5 loại dữ liệu để hiểu sâu hơn về bí mật của trò chơi

Bạn có biết cách sử dụng dữ liệu không? Bài viết này bắt đầu với dữ liệu trò chơi và giới thiệu chi tiết những khía cạnh mà dữ liệu nên được sử dụng. Sách này được khuyến khích sử dụng cho những sinh viên muốn hiểu về phân tích dữ liệu.

Dữ liệu giống như cửa sổ, qua đó chúng ta có thể hiểu sâu hơn về nhiều bí mật trong thế giới trò chơi. Những bí mật này giống như kho báu ẩn sâu trong phòng. Chỉ bằng cách thực sự hiểu và tận dụng chúng, chúng ta mới có thể tạo ra những trò chơi hấp dẫn hơn và hình thành các mô hình kinh doanh thành công hơn.

Câu hỏi quan trọng là: Có những cửa sổ nào và chúng ta có thể mở chúng như thế nào?

1. Hành vi của người dùng

Từ cửa sổ này, chúng ta có thể thấy được bí mật của các kiểu hành vi liên quan đến người dùng.

Các chỉ số phổ biến như số người dùng hoạt động hàng ngày (DAU), doanh thu trung bình trên mỗi người dùng (ARPU), tỷ lệ duy trì, lợi tức đầu tư (ROI) hoặc các phân tích như kênh người mới và kênh hoạt động đều được thu thập thông qua phần dữ liệu này. Cốt lõi của việc thu thập dữ liệu này là nhúng hợp lý vào ứng dụng và việc thiết kế các sự kiện và thuộc tính có tầm quan trọng tối đa.

Việc thu thập điểm trong trò chơi thường được chia thành hai phần, một phần từ máy khách và phần còn lại từ máy chủ. Đối với việc thu thập dữ liệu theo dõi phía máy chủ, dữ liệu của nó không dễ bị mất và chính xác hơn. Do đó, các hành vi như "thanh toán" đòi hỏi số liệu thống kê chính xác hơn sẽ được thu thập thông qua việc thu thập dữ liệu theo dõi phía máy chủ. Việc thu thập dữ liệu từ phía khách hàng có tầm quan trọng tối đa trong ngành công nghiệp trò chơi.

Bởi vì đối với các ngành công nghiệp khác, dữ liệu theo dõi phía máy khách thường là phần bổ sung cho dữ liệu theo dõi phía máy chủ. Ví dụ, đối với các ứng dụng thương mại điện tử, việc phân tích hành vi hoạt động của người dùng trên giao diện có thể không có ý nghĩa bằng việc phân tích hành vi giao dịch cuối cùng của người dùng. Xét cho cùng, trong nhiều ngành công nghiệp, nhiều hành vi của khách hàng không phải là trải nghiệm cốt lõi và không liên quan đến nhau.

Trong ngành công nghiệp trò chơi, toàn bộ trải nghiệm của trò chơi nằm ở từng bước thao tác của người chơi. Nếu người chơi có trải nghiệm kém ở một chi tiết nào đó, họ có thể bỏ cuộc, nhưng nếu họ cảm thấy thích thú với một chi tiết nào đó, họ có thể tạo ra giá trị lớn hơn.

Lấy Hearthstone làm ví dụ, sau khi chơi một lá bài, bạn có thể tăng tốc độ hoạt ảnh bằng cách nhấp vào giao diện, do đó loại thao tác nhấp để tăng tốc hoặc bỏ qua hoạt ảnh này không phù hợp để đặt điểm ở phía máy chủ. Đối với các ngành công nghiệp khác, việc hiệu ứng hoạt ảnh giao diện trong ỨNG DỤNG có được tăng tốc hay không có thể không phải là cốt lõi của quá trình tối ưu hóa, nhưng trong ngành công nghiệp trò chơi, bạn thậm chí có thể phân biệt hai loại người dùng dựa trên điều này: một loại là Phật tử, những người thích quá trình này, và loại còn lại là người năng động, những người thích kết quả. Khi bạn đã hiểu được điều này, thiết kế chức năng và phương pháp vận hành tiếp theo cho các nhóm phân đoạn sẽ khác nhau.

Dữ liệu về hành vi của người dùng rất lớn, có tính linh hoạt cao và có thể được phân tích theo nhiều cách khác nhau. Nếu sử dụng tốt, đây sẽ là sự phản ánh khách quan và tinh tế nhất của toàn bộ trò chơi. Do đó, nó đòi hỏi sự hỗ trợ của công cụ tương đối mạnh mẽ, chẳng hạn như Cảm biến. Tuy nhiên, dữ liệu về hành vi của người dùng không phải là toàn năng. Trước hết, phải dựa trên phân tích thống kê các hành vi đã xảy ra trong APP. Nó bất lực vì thực tế là các hành vi chưa xảy ra trong APP.

Thứ hai, có thể khó đưa ra trực quan những thay đổi trong chính hệ thống từ góc độ sử dụng dữ liệu hành vi của người dùng để phân tích. Nói cách khác, chúng ta có thể trực quan thấy được hành vi của người dùng thông qua dữ liệu hành vi của người dùng, nhưng trò chơi là một hệ thống phức tạp. Bản thân hành vi của người dùng sẽ gây ra phản ứng dây chuyền trong chính hệ thống và sẽ không có điểm hành vi nào trong các phản ứng dây chuyền này. Do đó, rất khó để theo dõi phần thay đổi này chỉ bằng dữ liệu về hành vi của người dùng.

Nhưng hãy đợi đã, chúng ta vẫn còn bốn cửa sổ khác.

2. Ảnh chụp nhanh trò chơi

Nó chủ yếu đề cập đến ảnh chụp nhanh của trò chơi tại một thời điểm nhất định, qua đó chúng ta có thể thấy được sự cân bằng và thiết kế của từng hệ thống trong trò chơi theo một khoảng thời gian nhất định. Phần dữ liệu này có ý nghĩa rất lớn đối với các hệ thống phức tạp tự phát triển.

Hãy lấy trò chơi “Civilization” làm ví dụ. Theo một góc nhìn nào đó, “Nền văn minh” là việc xây dựng một động cơ. Sau khi công cụ này được xây dựng, nó sẽ liên tục tạo ra tài nguyên. Hành vi của người chơi chỉ là biến đổi động cơ. Hoạt động của động cơ được điều khiển theo thời gian. Vào thời điểm này, ảnh chụp hoạt động thường xuyên dựa trên máy chủ quan trọng hơn đối với việc phân tích sự phát triển của chính hệ thống trò chơi. Ví dụ, chúng ta muốn xem các nguồn tài nguyên khác nhau trong trò chơi sẽ thay đổi như thế nào theo thời gian? Liệu tài nguyên A có liên quan đến sự thay đổi của tài nguyên B hay không, v.v.

Ví dụ, sự biến động về số lượng gỗ và số lượng tiền vàng luôn thể hiện mối quan hệ hàm lượng giác và sau khi cộng chúng lại, chúng tự động bù trừ cho nhau. Điều này có nghĩa là trong thiết kế trò chơi, hai nguồn tài nguyên này có thể chuyển đổi được cho nhau, điều đó cũng có nghĩa là tổng lượng tài nguyên có thể được sử dụng làm tiêu chí để đo lường sự cân bằng của trò chơi. Tuy nhiên, các phương pháp thu thập dữ liệu này trên thị trường thường khác nhau. Phương pháp phổ biến hơn là lưu trực tiếp ảnh chụp nhanh của cơ sở dữ liệu Sever theo định kỳ.

3. Dữ liệu hiệu suất

Tương tự như snapshot, nhưng mang tính kỹ thuật hơn vì trải nghiệm chơi game rất quan trọng và trong trải nghiệm này, hiệu suất là yếu tố trực tiếp ảnh hưởng đến trải nghiệm. Trên thực tế, để đạt được hiệu suất mong muốn, nhiều trò chơi đã có nhiều cải tiến về mặt kỹ thuật. Ví dụ, công nghệ dự đoán máy khách của các trò chơi như "Overwatch", và một loạt các công nghệ dựng hình như nén kết cấu, LOD, dựng hình trì hoãn, tính toán trước ánh sáng, Occlusion Culling, v.v., mặc dù có giá thành rất cao, nhưng tất cả đều để người chơi tận hưởng sự "mượt mà như lụa" khi vận hành.

Phần dữ liệu này thường không được ghi lại trong điểm theo dõi hành vi của người dùng, chẳng hạn như FPS, thời gian tải, mức sử dụng bộ nhớ, PING, tỷ lệ sự cố, v.v. Để thu thập dữ liệu hiệu suất này, các nhà phát triển thường sử dụng nhiều công cụ khác nhau, chủ yếu trong các danh mục sau:

1. Các công cụ phân tích đi kèm với công cụ trò chơi: ví dụ, công cụ Profiler của Unity và Performance Profiler của Unreal Engine. 2. Các công cụ do nhà sản xuất thiết bị cung cấp: chẳng hạn như Instruments của Apple, Profiler của Android, v.v.

3. Các công cụ phân tích hiệu suất của bên thứ ba: chẳng hạn như GameBench, RenderDoc, Pix, v.v.

4. Nhật ký DEBUG tùy chỉnh: Thêm nhật ký tùy chỉnh vào mã của bạn để thu thập và phân tích dữ liệu hiệu suất cụ thể.

4. Phản hồi của cộng đồng

Cửa sổ này sẽ hiển thị cho chúng ta dữ liệu về hành động của người chơi bên ngoài trò chơi. Dữ liệu này đặc biệt có giá trị và hiệu quả vì nó có thể phản ánh cảm xúc chung thực sự của người chơi. Ví dụ, trong các bình luận trên Steam, chúng ta thường thấy một trò chơi được đánh giá kém, nhưng bình luận lại là "Chúng tôi cần tiếng Trung!" Đây là những phản hồi chân thực nhất từ ​​người chơi.

Trong quá trình phát triển trò chơi ở nước ngoài, khía cạnh này được đặc biệt coi trọng. Ví dụ, trong quá trình phát triển "Slay the Spire", nhóm phát triển đầu tiên sử dụng Slack để thu thập phản hồi trên quy mô nhỏ. Sau EA, họ đã thu thập được lượng lớn phản hồi trên Discord. Nhóm phát triển sẽ kiểm tra phản hồi của người dùng từng cái một.

Để thu thập dữ liệu này, trước tiên chúng ta cần các công cụ hoặc nền tảng cộng đồng tương tự, chẳng hạn như slack, discord, steam, taptap, v.v., hoặc các bài đánh giá trên Appstore và phản hồi trực tiếp trong hệ thống dịch vụ khách hàng, đây cũng là những nguồn quan trọng.

Thứ hai, bạn cần các công cụ và kỹ thuật để phân tích dữ liệu, cho dù là xem thủ công, sử dụng công nghệ máy học để thu thập từ khóa, phân tích tình cảm hay tóm tắt bằng LLM, mục đích là khai thác giá trị của phần dữ liệu này.

Trên thực tế, phần dữ liệu này dễ thu thập hơn ở giai đoạn đầu và cũng là dữ liệu có giá trị nhất. Tuy nhiên, khi trò chơi trở nên phổ biến hơn ở giai đoạn sau, lượng dữ liệu sẽ lớn hơn và ngưỡng kỹ thuật cần thiết để phân tích cũng tăng theo. Đây có thể là một rắc rối vui vẻ, và các nhà phát triển trò chơi dường như đều cần đến rắc rối vui vẻ này.

5. Dữ liệu thị trường

Phần dữ liệu này cũng được chia thành hai phần.

Một phần là dữ liệu thị trường liên quan đến trò chơi. Ví dụ, nếu quảng cáo được sử dụng để khuyến mại thì chi phí và hiệu quả quảng cáo là rất quan trọng. Đối với dữ liệu quảng cáo, việc theo dõi hiệu ứng một cách chính xác là điều bắt buộc. Phần thứ hai là tình hình chung của thị trường, tình hình của các đối thủ cạnh tranh và các tài liệu quảng cáo phổ biến hiện nay. Suy cho cùng, chỉ khi hiểu rõ mình và kẻ thù, bạn mới có thể chiến thắng mọi trận chiến.

Năm loại dữ liệu này, từ dữ liệu hành vi người dùng đến dữ liệu thị trường, mỗi loại cung cấp một góc nhìn khác nhau để phân tích dữ liệu trò chơi. Khi các công nghệ mới tiếp tục xuất hiện, quá trình nghiên cứu, phát triển và vận hành trò chơi sẽ tiếp tục được lặp lại và thay đổi, đồng thời những cửa sổ và phương tiện mới sẽ tiếp tục xuất hiện.