產品長線運營提升數據的方法
步入2018年,公司的戰略由製作一波流的單機遊戲轉變為市場反饋良好的遊戲進行長線運營,涉及到一些數據調優相關的問題,由此產生了一些思考。
調優目標:提升留存和付費
Retention :留存
在提升留存之前,先要找到影響留存的因素。對一款遊戲來說,留存和遊戲品質是正相關的,品質高的遊戲通常數據表現也會更好。但是品質高是一個很主觀和抽象的東西,我們需要一些具體可量化的東西來代替它,也就是我接下來要說的三個點:核心循環、教程和目標。
核心循環決定了遊戲的下限,遊戲的玩法是否足夠有趣,在不斷找玩家體驗,將核心循環優化到足夠好之後,下一步進行教程的優化。
教程是用於幫助玩家了解遊戲,讓他們不會因為不知所措而流失,作為遊戲的製作者,你了解遊戲的一切細節和操作,如何在不惹人討厭的情況下做好教程也是一門技術活。(推薦文章:為什麼有些遊戲的新手引導令人討厭)
在核心循環和教程做好之後,接下來要做的是給予玩家明確的**長期目標**,這個目標可以是提升部落等級、收集不同兵種、打造個性神寵等等,根據遊戲類型來定,有了長期目標之後,將其拆分為多個短期目標,讓玩家在每一步都有清晰明確的方向。
畫出玩家將要征服的山頂,讓它看起來比實際更接近,然後在玩家面前懸掛一根胡蘿蔔,獎勵他們在路上的每一步。讓玩家感覺再努力一點,就會達到那個裡程碑。
這就是為什麼在許多成功的免費遊戲中有很多的成就和使命。只要告訴玩家下一步該做什麼,他們就會留在遊戲中。
做好了以上三點之後,你就能夠為玩家提供高品質的遊戲體驗,為他們創造價值,獲得的回報就是會有更多的人願意留在遊戲中。
Monetization :貨幣化(付費)
有人認為留住玩家是關鍵,應該將注意力集中在留存上,然後考慮付費。也有人認為應該讓玩家儘快產生付費來提高他們流失的沉沒成本。
具體採用哪一種可以根據遊戲類型來定,不過要注意的是,即使不付錢,你也寧願讓玩家留下,而不是完全丟掉。所以設置卡點時要謹慎,讓免費玩家也能找到方法繼續遊戲。畢竟一個免費玩家也是一個免費的廣告。甚至在一些強PVP遊戲中,免費玩家是鯨魚玩家(大R)成就感的來源。
在Candy Crush中,前二十關是有趣且有挑戰性的,在此之後,會出現一個硬性的卡點,關卡難度陡然提高,玩家如果不付費則需要花費大量時間重複遊戲(每次失敗都會降低下次遊戲的難度)。
在單機/弱聯網遊戲中,為玩家提供早期的優質遊戲體驗是很有必要的,在玩家充分的了解遊戲之後,付費的慾望會更強。
說完了基本的方法論,在實際的項目工作中應該這麼做呢?下面簡單做了一些總結。
a.留存提升(快速調節部分)
- Bug & Crash(避免直接性的流失)
- 新手階段流暢性(教程,前期內容安排)
- 關卡難度平衡(新手關卡簡化,其它關卡避免過難,過簡單)
- 直觀品質感受(視覺精緻性,聽覺精緻性,提升用戶的前期提存)
b.留存提升(遊戲內部體系)
- 核心操作/體驗優化(核心操作感受、核心體驗反饋)
- 易用性(易於認知,沒有一點歧義)
- 遊戲循環目標性(對下一步行為明確,沒有任何認知阻礙)
更多事可做,有可選的事情;持續玩有變化,不枯燥(新物品,新玩法,新敵人等)
- Session長度控制和優化,避免太長或太短的session
c.留存提升(額外機制)
- 玩家單日回頭的拉動 (推送,階段性獎勵機制)
- 隔日進入的拉動 (每日獎勵,每日任務)
更長時間的獎勵驅動,每日加入運氣性獎勵
- 玩家每次進入的進度感覺(回來玩能感覺有前進,有獎賞)
成長性的更直觀體現(等級,關卡進度,技能稱號等)
d.留存提升(保持更新)
- 玩家訴求
參考玩家評價和遊戲內反饋
- 新的內容
讓玩家保持新鮮感
- 新的特賣/特惠
可結合西方節日、日常周期、玩家進展,多推出一些適應不同玩家需求的特賣和特惠(普通玩家【超值剛需品】、小額付費玩家【剛需+超值中階物品】、大額付費玩家【高階稀有限定物品】)
- 周期性的活動(每天固定時間,每周固定時間)
- 新的特性嘗試和引入(參考近期同類遊戲,引入新鮮有趣的體驗內容, 根據數據進行優化和取捨)
e.付費提升
- 首充轉化提升(LTO入口,出現時機、界面華麗性、價值感,折扣吸引性等)
- 付費性入口(更明顯,更容易找到,再需要的時候都能快捷到達)
- 物品排布(更合理的分類、物品展現、排序和描述,避免太多的滾動條,在一個界面呈現更多購買項)
- 硬/軟貨幣物品交錯出現
- 購買界面優化(超值感,額外收益,價值性,視覺華麗性等)
- 前期Session更側重在Retention上 (留住更多玩家)
- 購買的趣味性和新鮮感(階段性的特賣和玩家進展結合,階段推出一些新物品,或周期性的定向打折,對的時間推售對應的物品)
- 付費深度的提升(如果玩家願意,能花費出$500以上,物品豐富,各具價值
推薦閱讀:
※清單|小白轉行數據分析
※Python學習(二)
※Kaggle機器學習之泰坦尼克號生還預測
※python基礎篇之小白滾躺式入坑