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).

Технологические 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.

Стек технологий

MySQL

MySQL

MariaDB

MariaDB

MongoDB

MongoDB

NodeJS

NodeJS

JavaScript

JavaScript

MySQL

MySQL

MariaDB

MariaDB

MongoDB

MongoDB

NodeJS

NodeJS

JavaScript

JavaScript