Основы игрового баланса: Количественные показатели и статистика02.03.2016 19:38

Одна из причин моей любви к игровому балансу заключается в том, что различные его аспекты связаны со всевозможными сторонами разработки игр. Когда мы рассматривали псевдослучайные числа, мы были в опасной близости к программированию. На прошлой неделе мы увидели, как визуальный дизайн уровня может быть использован в качестве поощрения игрока. Мы дали ему ощущение продвижения, что является частью геймдизайна, но относится уже скорее к графике. На этой неделе мы с вами добрались до сфер, где дизайн пересекается с бизнесом.

Я собираюсь рассмотреть две темы: статистика и количественные показатели. Для тех из вас, кто незнаком с этими понятиями, «количественные показатели» — это всего лишь измерения, то есть мы что-либо измеряем или отслеживаем в вашей игре. Рейтинги игроков и рекорды по очкам — пожалуй, самые известные из количественных показателей, так как они доступны игрокам. Но мы можем использовать множество других скрытых показателей, чтобы улучшить дизайн наших игр. Когда мы снимаем множество показателей, делаем множество измерений, сами по себе они ничего нам не дают, пока мы их не рассмотрим и не проанализируем с целью что-либо узнать.

«Статистика» — это лишь набор инструментов, которые мы используем для получения полезной информации из количественных показателей. И хотя мы сначала собираем показатели, а потом применяем статистику для их анализа, я собираюсь обсудить сначала статистику, потому что неплохо сперва ознакомиться с инструментами, а потом уже решать, какие данные отбирать.

Статистика

Люди, которые никогда не занимались статистикой, представляют её точной наукой. Это математика, математика чёткая и ясная, следовательно, вы всегда будете находить правильные ответы. На самом же деле, всё гораздо запутаннее, и вы убедитесь сами, что геймдизайнеры (и статистики) спорят о базовых принципах статистики даже больше (если такое вообще возможно), чем о базовых принципах системного дизайна.

Что такое статистика, и чем она отличается от теории вероятностей

В теории вероятностей вам дан набор случайных событий и сказано в точности, насколько они случайны и какова природа этой случайности, а ваша задача — постараться предсказать, как будут выглядеть данные, когда весь этот механизм случайности будет запущен. В статистике всё, в некотором смысле, наоборот: здесь перед вами сначала предстают данные, а вы пытаетесь выяснить природу случайности, которая эти данные породила.

Вероятности и статистику объединяет одна очень важная вещь: никаких гарантий. Вероятность может вам сказать, что шанс выбросить на 1к6 (1 бросок шестигранного кубика — прим. ред.) определённый номер равняется 1/6. Но она не говорит, какие номера выпадут, если вы действительно бросите кость. Так же и статистика может из множества бросков сделать вывод, что вероятно, здесь имеет место равномерное распределение, с 95% достоверностью, но есть пятипроцентный шанс, что вы ошибаетесь. И этот шанс никогда не будет нулевым.

Статистический инструментарий

Так как мы с вами не претендуем на диплом магистра статистики, я ограничусь тем, что скажу: помимо рассматриваемых в этом курсе статистических инструментов существует ещё множество прочих. Здесь представлен всего лишь минимум, который, по моему мнению, необходим каждому геймдизайнеру, и может пригодиться при анализе количественных показателей его игр.

Среднее значение

Когда кто-то просит вас назвать «среднее» значение, то, как правило, имеется в виду среднее арифметическое (мне известны два вида средних значений, и, наверное, существуют ещё несколько, мне неизвестных). Чтобы получить среднее арифметическое из множества значений, вы складываете их, а затем делите получившееся на количество этих значений. Это что-то вроде ожидаемого значения в теории вероятностей, за тем лишь исключением, что вы его рассчитываете основываясь на реально произошедших бросках, а не на теоретически сбалансированном наборе таких бросков.

Расчёт среднего арифметического невероятно полезен; оно даёт вам приблизительное ожидаемое значение чего-либо в игре. Вы можете рассматривать среднее значение как вычисление ожидаемого значения методом Монте-Карло, только используете вы не компьютерную симуляцию, а реальные данные тестирований.

Срединное значение

Это ещё один вид среднего значения. Чтобы найти его, возьмите все свои значения, расположите от самого маленького до самого большого, а затем выберите то, которое находится в середине. Например, если у вас есть пять значений, то третье будет срединным. (Если у вас чётное количество значений, то срединное будет не одно, их будет два, и вам надо будет найти среднее арифметическое этих двух — это так, вдруг вам было интересно).

Само по себе срединное значение не так уж полезно, но если его сравнить со средним арифметическим, оно может много сказать вам о том, есть ли в ваших данных перекос в большую или меньшую сторону, или же они симметричны.

Например, в США срединное значение дохода домохозяйства ниже среднего арифметического, а это, по сути, означает, что у нас много людей, которые зарабатывают понемногу, и есть небольшое количество людей, которые зарабатывают огромные деньги, поднимая среднее значение дохода. Если срединная оценка в классе ниже, чем средняя, это значит, что большинство ребят отстают, и есть один или два блестящих умника, которые поднимают показатели (хотя гораздо чаще бывает наоборот — большинство учеников учится на «хорошо», но всегда есть один лентяй, который получает единицы и тянет средние показатели вниз).

Если вы делаете нечто вроде рейтинга по очкам и замечаете, что срединное значение намного ниже среднего, это, скорее всего, значит, что небольшое количество ваших игроков просто неприлично хорошо играют и зарабатывают тонны очков, а все остальные — простые смертные — ближе к срединному значению.

Среднеквадратическое отклонение

В обычной беседе такое выражение будет звучать достаточно заумно, чтобы вы показались знатоком математики. А рассчитывается оно следующим образом: вы берёте каждый из своих показателей, вычитаете его из среднего значения, возводите результат в квадрат, складываете все получившиеся значения и делите их на общее количество показателей, а потом из этой суммы извлекаете квадратный корень.

По причинам, которые вам совсем не обязательно знать, в результате всех этих манипуляций вы получаете результат, который показывает разброс ваших данных. По сути, две трети ваших данных находятся в пределах одного среднеквадратического отклонения от среднего значения, и почти все данные укладываются в рамки двух среднеквадратических отклонений, так что величина вашего среднеквадратического отклонения в конце концов зависит от величины вашего среднего значения.

Среднее значение 50 при среднеквадратическом отклонении 25 — разброс большой, среднее значение 5 000 при среднеквадратическом отклонении 25 — разброс маленький. Относительно большое среднеквадратическое отклонение означает, что ваши данные разбросаны где попало, тогда как малое значение означает, что ваши данные плотно сгруппированы.

Примеры

Для примера давайте рассмотрим две случайные переменные: 2К6, и 1К11+1. Как мы уже говорили, когда обсуждали вероятности, в обоих случаях вы будете получать числа от 2 до 12. Но природа их очень отлична: 2К6 сгруппированы ближе к центру, тогда как результаты 1К11+1 распределяются равномерно. Статистике вообще-то нечего тут добавить, но давайте предположим, что я бросил 2К6 тридцать шесть раз и получил каждое из значений по одному разу, и я бросил 1К11 одиннадцать раз и получил каждое значение по разу… Что более, чем невероятно, но это даёт нам возможность использовать статистический инструментарий для анализа вероятностей.

Среднее арифметическое для обоих случаев равно 7, следовательно, если вы пытаетесь сбалансировать какое-либо из этих чисел в игре, вы можете использовать 7 в качестве ожидаемого значения. Что же разброс? Срединное тоже равно 7 для обоих случаев, а значит, получит значение выше или ниже семи вы можете с равной вероятностью (и это логично, ведь обе кости симметричны). Между тем, вы заметите, что среднеквадратические отклонения (далее СО — прим. ред.) будут сильно отличаться: для 2К6 значение СО приблизительно равно 2,5, а значит в большинстве случаев будет выпадать результат между 5 и 9, для 1К11+1 значение СО приблизительно равно 3,5 — следовательно, вы будете получать результат, лежащий между 4 и 10 примерно с той же частотой, что и результат от 5 до 9 для 2К6. И ничего тут, казалось бы, такого, пока вы не начнёте бросать кости.

Возьмём другой пример: допустим, вы рассматриваете время, за которое тестировщики проходят первый уровень обучения в видеоигре, которую вы разрабатываете. Вы стремитесь к тому, чтобы на это уходило пять минут. Вы находите среднее арифметическое, равное пяти минутам, срединное значение, равное шести минутам и среднеквадратическое отклонение, которое равно двум минутам. О чём это нам говорит? Большинство людей проходит первый уровень за время от 3 до 7 минут, что может быть как хорошо, так и плохо, в зависимости от того, насколько игрок контролирует уровень. Но в большинстве игр обучение должно быть очень стандартным, линейным игровым опытом, поэтому такой разброс кажется огромным.

Ещё один повод задуматься — высокое срединное значение, которое означает, что большинству людей нужно больше пяти минут на прохождение, и лишь немногие проходят через уровень очень быстро и снижают среднее значение. С одной стороны, это хорошие новости — в том смысле, что никто не проходит уровень по 4 часа (иначе бы среднее значение было гораздо выше срединного!), но с другой стороны, они могут оказаться и плохими — в том смысле, что некоторые игроки могли случайно найти какой-то обходной путь или эксплойт, или они просто пропускают вступительный диалоги или ещё что-то делают, из-за чего могут потом в недоумении застрять на втором уровне.

И тут мы извлекаем ещё один урок: статистика сообщает нам, что что-топроисходит, но она не говорит нам, почему это происходит, а иногда объяснений может быть несколько. Это как раз тот случай, где статистику часто используют неправильно, или даже просто-напросто злоупотребляют ею, когда находят одно-единственное логичное объяснение для полученных данных и игнорируют саму возможность существования других объяснений.

В данном случае, мы не можем знать почему срединное значение меньше среднего и что это значит в контексте геймдизайна. Но мы могли бы потратить немного времени на размышления и поиски всех возможных ответов, а затем мы могли бы собрать ещё данные, которые помогли бы нам определиться, какой из них верен. Например, если вы опасаетесь, что игроки проскакивают вступительный диалог, вы могли бы дополнительно к общему измерить время, которое тратится на его прочтение. Сегодня мы ещё вернёмся к этому понятию дизайна показателей.

Здесь и третий урок: я вам не сказал, сколько тестировщиков я наблюдал, чтобы получить эти данные. Чем больше вы проводите тестов, тем точнее окончательный анализ. Если у вас было только три теста — тогда все попытки как-то предсказать общие тенденции при помощи этих цифр бесполезны. Если бы у вас было несколько тысяч тестов, было бы куда лучше.

Сколько тестов необходимо для того, чтобы анализ был достаточно качественным? Зависит от того, что понимать под «достаточно качественным». Чем больше тестов — тем вы можете быть увереннее, но стопроцентной уверенность у вас не будет никогда, сколько бы тестов вы ни проводили. Люди, сделавшие статистику своей профессией, оперируют понятием «доверительный интервал», в котором они дают вам диапазон значений, а потом говорят, что они уверены на 95%, будто действительное значение на самом деле будет в таких-то пределах. Во всём этом гораздо больше тонкостей, чем большинству из нас потребуется в дизайнерской работе каждый день.

Статистические выбросы

Если у вас есть группа данных с небольшим количеством всплесков или провалов — значений, которые гораздо больше или меньше среднего, — это так называемые статистические выбросы. Так как они сдвигают среднее значение далеко от срединного, если ваше среднее и срединное значение сильно отличаются, скорее всего, виноваты статистические выбросы.

Когда вы проводите статистический анализ, вы можете задуматься, что делать с выбросами? Включать ли их в расчёты? Или игнорировать? Отнести ли их отдельно в особую группу? Как и с большинством других вещей — зависит от обстоятельств.

Если вы пытаетесь определить обычные модели игры, как правило, лучше не обращать на выбросы внимания, потому что они по определению сильные отклонения от нормы. Если вы рассматриваете крайние случаи, тогда вы их не только оставляете, но и внимательно рассматриваете: например, вы пытаетесь проанализировать различные рекорды по очкам, чтобы знать, как отображать их в рейтинге, вы должны понимать, что верхние строчки в списке будут занимать как раз пиковые значения.

В любом случае, если у вас есть статистические выбросы, обычно стоит рассмотреть их подробнее, чтобы выяснить, что случилось. Возвращаясь к нашему предыдущему примеру о времени прохождения уровня, если большинство игроков проходят обучение за время от 5 до 7 минут, но вы заметили небольшое количество тестеров, которые прошли его за 1–2 минуты, это значит, что они наши какой-то обходной путь или эксплойт, и вам надо разобраться, как так вышло.

Если же большинство управляется за 5–7 минут, а одному игроку понадобилось полчаса, это, по-видимому, значит, что он просто поставил игру на паузу и где-то бродил всё это время, или же ему так понравилось в этой песочнице, что он просто забавлялся и ему не было дела до продвижения — как бы то ни было, скорее всего, этим одним результатом можно пренебречь. Но если таких людей трое или четверо (всё равно в подавляющем меньшинстве), вам стоит следить за ситуаций далее, ведь может случиться, что некая малая группа людей будет сталкиваться в игре с проблемами… или это игроки, которым очень-очень понравилась какая-то вещь в обучении: такое тоже полезно узнать (пригодиться в дизайне последующих уровней).

Рабочая выборка

Вот ещё одна из причин, по которой ваша статистика может пойти наперекосяк: всё зависит от того, что и кого вы отобрали для работы.

Я уже упоминал одну из самых распространённых проблем — недостаточно большая выборка. Чем больше у вас данных, тем лучше. Вот вам пример: когда-то, когда я регулярно играл в Magic: TheGathering, мне довелось собирать колоду для друга — я не мог поучаствовать в турнире, зато у него получалось. Чтобы определить, подходящее ли у меня соотношение земель к заклинаниям, я перетасовал колоду, сдал первый круг и сыграл несколько ходов понарошку, чтобы увидеть, хватает ли мне всего. Я такое проделывал много раз, доходя почти до дна колоды, и в зависимости от того, было у меня слишком много или слишком мало земель, я добавлял или убирал их, перетасовывал карты и повторял процедуру. На тот момент мне казалось, что это отличный способ на глазок прикинуть, сколько мне нужно земель.

Но так уж случилось, что я не заметил, что земли были очень равномерно распределены по колоде, а не собраны в группы, так что под конец мне стало казаться, что всё в порядке. Я всё считал и считал. После турнира, на котором моего друга разнесли в пух и прах, он мне поведал, что ему постоянно не хватало земель, и когда мы прошлись по колоде и всё пересчитали, оказалось, что земель было всего 16 на колоду из 60 карт. Друг меня выбранил, и поделом. Проблема же заключалась в том, что я пытался анализировать количество земель статистическими методами, но размер выборки был слишком мал, чтобы дать какие-либо значимые результаты.

Вот ещё один пример: допустим, вы создаёте игру, ориентированную на рынок казуальных тайтлов. Все в вашей команде разработчиков поиграли в игру, чтобы иметь какие-то базовые данные о том, как долго проходится каждый уровень и насколько он сложен. Проблема: люди, сыгравшие в игру, вероятно, не относятся к казуальным игрокам, так что они не являются репрезентативной рабочей выборкой вашей целевой аудитории. Я уверен, что когда-нибудь такое случалось.

Пример поновее: поговаривают, что в True Crime: Hong Kong издатели из Activision якобы потребовали, чтобы разработчики изменили пол главного персонажа с женского на мужской, так как их фокус-группа отдала предпочтение мужскому персонажу. Проблема: фокус-группа была составлена полностью из мужчин, или же вопросы были изначально так искажены теми, кто их составлял, чтобы продвинуть нужную им идею, а не выяснить истинное положение вещей.

В Activision, конечно, всё это отрицают, но тема всё равно активно обсуждается во всём игровом сообществе. И дело не только в роли женщин в играх, а ещё и в использовании фокус-групп и статистики в геймдизайне. Такие вещи наблюдаются повсеместно, особенно в большой политике, где у множества людей есть свои личные интересы, и они готовы извратить результаты исследования и статистические методы, лишь бы доказать то, что им выгодно.

Когда вы собираете данные тестирований, следует приложить все усилия, чтобы собрать тестеров, которые как можно ближе к целевой аудитории, и вам следует провести как можно больше тестирований, чтобы отфильтровать все случайные помехи. Качество анализа зависит от качества исходных данных.

И даже если вы пользуетесь статистикой «честно», всё равно существуют проблемы, с которыми сталкивается каждый дизайнер, в зависимости от разрабатываемой игры.

• Когда дело касается видеоигр, вы отданы на милость программистов, и с этим ничего нельзя поделать. Именно программисты вынуждены тратить своё время на написание кода для сбора показателей, которые вы запрашиваете. Время на программирование всегда ограничено, так что подчас вам придётся выбирать между тем, чтобы команда программистов воплощала механизм сбора данных или воплощала собственно те игровые механики, которые вы разработали. И это при условии, что за вас не решил издатель или продюсер. В некоторых компаниях проще, в некоторых — сложнее, но так бывает, что сбор количественных показателей занимает то же место, что и аудио, локализация и тестирование — то есть задачи, которые откладываются до последнего, когда уже поздно что-то менять в лучшую сторону.
• Что до настольных игр — вы на отданы на милость тестировщиков. Чем больше вы соберёте данных, тем лучше, само собой. Но в действительности, видеоигра может быть выпущена в бета-версии и получить сотни и тысячи прохождений, тогда как с настольными играми, если оценивать всё реалистично, удастся сделать лишь малую толику этого при тестировании вживую. Чем меньше выборка, тем ненадёжнее данные тестирований.
• Для любой игры вам необходимо очень чётко знать заранее, что именно вы будете измерять и с какой точностью. Если вы проведёте несколько сотен тестирований, и лишь потом осознаете, что вам необходимо собрать данные об определённом состоянии игры, которые вы до этого не отслеживали, вам придётся проводить все тесты снова. Единственное, что вы можете с этим поделать — смириться с тем, что, как и сам дизайн, тестирование и сбор данных — процессы цикличные, и учитывать это при составлении графика работ.
• Кроме того, необходимо помнить, что независимо от разновидности игры очень, очень просто случайно всё спутать и получить неверный ответ — прямо как с вероятностями. В отличие от вероятностей, в данной ситуации не проводится так много проверок работоспособности для того, чтобы неправильные числа выглядели неправильно, так как согласно определению вы не всегда точно знаете, что ищете или какого ответа ожидаете. Поэтому нужно действовать осторожно и использовать каждый возможный метод, чтобы провести независимую проверку полученных чисел. Также лучше представить себе заранее, какими могут быть вероятные результаты вашего анализа и что они будут из себя представлять.

Корреляция и причинность

В конечном счёте одна из наиболее распространенных ошибок, связанных со статистикой, это ситуация, когда вы замечаете своего рода корреляцию между двумя величинами.

Корреляция значит, что при увеличении одной величины кажется, что вторая величина также увеличивается (положительная корреляция) или уменьшается (негативная корреляция). Хорошо, если вы и вправду найдёте корреляцию, но очень часто предполагают, что только потому, что две величины взаимосвязаны, одна является причиной другой, а этого нельзя утверждать исходя только из статистики.

Рассмотрим пример. Представим себе, что играя в Пуэрто-Рико, вы замечаете сильную положительную корреляцию между выигрышем и покупкой здания фабрики. Предположим, что в 95 играх из 100 победитель купил фабрику. Естественно предположить, что фабрика обладает суперсилой и поэтому вы выигрываете. Но без дополнительной информации такой вывод делать нельзя. Ниже приведены другие выводы, которые также будут верны, исходя из этих данных:

• Возможно всё как раз наоборот, выигрыш обусловливает покупку фабрики. Это звучит странно, но, может быть, идея заключается в том, что фабрика помогает игроку, который уже выигрывает, то есть не фабрика обусловила выигрыш, а лидерская позиция по какой-либо причине обусловила покупку фабрики.
• Или, возможно, что-то иное является причиной этих двух событий: выигрыша и покупки фабрики. Может быть, какая-то покупка в начале игры приводит игрока к покупке фабрики и та же покупка в начале игры способствует выигрышу, таким образом, фабрика — это только показатель, а не основная причина.
• Или эти два события могут быть не взаимосвязаны, а ваша выборка не достаточно большая для того, чтобы закон больших чисел вступил в действие. На самом деле мы постоянно сталкиваемся с этим явлением в массовой культуре, когда две вещи, которые очевидно не связаны между собой, всё равно считаются взаимосвязанными. Например, футбольный матч команды Вашингтон Редскинз предсказывает результаты следующих выборов президента в США, или осьминог предсказывает победителя Кубка мира по футболу, или сурок, если увидит свою тень, предсказывает ещё долгую зиму. Как мы уже знаем благодаря изучению вероятностей, если взять много случайных величин, то можно заметить повторяющиеся схемы; с одной стороны, это могут быть последовательности, которые не похожи между собой, но с другой стороны, если взять множество сборок данных, возможно, некоторые из них будут случайным образом взаимосвязаны. Если вы мне не верите, попробуйте бросить несколько раз две отдельные игральные кости и затем посчитать корреляцию между этими числами. Могу поспорить, что она не будет равна нулю.

Статистика в Excel

Хорошие новости: хотя здесь используется большое количество математических формул, вам на самом деле не нужно их знать. Excel сделает всё за вас, она содержит все эти формулы. Ниже приведены некоторые полезные формулы:

• СРЕДНЕЕ ЗНАЧЕНИЕ (AVERAGE): считает среднее значение для выбранного диапазона ячеек. Вы также могли бы использовать СУММИРОВАТЬ (SUM) ячейки и затем разделить результат на количество ячеек, но СРЕДНЕЕ ЗНАЧЕНИЕ легче.
• СРЕДИННОЕ ЗНАЧЕНИЕ (MEDIAN): как вы уже могли догадаться, считает срединное значение для выбранного диапазона ячеек.
• СРЕДНЕКВАДРАТИЧЕСКОЕ ОТКЛОНЕНИЕ (STDEV): считает среднеквадратическое отклонение для выбранного диапазона ячеек.
• КОРРЕЛЯЦИЯ (CORREL): вы указываете два диапазона ячеек, и между двумя подборками данных подсчитывается корреляция. Например, вы можете создать две колонки: первую с финальными результатами игры, а вторую с результатами после первого хода, выполненного каждым из игроков, и посмотреть, влияют ли результаты в начале игры на её итог (если это так, возможно, где-то в игре есть положительная обратная связь). Коэффициентом корреляции при использовании функции CORREL в Excel может быть число от -1 (полная негативная корреляция) до 0 (не взаимосвязаны) и до +1 (полная позитивная корреляция).

Есть ли хорошие новости

Я уже так много рассказал о том, как можно использовать статистику неправильно, что вам, наверно, уже интересно, полезна ли она для чего-нибудь. Ответ: да, полезна. Если у вас есть вопрос, на который вы не можете ответить интуитивно, и он требует математического расчёта вашей кривой затрат и прогресса, вы сможете сделать полезные выводы с помощью статистики — если зададите правильные вопросы и соберёте правильные данные.

Приведу пример случая, когда статистика очень пригодилась при разработке игры. Я работал в компании, которая разрабатывала онлайн-игру, и мы обнаружили, что количество игроков и число сыгранных партий стали уменьшаться, потому что некоторое время мы не выпускали обновлений. (Это было ожидаемо. Я заметил, что при отсутствии обновлений онлайн-игра теряет примерно половину основных игроков приблизительно каждые 6 месяцев — по крайней мере, исходя из моего опыта.)

Но мы не ожидали следующего: как-то раз одному из наших разработчиков стало скучно, и он создал бота для проведения викторины, небольшой кусочек кода, который заходил на сервер под своим собственным игровым аккаунтом, рассылал вопрос викторины каждые пару минут, а затем анализировал чат игроков на предмет правильного ответа.

И эта викторина пользовалась популярностью, как бы глупо и просто это не было, потому что представляла собой недолгий мгновенный каузальный игровой опыт.

А теперь главный вопрос: что произошло с игроками и что произошло с самой игрой, с той игрой, в которую игроки должны были, по идее, играть (в которой они бы заходили в чат, чтобы найти с кем посоревноваться, перед тем как их бы отвлёк бот с викториной)?

Некоторым игрокам очень нравился бот с викториной. Им было чем заняться между партиями. Другие терпеть не могли бота, они утверждали, что им было сложнее найти игроков для партии, потому что все, кто был на тот момент в игре, были слишком заняты тем, что отвечали на глупые вопросы викторины вместо того, чтобы играть в игру.

Кто был прав? Интуиция в данном случае нам не помогла, потому что интуиция подсказывала всем по-разному.Также не подходил вариант прислушаться к игрокам, потому что та группа игроков, которая высказывала своё мнение, была ориентирована на одно направление, а возможности опросить тех, кто не высказывал своё мнение, не было.Также не подходила возможность использовать математический расчёт, потому что бот с викториной не был частью игры, не говоря уже о кривой затрат. Можно ли было ответить на этот вопрос с помощью статистики? Конечно, и мы так и поступили.

Это было довольно просто и не требовало детального анализа. Нужно посчитать количество всех входов в игру за день. Затем посчитать количество сыгранных партий.

Так как на нашем сервере и так сохранялся каждый вход в игру, выход и начало игры, у нас уже были эти данные, и всё, что нам нужно было сделать, это провести простой анализ, чтобы определить, как эти величины изменились с течением времени. Как и ожидалось, с момента последнего релиза все показатели постепенно уменьшались, но, вообще-то, бот с викториной способствовал заметному повышению количества входов в игру и числа партий.

Оказалось, что пользователи заходили в игру и играли с ботом в викторину, но пока они находились в игре, они также играли партии друг с другом. Это был вывод, к которому было бы невозможно прийти каким-то определённым способом без анализа точных данных. И так мы узнали нечто очень важное для онлайн-игр: лучше, когда онлайн много игроков, которые взаимодействуют друг с другом, даже если они взаимодействуют нестандартным способом.

Количественные показатели

Ниже приведена общая закономерность, существующая в художественных и творческих направлениях, особенно таких, как археология или сохранение памятников материальной культуры, или психология, или медицина. Где нужна определенная доля интуиции, но в тоже время есть «лучший способ» что-либо сделать. Прогрессия выглядит примерно следующим образом:

• Практикующие специалисты рассматривают свою область как «гуманитарную науку», но особо ничего не знают о лучших принципах и практиках. Со временем они поймут, как всё работает, но в основном путём проб и ошибок.
• Кто-то создаёт технологию, которая, похоже, с помощью алгоритма решит множество проблем. Практикующие специалисты радуются: «Наконец-то мы занимаемся точной наукой. Больше никаких догадок». Большинство молодых специалистов отказывается от «старых методов» и с радостью встречает «науку» как способ решить все проблемы, существующие в их области. Старая гвардия видит в этом угрозу тому, как они работали всё это время, и проявляет скептицизм.
• Когда технологию долго используют, её ограничения становятся очевидными. Практикующие специалисты понимают, что в их действиях всё равно присутствует таинственный эмоциональный элемент и что до того дня, когда техник сможет ответить на все вопросы, ещё намного дольше, чем изначально казалось. Когда люди перестают доверять своим инстинктам, многих охватывает разочарование, потому что теоретически технологии способны на большее, но люди не хотят доверять современным технологиям, потому что они ещё не настолько хорошо работают. Сторонники изменений признают, что это решение не оказалось панацеей, как они того ожидали; старая гвардия признаёт, что всё же в этом решении намного больше полезных моментов, чем они изначально предполагали. Все обнимаются и мирятся.
• В итоге специалисты действуют по следующей схеме: изучают, что можно сделать с помощью компьютерных алгоритмов, а для чего необходимо креативное мышление человека. Область развивается, потому что объединяет в себе лучшее из двух направлений. Но изучение того, какие задачи лучше выполнять человеку, а какие компьютеру, представляет собой процесс обучения, который занимает определённое количество времени.

Кажется, что на данный момент геймдизайн находится только в начале второго этапа.

Всё чаще и чаще мы слышим, как люди рассказывают, основываясь на своём опыте, почему количественные показатели и статистический анализ спасли их компанию.

Мы слышим о ММО, которые самостоятельно могут решить свои проблемы с игровым балансом — изучая модели поведения игроков — ещё до того момента, как игроки научатся использовать эти проблемы в своих интересах. Мы слышим о том, как в компании Zynga изменили цвет шрифта с красного на розовый, что способствует экспоненциальному росту количества переходов по ссылке с целью попробовать поиграть в другие игры. Появились целые компании, цель которых — помочь разработчикам собрать и проанализировать количественные показатели.

В индустрии растёт число приверженцев количественных показателей, и я предполагаю, что по крайней мере одна компания, которая при разработке геймдизайна будет полностью полагаться на количественные показатели, к тому времени, когда все эти идеи пересмотрят, потерпит неудачу. И очень сильную, потому что будет настолько увлечена числами, что забудет, кто на самом деле играет в игру. Люди, которые хотят развлечься. Это не подлежит непосредственному измерению. Возможно, этого и не случится. Я и раньше ошибался.

Во всяком случае, кажется, что на данный момент есть три точки зрения по поводу использования количественных показателей:

• Модель компании Zynga: геймдизайн практически полностью выполняется на основе количественных показателей. Нравится вам это или нет, 60 миллионов активных игроков в месяц смеялись над вашим слабым геймдизайном, основанном на интуиции.
• Восстание против модели компании Zynga: количественные показатели легко неправильно понять, ими легко манипулировать, и поэтому они опасны и приносят больше вреда, чем пользы. Если вы измерите активность игроков и определите, что большинство игроков чаще всего пользуется экраном авторизации, чем каким-либо другим внутриигровым действием, это не значит, что в игру нужно добавить больше экранов авторизации, основываясь на предубеждении, что если игрок выполняет какое-либо действие, то это весело и интересно. Если вы разрабатываете геймдизайн при помощи количественных показателей, вы ставите себя в рамки и вынуждены создавать такие игры, которые могут быть созданы опираясь исключительно на количественные показатели, в результате вы отказываетесь от множества действительно интересных жанров видеоигр.
• Умеренное использование количественных показателей: количественные показатели имеют свою область применения, они помогут определить наиболее успешные моменты в игре. С их помощью вы сможете сделать хорошую игру немного лучше, они помогут исследовать другие возможности геймдизайна. Но у интуиции также есть своя область применения. Иногда нужно исследовать неизведанную территорию, чтобы определить, что относится к главным успехам игры, а это невозможно только с помощью количественных показателей, потому что иногда необходимо сделать игру немного хуже в одном аспекте, прежде тем как сделать её намного лучше в другом, а колич

  ©  vc.ru