аналитика на кубах

Один мой знакомый продуктовый аналитик при каждой нашей встрече ворчит: “геймдев — это какая-то своя реальность”. В чем-то он прав, пожалуй. Своя атмосфера и в данных, и в фокусах анализа, и в подходе к интерпретации.

Вот небольшой пример. Изучаю факторы отвала на третий день — сравниваю, как играют те, кто отвалился раньше и те, кто все-таки вернулся. Интересно, чем различается игровой опыт этих групп пользователей, так как это как раз может быть причиной отвала.

Вижу, что у отвалившихся пользователей выше винрейт и KDA. Вопрос, можно ли утверждать (при прочих равных), что пользователям слишком легко играть, нет челленджа и они отваливаются?

Самый правильный ответ тут — недостаточно данных. Но в большинстве случаев вывод про отсутствие челленджа будет все же неверен. В данном случае от нас скрыта еще одна переменная — сколько боев сыграли те, кто отвалился и кто вернулся, и что это за бои. Обычно отвалившиеся пользователи играют в два-три раза менее активно, чем вернувшиеся. В этом и кроется ключевая ловушка — бои пользователей, особенно в самом начале, неодинаковы (для других жанров единицы будут другими, но смысл тот же). Самые первые бои обычно стараются делать легкими (беззубые и/или понерфленные боты и т. д.) и потом постепенно повышать сложность. Плюс пользователи растут по рейтингу и попадают в котлы к игрокам с более высоким рейтингом и, соответственно, опытом и прокачкой.

В результате пользователи, которые вернулись на третий день, скорее всего отыграли больше боев. И в этих боях они сталкивались уже с более сложными ботами и опытными игроками. Отвалившиеся пользователи ушли на легких боях, и поэтому у них winrate/KDA вполне может выше. Но это никак не говорит о том, что пользователи отвалились из-за того, что им легко и нет челленджа. Для проверки этой гипотезы надо брать тех, кто сыграл, например, ровно 10 боев, и смотреть метрики вернувшихся и отвалившихся по ним.

Собственно, вот эта неоднородность опыта пользователей, которая зависит от внутриигровой прогрессии — одна из ключевых особенностей игровых данных, влияющих на метрики и на подходы к анализу и выводу.

PS. сижу теперь и думаю — кажется, вполне неплохой кейс получился для задачника по продуктовой аналитике или для собесов

#exercises

www.group-telegram.com/in/diceanalytics.com/97

1.5K viewsedited  Feb 12, 2024 at 07:43

Один мой знакомый продуктовый аналитик при каждой нашей встрече ворчит: “геймдев — это какая-то своя реальность”. В чем-то он прав, пожалуй. Своя атмосфера и в данных, и в фокусах анализа, и в подходе к интерпретации.

Вот небольшой пример. Изучаю факторы отвала на третий день — сравниваю, как играют те, кто отвалился раньше и те, кто все-таки вернулся. Интересно, чем различается игровой опыт этих групп пользователей, так как это как раз может быть причиной отвала.

Вижу, что у отвалившихся пользователей выше винрейт и KDA. Вопрос, можно ли утверждать (при прочих равных), что пользователям слишком легко играть, нет челленджа и они отваливаются?

Самый правильный ответ тут — недостаточно данных. Но в большинстве случаев вывод про отсутствие челленджа будет все же неверен. В данном случае от нас скрыта еще одна переменная — сколько боев сыграли те, кто отвалился и кто вернулся, и что это за бои. Обычно отвалившиеся пользователи играют в два-три раза менее активно, чем вернувшиеся. В этом и кроется ключевая ловушка — бои пользователей, особенно в самом начале, неодинаковы (для других жанров единицы будут другими, но смысл тот же). Самые первые бои обычно стараются делать легкими (беззубые и/или понерфленные боты и т. д.) и потом постепенно повышать сложность. Плюс пользователи растут по рейтингу и попадают в котлы к игрокам с более высоким рейтингом и, соответственно, опытом и прокачкой.

В результате пользователи, которые вернулись на третий день, скорее всего отыграли больше боев. И в этих боях они сталкивались уже с более сложными ботами и опытными игроками. Отвалившиеся пользователи ушли на легких боях, и поэтому у них winrate/KDA вполне может выше. Но это никак не говорит о том, что пользователи отвалились из-за того, что им легко и нет челленджа. Для проверки этой гипотезы надо брать тех, кто сыграл, например, ровно 10 боев, и смотреть метрики вернувшихся и отвалившихся по ним.

Собственно, вот эта неоднородность опыта пользователей, которая зависит от внутриигровой прогрессии — одна из ключевых особенностей игровых данных, влияющих на метрики и на подходы к анализу и выводу.

PS. сижу теперь и думаю — кажется, вполне неплохой кейс получился для задачника по продуктовой аналитике или для собесов

#exercises

BY аналитика на кубах