In games and विपणन, the application of मनोवैज्ञानिक theory is measured, refined, and amplified through data and stats analysis. The behavioral patterns of millions of users are collected and processed, allowing for the statistical validation of design choices. Techniques like A/B testing provide empirical proof of which stimuli most effectively drive user action, while player segmentation allows for the delivery of personalized content that resonates with specific behavioral profiles.
भविष्यवाणी विश्लेषण और मशीन लर्निंग मॉडल यह पहचान सकते हैं कि कोई खिलाड़ी कब खेल छोड़ेगा या खरीदारी करेगा, जिससे सक्रिय और स्वचालित हस्तक्षेप संभव हो पाते हैं। सामाजिक विज्ञान और डेटा-आधारित सत्यापन का यह मेल एक शक्तिशाली चक्र बनाता है, जहाँ मनोवैज्ञानिक परिकल्पनाओं का बड़े पैमाने पर परीक्षण किया जाता है, और प्राप्त जानकारियों का उपयोग खिलाड़ियों को खेल में बनाए रखने और उससे लाभ कमाने के लिए गेम सिस्टम को लगातार बेहतर बनाने में किया जाता है।
यह लेख तीन भागों की श्रृंखला का पहला भाग है:
- गेम और मार्केटिंग के लिए डेटा-आधारित और सांख्यिकीय तकनीकें
- गेम और मार्केटिंग के लिए संज्ञानात्मक विज्ञान की तरकीबें
- गेम और मार्केटिंग के लिए संज्ञानात्मक विज्ञान की कुछ और तरकीबें
भाग #1: गेम और मार्केटिंग के लिए डेटा-आधारित और सांख्यिकीय तरकीबें
1. ए/बी टेस्टिंग
यह विधि उपयोगकर्ता के व्यवहार को सीधे तौर पर देखने के लिए नियंत्रित प्रयोगों पर आधारित है, जिससे डिज़ाइन संबंधी निर्णयों में डेवलपर का पूर्वाग्रह दूर हो जाता है। इसमें शामिल मनोवैज्ञानिक तंत्र अवचेतन वरीयता का मापन है। हो सकता है कि उपयोगकर्ता सचेत रूप से यह न जानते हों कि वे एक डिज़ाइन को दूसरे पर क्यों पसंद करते हैं, लेकिन उनके कार्य किसी विशिष्ट उद्दीपन, चाहे वह रंग, आकार या मूल्य हो, के प्रति उनकी अधिक अनुकूल प्रतिक्रिया को प्रकट करते हैं। इससे यह अनुभवजन्य प्रमाण मिलता है कि कौन से डिज़ाइन विकल्प उच्च सहभागिता या रूपांतरण की ओर ले जाते हैं।
इस प्रक्रिया के लिए एक मजबूत आईटी बैकएंड की आवश्यकता होती है जो लाइव खिलाड़ियों को अलग-अलग समूहों (समूह A, समूह B, आदि) में विभाजित कर सके और उन्हें गेम के विभिन्न संस्करण उपलब्ध करा सके। इन समूहों से एकत्रित डेटा का सांख्यिकीय विश्लेषण किया जाता है। इसमें रूपांतरण दर, सहभागिता समय या प्रतिधारण जैसे मापदंडों की गणना करना और सांख्यिकीय महत्व परीक्षणों (जैसे ची-स्क्वायर परीक्षण या टी-परीक्षण) का उपयोग करके यह पुष्टि करना शामिल है कि देखे गए अंतर संयोगवश नहीं हैं। यह डेटा प्रोसेसिंग उन सर्वरों पर होती है जो लाखों गेम क्लाइंट्स से इवेंट लॉग एकत्र और एकत्रित करते हैं।
गेम एप्लीकेशन: एक मोबाइल पज़ल गेम में, डेवलपर्स एक "बम" पावर-अप के उपयोग को बढ़ाना चाहते हैं। वे दो आइकन का परीक्षण करते हैं: एक क्लासिक काला गोला है जिसमें एक फ्यूज लगा है, और दूसरा स्पंदित, रहस्यमय क्रिस्टल है। एक सप्ताह तक, 50% नए खिलाड़ी गोले (A) को देखते हैं और 50% क्रिस्टल (B) को। सर्वर प्रत्येक खिलाड़ी के उपयोग की दर को रिकॉर्ड करता है, और सांख्यिकीय विश्लेषण से पता चलता है कि रहस्यमय क्रिस्टल का उपयोग 15% अधिक बार होता है, जिससे इसे स्थायी रूप से लागू करने का निर्णय लिया जाता है।
आप यहां ए/बी टेस्टिंग पद्धति की पूरी समीक्षा पा सकते हैं:
2. खिलाड़ी विभाजन
खिलाड़ी विभाजन व्यक्तिगत पहचान और खेलने की शैली को ध्यान में रखकर किया जाता है। उपयोगकर्ताओं को समूहों में बाँटकर, गेम उनकी आंतरिक प्रेरणाओं के अनुरूप सामग्री प्रस्तुत कर सकता है। 'एक्सप्लोरर' श्रेणी में वर्गीकृत खिलाड़ी खोज से संबंधित मिशनों में सकारात्मक प्रतिक्रिया देगा, जबकि 'प्रतिस्पर्धी' लीडरबोर्ड और खिलाड़ी-बनाम-खिलाड़ी मुकाबले में अधिक रुचि दिखाएगा। यह वैयक्तिकरण यह एहसास दिलाता है कि गेम उपयोगकर्ता को समझता है और उसकी ज़रूरतों को पूरा करता है, जिससे गेम के साथ उनका जुड़ाव मजबूत होता है।
This process is data-intensive, beginning with the collection of vast amounts of player actions, such as time spent in different game modes, purchase history, and social interactions. Machine learning algorithms, specifically clustering algorithms like K-Means, are then used to identify patterns in this data and group players into distinct segments. The network infrastructure करना ही होगा support real-time data tagging and retrieval so that the game client can request and display the appropriate content or offers for a player’s specific segment.
गेम एप्लीकेशन: एक अंतरिक्ष सिमुलेशन गेम खिलाड़ियों की गतिविधियों पर डेटा एकत्र करता है। यह एक "व्यापारी" वर्ग की पहचान करता है जो अक्सर बाज़ार का उपयोग करता है और परिवहन जहाज़ उड़ाता है। इस वर्ग को वस्तु की कीमतों में बदलाव और दुर्लभ वस्तुओं के परिवहन के लिए विशेष मिशनों के बारे में व्यक्तिगत इन-गेम समाचार फ़ीड प्राप्त होते हैं, जो "लड़ाकू पायलट" वर्ग के खिलाड़ियों को नहीं दिखाए जाते हैं।
3. फ़नल विश्लेषण
The psychological impact of funnel analysis is rooted in optimizing the user’s journey and minimizing friction. By identifying points where large numbers of users stop progressing (drop-off points), developers can address the underlying cause, which is often frustration, confusion, or boredom. Smoothing out these rough patches in the प्रयोगकर्ता का अनुभव prevents the negative emotions that lead to abandonment and maintains a state of forward momentum and engagement for the player.
गणितीय रूप से, फ़नल एक चरण से दूसरे चरण तक उपयोगकर्ता प्रवाह प्रतिशत का दृश्य निरूपण है। उदाहरण के लिए,
- चरण 1 (पूर्ण ट्यूटोरियल) में 100% उपयोगकर्ता हो सकते हैं,
- चरण 2 (स्तर 5 तक पहुंच गया) में 80% हो सकता है,
- चरण 3 (पहली खरीदारी की) में 5% हो सकता है।
आईटी इन्फ्रास्ट्रक्चर की भूमिका प्रत्येक उपयोगकर्ता के लिए पूर्वनिर्धारित प्रमुख घटनाओं की पूर्णता को लॉग करना है। डेटा विश्लेषण प्लेटफ़ॉर्म फिर इस विशाल डेटासेट से प्रत्येक अनुक्रमिक चरण के बीच रूपांतरण दरों की गणना करने के लिए क्वेरी करते हैं, फ़नल को विज़ुअलाइज़ करते हैं और सबसे बड़े प्रतिशत गिरावट को उजागर करते हैं।
गेम एप्लीकेशन: a city-building game notices a massive 70% player drop-off after the “Build a Power Plant” tutorial quest. By analyzing the funnel, they hypothesize the step is too complex for new users. They break the quest into three smaller, simpler quests: “Build a Wind Turbine,” “Connect a Power Line,” and “Power a Building.” After the change, the drop-off at that stage decreases to 20%.
4. Heatmaps
हीटमैप खिलाड़ियों के समग्र व्यवहार को एक सहज दृश्य प्रारूप में रूपांतरित करते हैं, जो मानव मस्तिष्क की पैटर्न पहचान की क्षमता का लाभ उठाता है। मानचित्र पर एक "गर्म" लाल क्षेत्र को देखकर, जहाँ खिलाड़ी अक्सर मरते हैं, तुरंत यह संकेत मिलता है कि... डिजाइन समस्या है जटिल चार्ट पढ़ने की आवश्यकता के बिना। इससे डिज़ाइनर किसी विशिष्ट क्षेत्र में खिलाड़ियों की सामूहिक निराशा या कठिनाई के अनुभव को समझ पाते हैं, जिससे अधिक लक्षित और प्रभावी समाधान तैयार होते हैं। डिज़ाइन परिवर्तन.
Technically, heatmaps are generated by capturing the X, Y (and sometimes Z) coordinates of specific player events, such as deaths, clicks, or ability usage, and storing them in a database. This can generate millions of data points per day. A rendering layer then aggregates these coordinates into a 2D or 3D grid. Statistical density functions are applied to this grid, assigning a color value (e.g., from blue for low density to red for high density) to each cell based on the number of events it contains. This visualization is then overlaid onto the game map for analysis.
गेम एप्लीकेशन: in a first-person shooter, a level designer reviews a heatmap of player deaths on a warehouse map. They see a bright red spot in a long hallway, indicating an unusually high number of deaths. They realize a single sniper position has an unfair line of sight. They add a large crate to the middle of the hallway to provide cover, and subsequent heatmaps show the death concentration has dissipated.
5. Predictive Analytics
यह तकनीक सक्रिय हस्तक्षेप के मनोवैज्ञानिक सिद्धांत का लाभ उठाती है। किसी खिलाड़ी के संभावित भविष्य के व्यवहार की पहचान करके, सिस्टम सकारात्मक परिणामों को सुदृढ़ करने या नकारात्मक परिणामों को रोकने के लिए कार्य कर सकता है। जिस खिलाड़ी के खरीदारी करने की संभावना है, उसे प्रासंगिक प्रस्ताव देना एक सुखद और मूल्यवान अवसर जैसा लगता है। जिस खिलाड़ी के खेल छोड़ने की संभावना है, उसे विशेष बोनस या किसी "मित्र" से संदेश प्राप्त होने पर, मूल्य या सामाजिक दायित्व की भावना को पुनः जगाकर उसे खेल में पुनः शामिल किया जा सकता है।
प्रेडिक्टिव एनालिटिक्स मशीन लर्निंग मॉडल, विशेष रूप से क्लासिफिकेशन और रिग्रेशन मॉडल पर आधारित है। इन मॉडलों को उन हजारों खिलाड़ियों के ऐतिहासिक डेटा पर प्रशिक्षित किया जाता है जिन्होंने पहले ही गेम छोड़ दिया है या खरीदारी की है। ये मॉडल गेमप्ले मेट्रिक्स (जैसे, सेशन की अवधि में कमी, सामाजिक संपर्क में गिरावट) में जटिल पैटर्न की पहचान करते हैं जो सांख्यिकीय रूप से उन परिणामों से संबंधित होते हैं। इसके बाद आईटी सिस्टम वर्तमान खिलाड़ी आधार के डेटा पर लगभग वास्तविक समय में इन मॉडलों को चलाता है ताकि प्रत्येक उपयोगकर्ता को "गेम छोड़ने की संभावना" या "खरीदारी की प्रवृत्ति" स्कोर दिया जा सके, और जब स्कोर एक निश्चित सीमा को पार कर जाता है तो स्वचालित इन-गेम क्रियाएं शुरू हो जाती हैं।
Game example: एक मॉन्स्टर-कलेक्शन गेम एक ऐसे मॉडल का उपयोग करता है जो खिलाड़ी के गेम छोड़ने की संभावना का अनुमान लगाता है। जब किसी खिलाड़ी के गेम छोड़ने की संभावना का स्कोर 75% से अधिक हो जाता है, तो सिस्टम स्वचालित रूप से उनके लिए एक "विशेष इवेंट" शुरू कर देता है: गेम का एक पात्र उन्हें संदेश भेजता है, "हमें आपकी याद आ रही है! आपके अगले जीव को हैच करने में मदद के लिए यह एक दुर्लभ इनक्यूबेटर है।" इस लक्षित प्रोत्साहन का उद्देश्य खिलाड़ी को गेम छोड़ने से रोकना है।
6. Dynamic Difficulty Adjustment
डायनामिक डिफिकल्टी एडजस्टमेंट (डीडीए) का उद्देश्य "फ्लो" की मनोवैज्ञानिक स्थिति को लक्षित करना है, जहां खिलाड़ी पूरी तरह से तल्लीन होता है और चुनौती का स्तर उसके कौशल के अनुरूप होता है। यदि कोई खेल बहुत कठिन है, तो इससे निराशा होती है; यदि यह बहुत आसान है, तो इससे ऊब पैदा होती है। डीडीए चुनौती को सूक्ष्म रूप से बढ़ाकर या घटाकर खिलाड़ी को तल्लीनता के उस इष्टतम स्तर पर बनाए रखने का प्रयास करता है, जिससे खिलाड़ी सक्षम महसूस करे और अभिभूत हुए बिना लगातार प्रेरित होता रहे।
यह सिस्टम किसी खिलाड़ी के लिए प्रमुख प्रदर्शन मापदंडों (केपीएम) को परिभाषित और ट्रैक करके काम करता है, जैसे कि सटीकता प्रतिशत, स्तर पूरा करने का समय या संसाधन संग्रहण दर। एक सांख्यिकीय एल्गोरिदम, जो अक्सर एक सरल नियम-आधारित प्रणाली या अधिक जटिल बायेसियन मॉडल होता है, खिलाड़ी के वर्तमान केपीएम की तुलना पूर्व-परिभाषित "आदर्श प्रदर्शन" आधार रेखा से करता है। यदि खिलाड़ी बहुत अच्छा प्रदर्शन कर रहा है, तो सिस्टम दुश्मन की ताकत बढ़ा सकता है या संसाधनों की उपलब्धता कम कर सकता है। नेटवर्क यह सुनिश्चित करता है कि ये समायोजन गेमप्ले को बाधित किए बिना सर्वर से सुचारू रूप से किए जाएं।
गेम एप्लिकेशन: रेसिंग गेम में, यदि कोई खिलाड़ी लगातार तीन रेस 10 सेकंड से अधिक के अंतर से जीतता है, तो DDA सिस्टम अगली रेस में AI विरोधियों की अधिकतम गति और कॉर्नरिंग क्षमता को थोड़ा बढ़ा देता है। इसके विपरीत, यदि कोई खिलाड़ी लगातार तीन रेस हार जाता है, तो सिस्टम विरोधियों की आक्रामकता को थोड़ा कम कर सकता है, जिससे रेस प्रतिस्पर्धी और रोमांचक बनी रहती है।
7. Personalized In-Game Offers
वैयक्तिकरण 'प्रासंगिकता' के सिद्धांत का उपयोग करता है; किसी प्रस्ताव के स्वीकार किए जाने की संभावना तभी अधिक होती है जब वह व्यक्ति के मौजूदा व्यवहार और प्राथमिकताओं के अनुरूप हो। किसी खिलाड़ी द्वारा अतीत में कई बार देखी गई तलवार का प्रस्ताव देखने से उसे यह एहसास होता है कि उसकी ज़रूरतों को समझा जा रहा है और उसकी आवश्यकताओं को पूरा किया जा रहा है। इससे मुद्रीकरण की 'स्पैम जैसी' छवि कम हो जाती है और खरीदारी उनके व्यक्तिगत खेल अनुभव में एक तार्किक अगला कदम बन जाती है।
यह प्रत्येक खिलाड़ी के खेल में व्यवहार का विस्तृत प्रोफ़ाइल बनाकर प्राप्त किया जाता है, जिसे सर्वर-साइड डेटाबेस में संग्रहीत किया जाता है। इसमें उनके द्वारा उपयोग की गई वस्तुओं, उनके द्वारा खेले गए पात्रों और यहां तक कि उन वस्तुओं का डेटा भी शामिल होता है जिन्हें उन्होंने देखा तो है लेकिन खरीदा नहीं है। जब कोई ऑफ़र का अवसर आता है, तो सर्वर-साइड स्क्रिप्ट इस प्रोफ़ाइल से जानकारी प्राप्त करती है। सरल नियम-आधारित तर्क या मशीन लर्निंग अनुशंसा इंजन का उपयोग करके, यह संभावित ऑफ़रों की सूची से सबसे प्रासंगिक ऑफ़र का चयन करता है और उसे गेम के माध्यम से खिलाड़ी को प्रस्तुत करता है। प्रयोक्ता इंटरफ़ेस.
गेम एप्लिकेशन: एक रोल-प्लेइंग गेम में यह देखा जाता है कि एक खिलाड़ी लगभग पूरी तरह से मैज (जादूगर) चरित्र के रूप में खेलता है। जब सप्ताहांत की सेल शुरू होती है, तो सामान्य "50% छूट" बैनर दिखाने के बजाय, गेम उस खिलाड़ी को एक विशिष्ट ऑफर प्रस्तुत करता है: "आर्कमेज के रोब ऑफ पावर पर 50% की छूट", जो उनकी खेलने की शैली से सीधे संबंधित है, जिससे खरीदारी की संभावना बढ़ जाती है।
8. ग्राहक छोड़ने की दर का पूर्वानुमान और रोकथाम
यह हानि से बचने की प्रवृत्ति का लाभ उठाता है, जो एक मनोवैज्ञानिक विचार है कि लोग लाभ प्राप्त करने की तुलना में हानि से बचने के लिए अधिक प्रेरित होते हैं।
जब सिस्टम को लगता है कि कोई खिलाड़ी गेम छोड़ रहा है, तो वह हस्तक्षेप कर सकता है। यह हस्तक्षेप—एक बोनस, एक नई चुनौती, या एक संदेश—गेम खेलना जारी रखने को प्रगति, समुदाय में प्रतिष्ठा, या किसी विशेष अवसर के नुकसान से बचने के रूप में प्रस्तुत करता है। यह एक साधारण पुरस्कार से कहीं अधिक प्रभावी हो सकता है, क्योंकि यह गेम छोड़ने के निर्णय को एक सक्रिय नुकसान के रूप में दिखाता है।
तकनीकी कार्यान्वयन लगभग प्रेडिक्टिव एनालिटिक्स के समान है, लेकिन विशेष रूप से "गेम छोड़ने वाले खिलाड़ियों" पर केंद्रित है। गेम छोड़ चुके खिलाड़ियों के ऐतिहासिक डेटा पर मशीन लर्निंग मॉडल को प्रशिक्षित किया जाता है, जिससे सेशन की आवृत्ति में कमी, सेशन की अवधि में कमी या सामाजिक संपर्क में कमी जैसे प्रमुख संकेतकों की पहचान की जा सके। आईटी सिस्टम प्रत्येक सक्रिय खिलाड़ी को गेम छोड़ने के जोखिम का स्कोर प्रदान करता है। एक स्वचालित मार्केटिंग या कंटेंट डिलीवरी सिस्टम को इस तरह से कॉन्फ़िगर किया जाता है कि जिन खिलाड़ियों का जोखिम स्कोर एक निश्चित सीमा को पार कर जाता है, उनके लिए विशिष्ट रिटेंशन अभियान (जैसे पुश नोटिफिकेशन, उपहारों के साथ इन-गेम मेल) शुरू किए जा सकें।
गेम एप्लिकेशन: एक सोशल फार्मिंग गेम में, सिस्टम एक उच्च-स्तरीय खिलाड़ी को चिह्नित करता है जिसकी लॉगिन आवृत्ति दैनिक से घटकर सप्ताह में एक बार हो गई है। सिस्टम स्वचालित रूप से उनके फ़ोन पर एक पुश नोटिफिकेशन भेजता है: “आपकी मित्र बीट्रिस ने अभी आपको ‘गोल्डन ट्रैक्टर फ्यूल’ उपहार भेजा है! इसे समाप्त होने से पहले 24 घंटों के भीतर प्राप्त करने के लिए लॉगिन करें।” यह उपहार के साथ-साथ सामाजिक दबाव और तात्कालिकता को भी जोड़ता है ताकि खिलाड़ी गेम छोड़ न दें।
9. समय श्रृंखला विश्लेषण
टाइम सीरीज़ विश्लेषण से डेवलपर्स को अपने गेम समुदाय की लय और गतिविधि को समझने में मदद मिलती है, जिससे वे खिलाड़ियों के सामूहिक व्यवहार का लाभ उठा सकते हैं। साप्ताहिक या मौसमी पैटर्न की पहचान करके, वे गेम इवेंट्स को ऐसे समय के साथ संरेखित कर सकते हैं जब खिलाड़ी स्वाभाविक रूप से अधिक सक्रिय होते हैं, ताकि अधिकतम भागीदारी सुनिश्चित हो सके। इससे एक जीवंत दुनिया का एहसास होता है जिसकी अपनी गति होती है, जो खिलाड़ियों को अपने शेड्यूल को गेम के साथ तालमेल बिठाने के लिए प्रोत्साहित करती है, उदाहरण के लिए, सप्ताहांत पर विशेष इवेंट्स के लिए लॉग इन करना।
यह एक विशुद्ध सांख्यिकीय तकनीक है जो समय-चिह्नित डेटा बिंदुओं का मॉडल बनाकर रुझानों, मौसमी पैटर्न और चक्रीय प्रवृत्तियों की पहचान करती है। दैनिक सक्रिय उपयोगकर्ता, राजस्व या प्रति घंटे लॉगिन जैसी जानकारी को समय के साथ प्लॉट किया जाता है। इसके बाद, भविष्य के व्यवहार का पूर्वानुमान लगाने के लिए इस डेटा पर ARIMA (ऑटोरेग्रेसिव इंटीग्रेटेड मूविंग एवरेज) जैसे गणितीय मॉडल लागू किए जा सकते हैं। इसके लिए एक मजबूत डेटा वेयरहाउसिंग समाधान की आवश्यकता होती है जो ऐतिहासिक, समय-चिह्नित घटना डेटा की विशाल मात्रा को संग्रहीत और संसाधित करने में सक्षम हो।
गेम एप्लिकेशन: the developers of an online multiplayer game use time series analysis on their player login data. They discover that logins peak every Saturday at 8 PM UTC. To capitalize on this, they schedule their most important weekly world boss event to begin every Saturday at 8:15 PM UTC, ensuring maximum player participation and excitement.
10. समूह विश्लेषण
कोहोर्ट विश्लेषण खिलाड़ियों के व्यवहार को एक साझा प्रारंभिक अनुभव के संदर्भ में रखकर काम करता है। जनवरी और फरवरी के 'सप्ताह 1' के खिलाड़ियों की तुलना करके, डेवलपर गेम अपडेट के प्रभाव को अलग कर सकते हैं। इससे उन्हें यह समझने में मदद मिलती है कि विशिष्ट परिवर्तन किसी नए उपयोगकर्ता के दीर्घकालिक अनुभव को कैसे प्रभावित करते हैं। मनोवैज्ञानिक रूप से, यह डेवलपर्स को एक विशिष्ट युग के 'नए खिलाड़ी के अनुभव' के प्रति सहानुभूति विकसित करने में मदद करता है, जिससे वे समझ पाते हैं कि किसी विशेष बैलेंस पैच या नई सुविधा ने उस समूह के सामूहिक अनुभव को कैसे आकार दिया।
इस पद्धति में उपयोगकर्ताओं को एक साझा विशेषता के आधार पर समूहित करना शामिल है, जो अक्सर उनकी शामिल होने की तिथि होती है (उदाहरण के लिए, "जनवरी 2024 समूह")।
आईटी इन्फ्रास्ट्रक्चर को प्रत्येक उपयोगकर्ता को बनाते समय उसके समूह पहचानकर्ता के साथ टैग करना होगा। फिर, डेटाबेस से जानकारी लेकर समय के साथ इन विशिष्ट समूहों के व्यवहार को ट्रैक किया जा सकता है। उदाहरण के लिए, एक क्वेरी जनवरी समूह के उन उपयोगकर्ताओं का प्रतिशत निकाल सकती है जो 30, 60 और 90 दिनों के बाद भी सक्रिय थे, और इन प्रतिधारण वक्रों की तुलना फरवरी समूह के प्रतिधारण वक्रों से कर सकती है।
गेम एप्लिकेशन: एक फैंटेसी रोल-प्लेइंग गेम ने 1 मार्च को एक बड़ा "पालतू जानवर" अपडेट जारी किया। कोहोर्ट विश्लेषण का उपयोग करते हुए, उन्होंने "फरवरी कोहोर्ट" (जिन्होंने पालतू जानवरों के बिना लेवल बढ़ाया) और "मार्च कोहोर्ट" (जिन्होंने पालतू जानवरों के साथ लेवल बढ़ाया) के 30-दिवसीय प्रतिधारण की तुलना की। उन्होंने पाया कि मार्च कोहोर्ट का प्रतिधारण 10% अधिक है, जो इस बात की पुष्टि करता है कि नई पालतू जानवर प्रणाली का खिलाड़ियों की सहभागिता पर सकारात्मक दीर्घकालिक प्रभाव पड़ता है।
यह पोस्ट जारी है भाग #2: खेलों और मार्केटिंग के लिए संज्ञानात्मक विज्ञान की तरकीबें
प्रयुक्त शब्दों की शब्दावली
Conversion Rate (CR): किसी वेबसाइट या लैंडिंग पेज पर आने वाले आगंतुकों का वह प्रतिशत जो वांछित कार्रवाई पूरी करते हैं, जैसे खरीदारी करना या न्यूज़लेटर के लिए साइन अप करना, इसकी गणना रूपांतरणों की संख्या को कुल आगंतुकों की संख्या से विभाजित करके की जाती है।
User experience (UX): किसी उत्पाद, प्रणाली या सेवा के साथ बातचीत करते समय उपयोगकर्ता की समग्र संतुष्टि और धारणा, जिसमें संपूर्ण बातचीत प्रक्रिया के दौरान उपयोगिता, पहुंच, डिजाइन और भावनात्मक प्रतिक्रिया शामिल होती है।
User Interface (UI): एक ऐसी प्रणाली जो उपयोगकर्ताओं और सॉफ़्टवेयर अनुप्रयोगों के बीच अंतःक्रिया को सक्षम बनाती है, जिसमें उपयोगकर्ता कार्यों को सुगम बनाने और अनुभव को बेहतर बनाने के लिए दृश्य तत्व, नियंत्रण और समग्र लेआउट शामिल होते हैं।
