提前识别风险，采取措施留住玩家。对于一些大厂来说，也都会采用一些预测模型去提前做数据判断。
预测模型的构建
下面就聊聊我所了解的。通常会通过追踪新玩家在一个月内的参与情况来评估他们的行为（千万不要用太长远的数据，可能不准确），因此数据集实际上会覆盖这些新玩家的两个月游戏体验。使用回归建模技术（这里就不重点讨论，交给产品经理和程序吧），可以分析哪些特定因素对玩家每日的游戏活动影响最大，从而预测这些因素如何导致玩家流失、测试的指标数量取决于游戏的复杂性，但一般来说，对玩家流失影响最大的典型指标包括:
-
活跃度 —— 他们玩游戏的频率如何？
-
游戏能力 —— 他们擅长这款游戏吗？
-
投入度 —— 他们对于玩好这款游戏怎么样？
-
进展速度 —— 他们游戏进展有多快？
在上图中，我们可以看到，活跃度在游戏初期的每一天都很重要，但在第 4 天和第 5 天，它的影响力下降并转为负面，这表说明我们需要在游戏开始时降低难度，而在后续阶段增加挑战性，因为玩家可能会因无聊或缺乏挑战而弃游。投入度在游戏开始时似乎对玩家留存率没有影响，但从第4 天到第5天，这个指标的影响力逐渐减弱。还可以看到，进展速度指标显示，对于那些游戏进展过快的玩家，应该放缓游戏节奏，因为从第 4 天起，进展速度对玩家流失率有显著影响。
游戏机制的“个性化”测试
一旦确定了需要提升的指标和目标玩家群体，下一步就是想出可能的解决方案，并测试这些解决方案是否有效。玩家流失预测模型的一个好处是，它提供了非常具体的目标。你可以明确知道要针对哪些玩家，需要提升哪些指标，以及在游戏的哪些环节进行改动。确保有足够的数据来确认测试结果是非常重要的。对于玩家数量较少或细分市场定义更严的游戏，需要耐心一点，你可能没那么多数据样本。不要同时进行太多A/B测试，因为这样需要更长时间来收集足够的数据，而且可能会错失根据已有经验逐步优化后续测试的机会，另外也会产生多个因子的干扰。
建议设置一个对照组。这样，你可以在其他关键绩效指标上对结果进行准确的比较。比如投放一份游戏奖励可能提高留存率，但它对玩家的LTV是正面还是负面的影响呢？了解改动的长期影响，也是测试过程中保持耐心的一个重要原因。在你对游戏进行更改后，需要重新校准你的玩家流失预测模型。虽然选择的指标保持不变，但这些指标的权重需要调整，用来表示最新的情况。这也是为啥很多游戏总是做版本调整后要做灰度测试，以及先遣服测试等各种的原因。
个性化商业化策略
这里主要说一下混合变现吧。上面讲的是如何通过游戏内指标识别易流失玩家，以及如何针对性地采取经测试优化的补救措施。虽然这种方法的原则可用于改进和优化游戏的机制，如奖励、优惠活动和日常游玩机制，但重要的是要考虑如何平衡商业化，以维持游戏内体验，且不损害游戏整体经济系统。
游戏的经济系统首先应该考虑的是内购，内购才是经济循环的根本，而广告视为一种游戏机制。与预测玩家流失类似，也有可能预测玩家是否可能进行付费。对于那些付费可能性最低的玩家，应尽早向他们展示插广告，一般而言，对于广告变现来说，新玩家的前5次的广告收益是最高的。像下图这样可以了解何时使用何种商业化，以及针对哪些玩家群体使用，在这个过程中你可以自己搜集数据，去模拟出类似的游戏曲线。
欢迎阅读笔者其他内容
未经授权请勿用于任何商业用途
发表评论