Анализ игровых процессов

Задача

В современной игровой индустрии невозможно создать успешный мобильный или социальный проект без обработки больших массивов информации. Для проектирования и поддержки продуктов, написания маркетинговых стратегий и монетизации применяется множество инструментов игровой аналитики: в рамках одного проекта их может быть сразу несколько, все зависит от поставленной цели.

В задачи аналитика входят и написание стандартов для сбора данных, продумывание способов их обработки, и прогнозирование вероятных проблем. Кроме того, на основе полученных данных нужно еще и обосновать изменения в проекте — как возможно устранить трудности, почему, какими цифрами это можно подтвердить и как проверить, что изменения улучшили ситуацию.

Удобство использования, прозрачность выходных данных, простота обработки входных, достоверность, единообразие с данными партнеров — вторичные цели, но на них уходит не меньше времени, чем на основные.

Обзор решения

В рамках проекта Game Processes Analysis мы реализовали с нуля практически всю систему отслеживания ключевых показателей (KPI) — в этом процессе принимали участие сразу несколько сотрудников Qudata и заказчика, которым была игровая компания, включая программистов, маркетологов и геймдизайнеров.

Одной из современных тенденций в игростроении является необходимость постоянного мониторинга вовлеченности игрока в игровой процесс. Как следствие, большинство успешных игр анализируют действия своих пользователей на предмет интереса к различным возможностям, например, частота вхождения в локации, успешность прохождения миниигр, участие в турнирах и влияние различных бонусов на вовлеченность игрока. В рамках проекта были подготовлены автогенерируемые аналитические и контрольные отчеты с различной периодичностью. Система позволяет настраивать для отдельных продуктов набор отчетов, по которым можно оценивать текущее состояние проекта и предсказывать поведение игроков, используя сегментацию, анализ переходов, воронку входа, A/B-тестирование, анализ потребительской корзины и т.д. Среди наиболее важных индикаторов в анализ входят LTV, churn rate, DAU, MAU, ARPPU, retention rate для различных периодов.

Прогнозирование поведения игроков (например, ожидаемая продолжительность пребывания в игре) осуществляется на основании данных за прошедший период и модели поведения, с сегментацией результата в зависимости от различных параметров (в том числе, без использования приватных данных игрока, а только по его поведению в игре).

Технические детали

Технологический стек данного проекта является многовекторным. С одной стороны, использовались стандартные для индустрии API и SDK, такие как Flurry, Google Analytics, Firebase. С другой стороны, строились сервисы сбора и сохранения информации, адаптированные для конкретных игр и приложений. Для хранения информации использовались сервера баз данных MySQL. Такой выбор технологии обеспечил высокую надежность и удобство выполнения запросов бизнес-аналитиками.

Использование собственного сервиса позволяет проводить совместный анализ по многим платформам: Android, iOS, WEB (социальные сети).

Технология позволяет провести интеграцию в приложения и игры, разработанные на различных движках и языках программирования.

Для построения отчетов использовались языки программирования Python и JavaScript.

Объем данных, обрабатываемых системой, может достигать нескольких гигабайт в сутки для одного приложения, что определило необходимость разработки протокола и формата передачи пакетов информации, который обеспечивает минимум потерь данных, не требуя значительных ресурсов на мобильном устройстве клиента.