译/手游那点事Sawyer
假如你是iPhone的手游开发商。你在美国拥有1百万的活跃用户。那么这些活跃用户对你来说有什么价值呢?让我们进一步分析:假如你准备以这些用户作为卖点,推向市场,按每次安装成本(CPI)向其他手游开发者推销。在2012年1月,这可能为你带来130万美元的收益 – 这是针对交易成本和经济规模的一个非常粗略的估算。在相同的条件在,在2012年12月,这1百万的活跃用户能制造2百万美元的收益,而如今,这些用户的价值已经达到惊人的340万美元。变化异常巨大,对吧?
手游行业正在整合。只有很少的几个开发者能够既为获取用户制定庞大的预算的同时获得不错的收益。市场从来不乏制作精美、持续获得病毒式有机增长的游戏。但对于资金薄弱的游戏来说,要获得用户极为困难。留住用户总是开发者的必然选择。我不是说要通过迭代开发来提高用户的留存率,而是把客户关系管理的层面落到实处。这听起来非常像传统的营销术语(的确是)。对于手游来说,这包括了客户支持、社区管理以及各种传统的方法。但是更准确地说,开发者可以通过跟踪用户行为来使用户透明化。让我们把这种方法称为量化的客户关系管理。以交叉链接和激励措施(如向玩家赠送道具)为例。你可以通过展示横幅广告或向各个玩家赠送道具,又或者根据一些简单的试探式的方法(如只针对30级以上的玩家赠送道具),实现交叉链接和激励。然而,如果你就交叉链接和激励措施的尝试过于频繁和过早,那么你的游戏预期寿命和玩家消费均会遭到削减。这就是图1的情况。玩家1的游戏时间最长,消费也是最高。玩家2和3的游戏时间不一,但均为非转化玩家。当你在最佳的时间点交联玩家3,可能会损害用户数量(玩家2为例)和收入(玩家1)。因此,你想知道的是你的用户什么时候会离开你的游戏。然后把自己的游戏发送到另一款游戏,或给玩家提供一些免费而又对你自己没有伤害的道具。图1的底层部分便展示了这种情况:完美的预计模型能够让你在最佳的时间点(产品寿命末期)交联各个玩家。
预测性和非预测性的交叉链接对比
这就是为什么我们与Wooga合作,研究我们能做什么来获得用户。我们希望知道是否能够预测玩家的寿命周期,量化消费关系管理是否存在任何价值。
研究
在研究的过程中,透露各种细节之前,我们希望与你分享一些先前的发现。
高度休闲的游戏的玩家行为模式较为不明显,要求的玩家粘性较低,持续游戏时间较短。这就使预测该类型的游戏模式变得更为困难。
同样,如果玩家的粘性高,用户基数大,则预测相对简单。所以针对粘性高的玩家执行预测分析是个不错的思路。
在出现大量数据趋势前联系用户可成倍提高沟通的效果。
当玩家的游戏寿命已经走到尽头时,给他们赠送诸如免费的道具仍无法留住玩家;而向其他游戏(在你的游戏组合中)尝试交叉链接推广似乎更有效。或在玩家量出现大幅下降前改变游戏体验,如适应性游戏设置。
实验方法
在这里,我们特别想谈一下Wooga的两款最成功的游戏:Monster World和Diamond Dash。Diamond Dash跟Tetris或Bejeweled一样均为高度休闲的游戏。玩家必须在指定的时间内以最快的速度清除一系列的彩色钻石,以便获取高分。Monster World则代表休闲类另一端的游戏 – 玩家参与度更高的休闲游戏。这是一款模拟经营类游戏,可模拟各种农场经济的特点。与Diamond Dash相比,Monster World要求玩家的投入程度更高和持续游戏的时间更长,以便保持农场的正常运作。这两款游戏都在跟踪历史数据上做得非常出色,而它们亦处于相对成熟的阶段,即游戏特点不大可能出现大幅度的更新和改变。
作为二元分类的问题,我们制定的预测模型,跟踪历史数据。新近跟踪的数据将能够输出二进制变量,从而判断玩家是否即将作出转变。经过一系列的数据清洗和数据转换程序,我们首先为这两款游戏构建两个高质量的和两性的数据集,并经过研究和仔细挑选游戏的特点尝试预计模型。实证检验的结果显示,在过去的14天里,最近最经常性的一般活动数据(如登录的时间的串号以及一些其他玩家的配置数据)的可预测性最高。
使用实例
我们决定对Monster World的高价值玩家尝试提供激励。我们执行了A/B测试,即各组会获得不同的管理政策的照顾。在第一组(探索性小组)中,我们采用每家公司都会用到的简单追踪设置:向休眠的高价值玩家(即连续14天不活跃的玩家)发送激励。在第二组(预测性小组)中,我们想所有休眠的高价值玩家和预测模型预计在未来一周内会休眠的所有玩家发送激励。最后,我们把第三组作为控制组,未对该组采用任何管理。A/B测试为期1个月。在此期间,我们通过Facebook的通知信息和电子邮件向玩家发送激励性链接。当玩家打开链接,她就会获得大量的游戏货币,价值相当于10美元。这一思路是为了促使玩家继续游戏。但不幸的是,与控制组相比,用户流失率和收入在预测性小组和探索性小组中均未出现同机型重大变化。同时,预测性小组和探索性小组间的差异依旧不大。因此,我们的激励性奖励没有成功留住休眠的高价值玩家,而该预测性模型也没有对此更成任何变化。
这是坏消息,那么来点好消息:当观察通过电子邮件和Facebook通知信息的点击率时,我们发现预测性小组和探索性小组出现了巨大的差异。图3和4显示,电子邮件推广和Facebook通知区分了两个测试小组。预测性小组提取激励性奖励的比例更高。在预测性小组中,Facebook的通知消息的转化率为18%,而在探索性小组则仅为4%。就电子邮件的推广而言,该数字分别为11%和2%。
电子邮件推广对比
Facebook通知信息推广对比
对业界的影响
所以,即便激励性奖励的影响似乎非常小,用户流失预测和量化客户关系管理仍有可被挖掘的潜力。对于深度的休闲游戏,用户流失预测能够奏效。而这种预测模型能够在出现大量玩家流失前,应用到玩家的交叉链接,即高价值玩家。这就是你的产品策略的切入点。最直接的方法就是把玩家引导到你的产品组合中相同类型的游戏中。这能为你节省获取用户的费用。每次成功的引导就能节省一个CPI。节省的CPI越多,节省的资金则越多。传言Supercell的Boom Beach已经采取这样的模型来抓取已经厌倦《部落战争》的玩家。观察引导玩家到相同类型或不同类型的游戏上,或给玩家提供选择,以测试哪一种效果更佳将非常有趣。我相信,策略性产品组合管理将变得更为重要。客户关系管理也将崛起。