Анализ больших данных для монетизации видеоигр, мобильных и социальных игр

Научитесь понимать прибыльное поведение потребителей и влиять на него

В настоящее время игровая индустрия претерпевает колоссальные изменения вследствие расширения традиционного игрового ландшафта и включения в него новых типов игр, платформ и игроков. Методы анализа больших объемов данных позволяют разработчикам игр и игровым брендам получать богатую и разнообразную поведенческую и мультиструктурную информацию об играх и игроках. Эти данные можно хранить в базах данных noSQL и объединять с реляционными транзакционными базами данных, чтобы добиться ощутимых конкурентных преимуществ благодаря более основательному и практичному пониманию ситуации.

Кимберли Чулис, генеральный директор и соучредитель компании Core Analytics, LLC

Photograph of Kimberly ChulisКимберли Чулис (Kimberly Chulis) — один из основателей компании Core Analytics, LLC. Имея за плечами более 18 лет профессионального опыта в области передовых аналитических средств, она доказала свою компетентность аналитика при работе над проектами в целом ряде компаний и отраслей, включая компании WellPoint, HCSC, UHG, Great West, Accenture, Ogilvy, Microsoft, Sprint/Nextel, Commonwealth Edison, TXU, Eloyalty, SPSS, Allstate, Cendant и другие организации в финансовом, телекоммуникационном, здравоохранительном, энергетическом, некоммерческом, торговом и образовательном секторах. Кимберли защитила докторскую диссертацию в университете Пердью по вопросам поведения потребителей в областях здравоохранения и социального обеспечения и имеет степень магистра экономических наук по специальности «Экономика и эконометрия здравоохранения», полученную в университете штата Иллинойс в Чикаго kim@coreanalytics.com.



06.06.2013

В игровой индустрии происходят революционные изменения. Размеры глобальной игровой индустрии просто потрясают. По словам аналитика игровой индустрии Колина Себастьяна (Colin Sebastian) из RW Baird, видеоигры принесли в 2011 году 60 миллиардов долларов дохода, и ожидается, что к 2014 году прибыли достигнут 80 миллиардов долларов. Несмотря на то, что детали прогнозов и ожидаемые модели экономического роста по различным типам игр разнятся в зависимости от источника, некоторые предсказывают, что в следующем десятилетии индустрия видеоигр станет основным каналом средств массовой информации (см. раздел Ресурсы). Согласно прогнозам, в этом (2012) году компьютерные игры принесут прибыль в размере 20 миллиардов долларов США, а социальные игры — в размере 2 миллиардов долларов США. Хотя данные цифры показывают, что в настоящее время наибольшая доля рынка принадлежит индустрии видеоигр, при этом происходят важный сдвиг в предпочтениях и демографические изменения среди игроков, что, как ожидается, приведет к частичному снижению популярности основных видеоигр и быстрому сокращению ассортимента видеоприставок.

Социальные игры в настоящее время предлагаются по сниженным ценам через социальные платформы (например, Facebook), при этом в них играют на различных мобильных платформах, таких как Android и iOS. Эти игры отличаются от традиционных видеоигр и массовых многопользовательских онлайн-игр (MMO). Традиционные закоренелые геймеры — это  преимущественно мужчины в возрасте от 18 до 34 лет, которые покупают коробочные игры для приставок и компьютерные игры, оплачивают покупки наличными и кредитными картами и играют в одиночку или в ограниченной интерактивной среде. Стремительное признание мобильных игр свидетельствует о фундаментальных изменениях в игровом ландшафте, расширяющих контингент, стиль игры и цели геймеров. Согласно статистическим данным, 54 % социальных геймеров – это женщины, использующие для покупок мобильные платежи и PayPal и играющие на различных платформах и устройствах (см. раздел Ресурсы). Также представляют интерес кардинальные различия в моделях получения игрового дохода с помощью различных устройств. Недавние исследования, проведенные компанией Newzoo, показывают, что игры для платформы iOS приносят 85 % внутриигрового дохода, значительно превосходя по этому показателю игры для Android и других платформ.

Анализ индустрии свидетельствует об ожидаемом снижении уровня продаж игр для видеоприставок, соответствующего аппаратного обеспечения и устройств, а также о том, что игры на базе Web-технологий становятся наиболее перспективной игровой платформой. Эта тенденция будет развиваться одновременно с продолжающимся ростом спроса на видеоигры для компьютеров и бурным ростом спроса на мобильные игры, которые, как ожидается, будут приносить доход в размере 16 миллиардов долларов США к 2016 году, согласно оценкам компании ABI Research. Данные прогнозы свидетельствуют о больших возможностях для поставщиков аналитических инструментальных средств.


Игровая аналитика

Хотя размеры глобальной игровой индустрии сейчас превышают размеры музыкальной индустрии и находятся на одном уровне с киноиндустрией, разработчики игр только начинают применять расширенные аналитические средства для поддержки разработки игр, проектирования продукции, целенаправленных маркетинговых мероприятий и внутриигровой монетизации, управляемой данными оптимизации. Соответствующая индустрия игровой аналитики все еще обслуживается в недостаточном объеме. Список поставщиков аналитических инструментальных средств для сегмента социальных и мобильных игр продолжает расширяться; сегодня он и представлен компаниями Kontagent, Flurry, Mixpanel, Totango, Claritics и Google Analytics. Гораздо меньше поставщиков аналитических инструментальных средств специализируется на компьютерных играх и играх MMO и, по-видимому, нет ни одного поставщика, который бы специализировался на предоставлении инструментальных средств для кросс-платформенной игровой аналитики.

Многие из этих готовых продуктов должным образом предоставляют ожидаемый стандартный перечень показателей для социальных игр (см. раздел Ресурсы), включая следующие параметры:

  • количество активных пользователей за сутки (DAU);
  • количество активных пользователей за месяц (MAU);
  • комбинированный коэффициент DAU/MAU;
  • вовлеченность - подсчет времени, проведенного в игре;
  • коэффициент К, определяющий уровень «зараженности» игрой по мере расширения базы основных и случайных игроков;
  • средний доход с одного пользователя (ARPU);
  • пожизненная ценность клиента (LTV)— ценность игрока для игры на основе внутриигровых покупок и прочего поведения, связанного с монетизацией, а также влияния игрока на степень распространения игрового контента и пропаганду игр по сети.

Игровая монетизация

Традиционно видеоигры и социальные игры имели принципиально разные бизнес-модели. В настоящее время подходы к монетизации бизнеса в этих двух разных типах игр сближаются. В прошлом видеоигры основывались на подписной модели, требующей от геймеров предварительной покупки игры и подписки с ежемесячным внесением платы. В настоящее время  эта бизнес-модель вытесняется играми, использующими модель тестирования или бесплатной игры, которая приближается к развивающейся модели бесплатного минимума («freemium»), обычно предлагаемой социальными играми (см. раздел Ресурсы). В настоящее время термины «мобильные» и «социальные» применительно к играм часто используются в качестве равнозначных; однако, вероятно, они станут относиться к разным игровым жанрам по мере развития моделей распространения игр. Эти модели расширят доступ к играм и значительно увеличат соответствующий круг потенциальных игроков. Несмотря на то, что некоторые игры в настоящее время доступны только на определенных сайтах (например, Facebook), на отдельных платформах (например, компьютер или Xbox) или на конкретных устройствах (например, iPhone или iPad), в конечном итоге многие игры будут выпускаться на большем количестве платформ в сайто- и аппаратно-независимом виде.

Социальные и мобильные игры приносят доход (монетизируются) несколькими способами, а связанные с ними бизнес-модели и модели монетизации динамично изменяются. Некоторые игры (например, игра в слова W.E.L.D.E.R. для платформы iOS) требуют внесения абонентской платы при покупке, однако, вероятно, в конечном счете такие игры перейдут к использованию модели бесплатного минимума. Другие игры (например, игры в социальной сети Facebook) опираются на продажу виртуальных товаров. Например, в таких играх, как Zynga's CityVille, используется модель, в соответствии с которой игроки платят наличными или кредитами Facebook для приобретения внутриигровых виртуальных товаров, помогающих успешнее играть, получать различные преимущества и премиум-доступ, а также быстрее продвигаться к более высоким уровням. Третьей популярной формой игровой монетизации является внутриигровая реклама. Такие компании, как TapJoy, предлагают внутриигровую баннерную рекламу, видеорекламу и вставку полноформатных рекламных объявлений. Существует растущий перечень компаний, предлагающих смешанные модели, нацеленные одновременно и на повышение информированности о новых играх, и на оптимизацию монетизации. По мере развития игр и связанных с ними моделей монетизации в геометрической прогрессии растет важность лежащих в их основе аналитических средств для определения сегментов игроков, стиля их игры, их склонности кликать по внутриигровым рекламным объявлениям или платить наличными за виртуальные товары. Нынешние поставщики предлагают стандартные показатели, при этом некоторые из них (например, Flurry и Kiip) предлагают механизмы оптимизации продаж виртуальных товаров и рекомендаций по рекламе. Хотя индустрия игровой аналитики делает огромные шаги, чтобы не отстать от требований времени, она, похоже, все еще находится в стадии становления. В настоящее время имеются целые хранилища практически нетронутых запасов социальной информации на уровне идентификаторов игроков в качестве потенциальных средств прогнозирования, которые можно связать с сегментацией и склонностью к тем или иным моделям совершения покупок и которые могут стать движущей силой разработки игр и локализации на основе ценности, а также подготовки целенаправленных внутриигровых предложений и рекламы. Эти социальные данные также могут служить мерилом успеха сетевых промоутеров, помогать в выявлении лояльных игроков и отслеживании популярности внутриигровых предложений.

Помимо господствующих подходов к игровой монетизации, детально рассмотренных выше, появляется еще один заслуживающий упоминания крупный рыночный тренд, который также важен с точки зрения расширенной игровой аналитики. Геймификация— один из самых ярких коммерческих трендов 2012 года, охватывающий использование игровой механики и дизайна для мотивации людей и побуждения к определенному поведению (см. раздел Ресурсы). С точки зрения поведения потребителей геймификация в целях поощрения желаемого поведения включает введение таких игровых элементов, как таблицы лидеров, значки, трофеи, очки, виртуальная валюта и кредиты, а также многое другое. В одном из таких случаев компании Bunchball и IBM® совместными усилиями ввели геймификацию для стимулирования признания и вовлечения пользователей в среду IBM Connections (см. раздел Ресурсы). Компании, работающие в области здравоохранения (например, UnitedHealth Group), включили стратегии геймификации и видеоигр для рекламы самоуправления здоровым образом жизни и заботой о своем здоровье. Прогнозируется, что к 2016 году геймификация будет приносить доход в размере 2 миллиардов долларов в виде прямых денежных платежей. По мере роста популярности и увеличения масштабов внедрения данных программ решения для игровой аналитики, измеряющие влияние программ геймификации на привлечение и лояльность клиентов, будут безусловно пользоваться спросом.

Учитывая ожидаемое развитие видеоигр, социальных и мобильных игр, а также растущее освоение геймификации корпоративными заказчиками, можно ожидать, что связанные с играми и геймификацией аналитические решения станут более зрелыми. Существует мощный барьер, препятствующий повышению гибкости аналитики, связанной с играми и игроками. Основная масса внутриигровых данных, данных о переходах с одного уровня на другой, получении умений, внутриигровых покупках, а также второстепенная игровая информация на уровне отдельных игроков представляет серьезную проблему для традиционных структур баз данных. Традиционные системы управления реляционными базами данных (RDBMS) не предназначены для управления, хранения и обработки петабайтных объемов данных, генерируемых современными MMO, мобильными и социальными играми. Новейшие решения для работы с большими объемами данных основаны на технологии NoSQL (см. раздел Ресурсы) и значительно лучше подходят для управления стремительно меняющимися объемами данных, источниками и форматами структурированных, полуструктурированных и неструктурированных данных, а также для фильтрации данных до пригодных для обработки наборов, служащих входной информацией для оперативных аналитических решений.


Технологический прогресс в базах данных

Реляционные базы данных широко применяются с момента их появления на сцене в 1970-х годах. Несмотря на взрывной рост баз пользователей онлайн-приложений и соответственно данных, генерируемых онлайновыми и мобильными системами в течение этого времени, новые решения, которые лучше подходили бы для управления данными такого большого объема, не появлялись и не получали широкого распространения вплоть до недавнего времени. Вместо этого были внедрены различные методы увеличения емкости традиционных систем.

  • Шардинг— методика разделения данных по разным серверам, которая требует знания местонахождения сервера с данными и ограничена отсутствием возможности объединения данных с разных серверов. Необходимо сопровождение схем для каждого сервера.
  • Денормализация— еще один метод, включающий группирование и индексирование избыточных данных, зачастую приводящий к задержке и проблемам с поддержанием параллелизма в системах реляционных баз данных.
  • Распределенное кэширование, которое предусматривает кэширование последней полученной информации в памяти, полезно, если может возникнуть потребность в этих данных. Приложение (Web-приложение, игра, социальная сеть, поисковая система и т. д.) сначала проверяет наличие необходимых данных в системе распределенного кэширования (например, memcached) вместо обращения к реляционной базе данных.

Новейшие технологии NoSQL позволяют обойти типичные недостатки реляционных баз данных и избежать вытекающей из этих недостатков необходимости применения методов расширения, описанных в предыдущем абзаце. Этим технологиям не требуются схемы и объединения, они не являются реляционными. Такие базы данных могут обрабатывать структурированные, полуструктурированные и неструктурированные данные. Дополнительные данные могут добавляться в хранилища в любое время независимо от формата и незамедлительно становятся доступными для анализа. Эти базы данных легко справляются с иерархическими вложенными структурами данных и благодаря своей гибкости поддерживают возможность автоматического распределения данных по серверам по мере увеличения и уменьшения объема информации без какого-либо влияния на производительность (см. раздел Ресурсы).

Существует множество типов баз данных NoSQL, включая документо-ориентированные хранилища, поколоночные хранилища, хранилища типа «ключ-значение», базы данных XML и базы данных на основе графов. Сегодня применяется более 122 баз данных NoSQL, и их число продолжает увеличиваться. Существует несколько популярных вариантов NoSQL с открытым исходным кодом, включая поколоночные хранилища (например, Apache CouchDB и MongoDB) и поколоночные хранилища с широкими строками (например, Apache Cassandra, Apache Hadoop и Hbase). Существуют также аналитические инструментальные средства с открытым исходным кодом, работающие поверх СУБД, например парадигма MapReduce в СУБД Hadoop. Механизм машинного обучения Apache Mahout обеспечивает классификацию, кластеризацию и совместную фильтрацию. Для исполнения статистической обработки с массовым параллелизмом непосредственно на узлах Hadoop была интегрирована система R с открытым исходным кодом. Также популярны коммерческие варианты NoSQL, которые интегрируются с Hadoop и другими инструментальными средствами с открытым исходным кодом и значительно расширяют возможности последних, добавляя средства аналитики, глубинного анализа текста, внутренней обработки приложений, функции MapReduce и возможности построения графиков. Одним из таких примеров является недавно выпущенный продукт IBM InfoSphere BigInsights (см. разделРесурсы), созданный на платформе Apache Hadoop и доступный как в базовой бесплатной версии, так и в коммерческой корпоративной версии с расширенными возможностями.


Примеры аналитики видеоигр

Теперь настало время взглянуть на несколько реальных приложений для аналитики игр. Представьте себе какую-нибудь большую видеоигру в жанре MMO. В этот игровой жанр входят такие популярные игры, как World of Warcraft (самая прибыльная видеоигра в истории) и недавно выпущенная Star Wars: the Old Republic. Модели подписки этих видеоигр подразделяются на несколько категорий:

  • платный игровой процесс («Pay-to-play»)— игроки должны ежемесячно вносить абонентскую плату;
  • бесплатный игровой процесс («Free-to-play»)— обычно включает предварительную оплату стоимости программного обеспечения без каких-либо дополнительных взносов;
  • бесплатный минимум («Freemium»)— позволяет игрокам получать доступ к игровому контенту и играть бесплатно, при этом за определенную плату предлагается возможность получения дополнительного контента и доступа.

В крупнейших видеоиграх данного жанра применяется модель платного игрового процесса. Студии-разработчики видеоигр в настоящее время сталкиваются с жесткой конкуренцией – прямым результатом роста популярности мобильных и социальных игр. Поэтому, несмотря на то, что в настоящее время крупнейшие видеоигры следуют этой модели подписки, в конечном счете возможен их переход к модели бесплатного минимума.

Для игр с платным игровым процессом игровая аналитика фокусируется на определении наиболее ценных игроков, стиля их игры, наличия с их стороны пропаганды игры и вовлечения в игровой процесс других игроков, а также определении их индивидуальных игровых особенностей и мотивов как игроков. Важной областью применения моделирования склонностей в модели данного типа является определение игроков с самой высокой предрасположенностью к следующим действиям:

  • продолжение подписки;
  • возвращение к игре после пауз в подписке;
  • стимулирование к подписке новых игроков;
  • превращение в опытных и влиятельных руководителей игровых гильдий (кланов).

В число элементов данных входят традиционные ключевые показатели эффективности (KPI) игрового времени на инструментальной панели, время, затраченное на прохождение уровней, характеристики поведения (игра в одиночку или общение с другими игроками), выбор аватара, показатели стиля взаимодействия, пол аватара, поведенческие параметры игровой стратегии, связанные с играми твиты, активность в социальных сетях, язык и многое другое.

Области применения микросегментации включают сегментирование базы игроков для понимания характерных предпочтений в том или ином сегменте, которые могут служить ориентиром для целенаправленной разработки игр, локализации, отражающей предпочтения в региональных сегментах, а также для обращения к целенаправленным пакетам расширений и разработки дополнительного контента (см. раздел Ресурсы). Когда вы сегментируете базу игроков и назначаете игрокам баллы в зависимости от их склонностей в режиме реального времени, подразделения производства, разработки и маркетинга получают детальную информацию о каждом игроке в отдельности, что помогает вырабатывать стратегию и проводить скрытые от пользователя измерения. Такой подход к игрокам не отличается от традиционного подхода к клиентам и направлен на применение расширенных аналитических средств для удержания игроков, уменьшения текучести базы игроков и повышения отдачи от маркетинга. Главным отличием в данном случае являются новые виды данных, а также громадные объемы и скорость генерирования этих данных. Индустрия видеоигр имеет большие перспективы эффективного использования сочетания традиционных реляционных баз данных (например, Netezza) с Hadoop и другими хранилищами данных NoSQL и применения для интеллектуального анализа данных (например, R или InfoSphere BigInsights) инструментальных средств, эффективно осуществляющих обработку и аналитику данных вне памяти.


Примеры аналитики мобильных и социальных игр

Разработчики мобильных и социальных игр были в числе первых пользователей технологий работы c большими данными, решений для облачных вычислений и соответствующих приложений для интеллектуального анализа данных. Например, компания Zynga хорошо известна в отрасли своей стратегией, основанной на применении углубленной аналитики игроков для анализа пользователей и принятия решений по его результатам. Аналитика игроков позволяет студиям-разработчикам социальных игр в режиме реального времени выявлять причины, по которым пользователи бросают игру, и определять других игроков с повышенным риском отказа от игры, что дает возможность вырабатывать стратегии удержания игроков, предотвращающие их уход из игры. Те же аналитические приложения оптимизируют вызванное рекламой взаимодействие и внутриигровые продажи виртуальных товаров. Если разработчик игр имеет возможности определения пользователей-фанатов, способствующих расширению базы игроков, он может выйти в социальные сети с вознаграждениями для поддержания желаемого поведения. Аналитические инструментальные средства в сфере мобильных устройств определяют игроков, представляющих наивысшую ценность с точки зрения склонности к покупке виртуальных товаров, продвижения игры или принесения доходов от рекламы. Еще одним важным вопросом, затрагивающим все игровые жанры, является игровое мошенничество. Аналитические инструментальные средства позволяют выявлять мошенническое поведение игрока для его исключения. Мобильные и социальные игры используют аналитику для понимания того, какой контент и какие кампании работают лучше всего, зачастую в сочетании со встроенным A/B-тестированием и улучшением контента. Сегментация игроков по параметрам, связанным с устройствами, платформами, операторами связи, географическим местоположением и демографическими характеристиками, упрощает подготовку более эффективных внутриигровых и неигровых предложений брендов и ориентированных на партнеров предложений в реальном времени.


Заключение

Индустрия и технологии видеоигр стремительно развиваются. Совершенствование технологий в обоих секторах открывает захватывающие возможности для разработчиков игр и медиа-студий, позволяющие применять расширенные аналитические средства для дальнейшего улучшения разработки и оптимизации усилий по монетизации игр. Если появятся новые законы штатов, легализующие азартные сетевые игры, то в фокусе расширенных аналитических средств и микросегментации появится новый объект для стимулирования монетизации игроков на основе моделей азартных игр. Актуальным вопросом для всех игровых жанров будет оставаться игровое мошенничество и предназначенная для борьбы с ним аналитика. Чем больше пользователей будут тяготеть к смартфонам и планшетным компьютерам, тем больше бизнес-моделей игр будет двигаться в направлении моделей бесплатного минимума; при этом будут возникать новые модели монетизации игроков, которые потребуют моделирования предрасположенностей и сегментации для лучшего определения ориентиров. Продолжит распространяться геймификация, и вместе с ней будет расти необходимость измерения показателей, связанных с соответствующими программами. Следующее десятилетие обещает стать благодатной почвой для специализированных решений в области игровой аналитики и для аналитиков, специализирующихся на технологиях работы с большими данными для экономически эффективного анализа поведения пользователей игр и потребителей.

Ресурсы

Комментарии

developerWorks: Войти

Обязательные поля отмечены звездочкой (*).


Нужен IBM ID?
Забыли Ваш IBM ID?


Забыли Ваш пароль?
Изменить пароль

Нажимая Отправить, Вы принимаете Условия использования developerWorks.

 


Профиль создается, когда вы первый раз заходите в developerWorks. Информация в вашем профиле (имя, страна / регион, название компании) отображается для всех пользователей и будет сопровождать любой опубликованный вами контент пока вы специально не укажите скрыть название вашей компании. Вы можете обновить ваш IBM аккаунт в любое время.

Вся введенная информация защищена.

Выберите имя, которое будет отображаться на экране



При первом входе в developerWorks для Вас будет создан профиль и Вам нужно будет выбрать Отображаемое имя. Оно будет выводиться рядом с контентом, опубликованным Вами в developerWorks.

Отображаемое имя должно иметь длину от 3 символов до 31 символа. Ваше Имя в системе должно быть уникальным. В качестве имени по соображениям приватности нельзя использовать контактный e-mail.

Обязательные поля отмечены звездочкой (*).

(Отображаемое имя должно иметь длину от 3 символов до 31 символа.)

Нажимая Отправить, Вы принимаете Условия использования developerWorks.

 


Вся введенная информация защищена.


static.content.url=http://www.ibm.com/developerworks/js/artrating/
SITE_ID=40
Zone=Information Management, Мобильные приложения
ArticleID=932901
ArticleTitle=Анализ больших данных для монетизации видеоигр, мобильных и социальных игр
publish-date=06062013