🎮 Как зарабатывать на играх или зачем изучать игровую аналитику в 2024 году?

Если вы решили заняться геймдевом всерьез, возникает вопрос выбора специализации. Сегодня мы поговорим о востребованной профессии игрового аналитика. Попробуем разобраться, зачем нужен такой специалист и как им стать.

Что такое игровая аналитика?

Игровая аналитика – это изучение поведения игроков с помощью статистических методов. В большинстве случаев она необходима для грамотного маркетинга и продуманной монетизации. Однако статистика нужна не только маркетологам. Это отличный инструмент обучения, дающий разработчику возможность лучше узнать и понять свою аудиторию.

Каковы основные метрики аналитики?

Метрика – это отслеживаемый во времени показатель. Отбирается все – от средней продолжительности сеанса до демографических данных игроков. Наиболее весомы следующие категории показателей:

• Клиентская метрика – вся связанная с привлечением и удержанием клиентов информация. Это данные для маркетологов, притом наиболее важные из них – DAU (ежедневная активность пользователя) и ARPU (средний доход, приходящийся на одного пользователя).
• Метрики сообщества – сосредоточенные на поведении и развитии сообщества показатели. К этой категории относятся всевозможные социальные взаимодействия, переписка в игровом чате, а также обмен сообщениями в игре и в социальных сетях.
• Метрики производительности – показатели, отражающие производительность приложения и возможные сбои. Сюда входит время ответа удаленного сервера, продолжительность загрузки игры или частота кадров во время выполнения квеста. Все, что может помочь разработчику улучшить информационные системы проекта.
• Метрики игрового процесса – показатели, регистрирующие взаимодействие между пользователем и программой внутри игры. Например, проведенное на заданном уровне время или сколько раз персонаж умирал во время его прохождения. Эти метрики дают нам возможность оценить качество выполнения сценариев.

Примеры использования игровой аналитики:

• Зная, где и когда игрок застревает, легко настроить сложность игры.
• Имея информацию о самых популярных игровых товарах, можно грамотно рассчитать цены на них.
• Определив средний возраст пользователей вашего продукта, легко адаптировать для них игровой контент.

Почему это важно?

Отслеживание данных – не пустая трата времени. Создающие сложные многопользовательские игры с огромным бюджетом студии не могут полагаться только на догадки гейм-дизайнеров, чтобы не потерять существенную часть прибыли. Игровая аналитика также актуальна на этапе прототипирования или альфа-тестирования. Отслеживание действий игроков поможет решить критические проблемы и на этапе выхода продукта на рынок. Вы можете оценить качество обучения персонажа или привлекательность задумки автора во время первого игрового сеанса. Например, длинное обучение или сложный первый уровень могут не понравиться игроку и он сразу же удалит приложение.

Для эффективного анализа придется собрать много реальных данных.

Какие показатели необходимо отслеживать?

К счастью, небольшим командам не нужно отслеживать большие объемы данных, как это делают крупные компании. Грамотный контроль следующих моментов сбалансирует игровой прогресс:

• Время выхода из игры;
• Средняя продолжительность сеанса;
• Сколько уровней игрок сумел пройти;
• Момент, когда игрок удаляет ваше приложение.

Проанализировав данные, вы сможете найти разочаровывающий пользователей контент.

Связанная с игровым процессом аналитика очень глубока, поскольку даже в самой простой игре используется большое количество переменных. У объектов есть положение, состояние и еще ряд параметров. На сбор информации и анализ результатов потребуется много времени – хорошим решением будет объединить похожие по форме наборы данных в группы.

Разработчику игр не нужно собирать и изучать все доступные данные, чтобы получить глубокое представление о поведении игроков. Несколько тщательно подобранных параметров могут рассказать о многом. Следует помнить, чем больше потоков данных мы анализируем в некой категории, тем меньше преимуществ мы получаем от соответствующей метрики.

Профессия игровой аналитик: за что платят деньги?

В крупных компаниях аналитик занимается только игрой, а маркетологи и другие специалисты анализируют рынок, каналы трафика и тому подобные вещи. В небольших компаниях такого разделения задач не существует, поэтому обязанностей у специалиста гораздо больше.

Под анализом игры обычно понимают следующее:

• Проектирование системы сбора данных;
• Внедрение аналитики в проекты;
• Мониторинг влияния обновлений и расчет метрик;
• Отчет о результатах обновления;
• Поиск возможных проблем, включая планирование экспериментальных нововведений, их организацию, расчет и интерпретацию результатов;
• Формулирование гипотез на основе отчетов.

Зарплата специалиста в области игровой аналитики находятся в диапазоне от 80 000 до 200 000 рублей в зависимости от уровня специалиста, если верить опубликованным на hh.ru описаниям вакансий.

Чтобы стать игровым аналитиком, необходимо:

• Понимание геймдизайна и процесса разработки игр;
• Знание основ Python;
• Знание языка структурированных запросов SQL;
• Знание основ статистики;
• Знание основ визуализации данных;
• Знание маркетинговой аналитики и методов анализа игровых метрик;
• Умение работать с большими данными.

Повышение качества игры необходимо для процветания любой студии. Если раньше в отрасли практиковали слепое уравновешивание, сейчас без грамотного специалиста трудно получить на выходе качественный продукт. В условиях современного рынка компьютерных игр профессия аналитика стала очень востребованной.

Хочу подтянуть знания по математике, но не знаю, с чего начать. Что делать?

Если базовые концепции языка программирования можно достаточно быстро освоить самостоятельно, то с математикой могут возникнуть сложности. Чтобы помочь освоить математический инструментарий, «Библиотека программиста» совместно с преподавателями ВМК МГУ разработала курс по математике для Data Science, на котором вы:

• подготовитесь к сдаче вступительных экзаменов в Школу анализа данных Яндекса;
• углубитесь в математический анализ, линейную алгебру, комбинаторику, теорию вероятностей и математическую статистику;
• узнаете роль чисел, формул и функций в разработке алгоритмов машинного обучения.
• освоите специальную терминологию и сможете читать статьи по Data Science без постоянных обращений к поисковику.

Курс подойдет как начинающим специалистам, так и действующим программистам и аналитикам, которые хотят повысить свой уровень или перейти в новую область.