Nei giochi e nel marketing, l'applicazione della teoria psicologica viene misurata, raffinata e amplificata attraverso l'analisi dei dati e delle statistiche. Gli schemi comportamentali di milioni di utenti vengono raccolti ed elaborati, consentendo di elaborare statistiche convalida delle scelte di design. Tecniche come l'A/B testing forniscono la prova empirica di quali stimoli spingono più efficacemente l'utente all'azione, mentre la segmentazione dei giocatori consente di fornire contenuti personalizzati che risuonano con profili comportamentali specifici.
I modelli di analisi predittiva e di apprendimento automatico possono identificare quando un giocatore ha probabilità di abbandonare o di effettuare un acquisto, consentendo interventi proattivi e automatizzati. Questa fusione di scienza sociale e convalida guidata dai dati crea un ciclo potente in cui le ipotesi psicologiche vengono testate su scala e le intuizioni che ne derivano vengono utilizzate per ottimizzare continuamente i sistemi di gioco per la fidelizzazione e la monetizzazione dei giocatori.
Questo articolo è il primo di una serie di tre parti:
- Trucchi statistici e basati sui dati per giochi e marketing
- Trucchi di scienze cognitive per giochi e marketing
- Altri trucchi di scienza cognitiva per giochi e marketing
Parte #1: Trucchi statistici e basati sui dati per giochi e marketing
1. Test A/B
Questo metodo si basa sulla sperimentazione controllata per osservare direttamente il comportamento degli utenti, eliminando i pregiudizi degli sviluppatori nelle decisioni di progettazione. Il meccanismo psicologico in gioco è la misurazione delle preferenze inconsce. Gli utenti potrebbero non sapere consapevolmente perché preferiscono un design a un altro, ma le loro azioni rivelano una risposta più favorevole a uno stimolo specifico, sia esso un colore, una forma o un prezzo. Questo fornisce una prova empirica di quali scelte di design portano a un maggiore coinvolgimento o a una maggiore conversione.
L'esecuzione richiede un robusto backend informatico in grado di segmentare la base di giocatori live in gruppi distinti (gruppo A, gruppo B, ecc.) e di servire loro versioni diverse di un elemento di gioco. L'analisi statistica viene poi applicata ai dati raccolti da questi gruppi. Ciò comporta il calcolo di metriche come i tassi di conversione, il tempo di coinvolgimento o la retention e l'utilizzo di test di significatività statistica (come il test del chi-quadro o il test t) per confermare che le differenze osservate non sono dovute al caso. L'elaborazione dei dati avviene su server che raccolgono e aggregano i log degli eventi di milioni di clienti del gioco.
Applicazione di gioco: in un puzzle game per cellulari, gli sviluppatori vogliono aumentare l'utilizzo di un power-up "bomba". Hanno testato due icone: una è una classica sfera nera con una miccia, l'altra è un cristallo arcano che pulsa. Per una settimana, 50% di nuovi giocatori vedono la sfera (A) e 50% vedono il cristallo (B). Il server registra il tasso di utilizzo per giocatore e l'analisi statistica mostra che il cristallo arcano viene utilizzato 15% più frequentemente, il che ne ha richiesto l'implementazione permanente.
Potete trovare una recensione completa sulla metodologia dei test A/B:
2. Segmentazione dei giocatori
La segmentazione dei giocatori funziona facendo appello all'identità e allo stile di gioco di un individuo. Raggruppando gli utenti, il gioco può presentare contenuti che si allineano alle loro motivazioni intrinseche. Un giocatore classificato come "Esploratore" risponderà positivamente alle missioni di scoperta, mentre un "Competitore" sarà più coinvolto dalle classifiche e dai contenuti giocatore contro giocatore. Questa personalizzazione crea la sensazione che il gioco comprenda e si adatti all'utente, rafforzando il suo legame con esso.
Questo processo è ad alta intensità di dati e inizia con la raccolta di grandi quantità di azioni dei giocatori, come il tempo trascorso in diverse modalità di gioco, la cronologia degli acquisti e le interazioni sociali. Gli algoritmi di apprendimento automatico, in particolare gli algoritmi di clustering come K-Means, vengono quindi utilizzati per identificare i modelli in questi dati e raggruppare i giocatori in segmenti distinti. L'infrastruttura di rete deve supportare l'etichettatura e il recupero dei dati in tempo reale, in modo che il client di gioco possa richiedere e visualizzare i contenuti o le offerte appropriate per il segmento specifico di un giocatore.
Applicazione di gioco: Un gioco di simulazione spaziale raccoglie dati sulle attività dei giocatori. Identifica un segmento "Trader" che utilizza frequentemente il mercato e vola con navi da trasporto. Questo segmento riceve notizie personalizzate all'interno del gioco sulle variazioni dei prezzi delle materie prime e sulle missioni esclusive per il trasporto di merci rare, contenuti che non vengono mostrati ai giocatori del segmento "Pilota di caccia".
3. Analisi dell'imbuto
L'impatto psicologico dell'analisi dell'imbuto è radicato nell'ottimizzazione del percorso dell'utente e nella riduzione dell'attrito. Identificando i punti in cui un gran numero di utenti smette di progredire (punti di abbandono), gli sviluppatori possono affrontare la causa di fondo, che spesso è la frustrazione, la confusione o la noia. L'appianamento di questi punti critici nell'esperienza dell'utente previene le emozioni negative che portano all'abbandono e mantiene uno stato di slancio in avanti e di impegno per il giocatore.
Matematicamente, un imbuto è una visualizzazione delle percentuali di flusso degli utenti da una fase all'altra. Per esempio,
- La fase 1 (esercitazione completata) potrebbe avere 100% di utenti,
- Il passo 2 (raggiunto il livello 5) potrebbe avere 80%,
- Il passo 3 (Primo acquisto) potrebbe avere 5%.
Il ruolo dell'infrastruttura IT è quello di registrare il completamento di ogni evento chiave predefinito per ogni singolo utente. Le piattaforme di analisi dei dati interrogano poi questo enorme insieme di dati per calcolare i tassi di conversione tra ogni fase sequenziale, visualizzando l'imbuto ed evidenziando i maggiori cali percentuali.
Applicazione di gioco: un gioco di costruzione di città ha notato un forte calo di giocatori 70% dopo la missione tutorial "Costruisci una centrale elettrica". Analizzando l'imbuto, ipotizzano che la fase sia troppo complessa per i nuovi utenti. Hanno suddiviso la missione in tre missioni più piccole e semplici: "Costruisci una turbina eolica", "Collega una linea elettrica" e "Alimenta un edificio". Dopo la modifica, il calo in questa fase è sceso a 20%.
4. Mappe di calore
Le mappe di calore traducono il comportamento aggregato dei giocatori in un formato visivo intuitivo, che sfrutta la capacità del cervello umano di riconoscere i modelli. Vedere un'area rossa "calda" su una mappa in cui i giocatori muoiono frequentemente comunica immediatamente una problema di progettazione senza dover leggere grafici complessi. Questo permette ai progettisti di immedesimarsi nell'esperienza collettiva dei giocatori che provano frustrazione o difficoltà in un'area specifica, inducendo una scelta più mirata ed efficace. modifica del design.
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.
Applicazione di gioco: in uno sparatutto in prima persona, un livello designer esamina una heatmap delle morti dei giocatori sulla mappa di un magazzino. Vedono una macchia rossa brillante in un lungo corridoio, che indica un numero insolitamente alto di morti. Si rendono conto che una singola postazione di cecchino ha una linea di vista sleale. Aggiungono una grande cassa al centro del corridoio per fornire copertura e le successive heatmap mostrano che la concentrazione di morti si è dissipata.
5. Analisi predittiva
Questa tecnica sfrutta il principio psicologico dell'intervento proattivo. Identificando il probabile comportamento futuro di un giocatore, il sistema può agire per rafforzare i risultati positivi o prevenire quelli negativi. Per un giocatore che si prevede effettuerà un acquisto, la presentazione di un'offerta pertinente sembra un'opportunità preziosa e casuale. Per i giocatori che si prevede abbandoneranno il gioco, la ricezione di un bonus speciale o di un messaggio da parte di un “amico” può riattivarli creando un rinnovato senso di valore o di obbligo sociale.
L'analisi predittiva si basa su modelli di apprendimento automatico, in particolare su modelli di classificazione e regressione. Questi modelli sono addestrati sui dati storici di migliaia di giocatori che hanno già effettuato un acquisto o un churning. I modelli identificano modelli complessi nelle metriche di gioco (ad esempio, diminuzione della durata della sessione, calo delle interazioni sociali) che sono statisticamente correlati con tali risultati. Il sistema informatico esegue quindi questi modelli sui dati dell'attuale base di giocatori in tempo quasi reale per assegnare un punteggio di “probabilità di abbandono” o di “propensione all'acquisto” a ciascun utente, attivando azioni automatiche nel gioco quando il punteggio supera una certa soglia.
Esempio di gioco: un gioco di raccolta di mostri utilizza un modello che prevede l'abbandono dei giocatori. Quando il punteggio della probabilità di abbandono di un giocatore supera 75%, il sistema fa scattare automaticamente un “evento speciale” per lui: un personaggio del gioco gli invia un messaggio che dice: “Ci manchi! Ecco una rara Incubatrice per aiutarti a covare la tua prossima creatura”. Questo incentivo mirato mira a evitare che il giocatore abbandoni il gioco.
6. Regolazione dinamica della difficoltà
La regolazione dinamica della difficoltà (DDA) mira allo stato psicologico di “flusso”, in cui il giocatore è completamente immerso e il livello di sfida corrisponde perfettamente alle sue capacità. Se un gioco è troppo difficile, provoca frustrazione; se è troppo facile, porta alla noia. Il DDA cerca di mantenere il giocatore in questo canale ottimale di coinvolgimento, aumentando o diminuendo in modo sottile la sfida, facendo in modo che il giocatore si senta competente e costantemente stimolato senza essere sopraffatto.
Il sistema funziona definendo e monitorando le metriche di prestazione chiave (KPM) di un giocatore, come la percentuale di precisione, il tempo di completamento del livello o il tasso di raccolta delle risorse. Un algoritmo statistico, spesso un semplice sistema basato su regole o un più complesso modello bayesiano, confronta le KPM correnti del giocatore con una linea di base predefinita di “prestazioni ideali”. Se il giocatore ha prestazioni troppo elevate, il sistema potrebbe aumentare la salute dei nemici o diminuire la disponibilità di risorse. La rete garantisce che questi aggiustamenti vengano effettuati senza problemi dal server, senza interrompere il gioco.
Applicazione del gioco: In un gioco di corse, se un giocatore vince tre gare consecutive con un margine di oltre 10 secondi ciascuna, il sistema DDA aumenta leggermente la velocità massima e l'abilità in curva dell'IA avversaria nella gara successiva. Al contrario, se un giocatore perde tre gare consecutive, il sistema potrebbe diminuire leggermente l'aggressività degli avversari, mantenendo le gare competitive e coinvolgenti.
7. Offerte personalizzate in gioco
La personalizzazione sfrutta il principio della “rilevanza”: un'offerta ha maggiori probabilità di essere accettata se si allinea con i comportamenti e le preferenze esistenti dell'individuo. Vedere un'offerta per una spada che un giocatore ha ispezionato più volte in passato crea una sensazione di comprensione e attenzione. In questo modo si riduce la percezione di “spammosità” della monetizzazione e si inquadra l'acquisto come un passo logico successivo nel percorso di gioco personale del giocatore.
Ciò si ottiene creando un profilo dettagliato del comportamento in gioco di ciascun giocatore, memorizzato in un database sul lato server. Questo include i dati relativi agli oggetti utilizzati, ai personaggi giocati e anche agli oggetti che sono stati provati in anteprima ma non acquistati. Quando si presenta un'opportunità di offerta, uno script lato server interroga questo profilo. Utilizzando una semplice logica basata su regole o un motore di raccomandazione basato sull'apprendimento automatico, seleziona l'offerta più pertinente da un catalogo di possibilità da presentare al giocatore attraverso la schermata di gioco. user interface.
Applicazione del gioco: un gioco di ruolo a tracce che un giocatore interpreta quasi esclusivamente come personaggio Mago. Quando inizia un weekend di saldi, invece di mostrare un generico banner “50% di sconto”, il gioco presenta al giocatore un'offerta specifica: “50% di sconto sulla Robe of Power dell'Arcimago”, un oggetto direttamente attinente al suo stile di gioco, aumentando le probabilità di acquisto.
8. Previsione e prevenzione del turn over
Questo fa leva sull'avversione alle perdite, l'idea psicologica secondo cui le persone sono più motivate a evitare una perdita che ad acquisire un guadagno.
Quando il sistema prevede che un giocatore stia per abbandonare, può intervenire. L'intervento - un bonus, una nuova sfida, un messaggio - inquadra la continuazione del gioco come l'evitamento della perdita di progressi, della posizione nella comunità o di un'opportunità speciale. Questo intervento può essere più potente di una semplice ricompensa, in quanto trasforma la decisione di abbandonare il gioco in una perdita attiva.
L'implementazione tecnica è quasi identica a quella dell'analisi predittiva, ma si concentra specificamente sul risultato del “churn”. I modelli di apprendimento automatico vengono addestrati sui dati storici dei giocatori che hanno abbandonato, identificando indicatori principali come la diminuzione della frequenza delle sessioni, la riduzione della durata delle sessioni o la riduzione dell'interazione sociale. Il sistema informatico assegna un punteggio di rischio di abbandono a ciascun giocatore attivo. Un sistema automatizzato di marketing o di distribuzione dei contenuti è configurato per attivare campagne di fidelizzazione specifiche (ad esempio, notifiche push, posta in gioco con regali) per i giocatori il cui punteggio di rischio supera una soglia critica.
Applicazione del gioco: in a social farming game, the system flags a high-level player whose login frequency has dropped from daily to once a week. The system automatically sends a push notification to their phone: “Your friend Beatrice just sent you a ‘Golden Tractor Fuel’ gift! Log in within 24 hours to claim it before it expires.” This combines a gift with social pressione and urgency to prevent churn.
9. Analisi delle serie temporali
L'analisi delle serie temporali consente agli sviluppatori di capire il ritmo e il battito della loro comunità di gioco, attingendo al comportamento collettivo della base di giocatori. Identificando gli schemi settimanali o stagionali, possono allineare gli eventi di gioco con i momenti di maggiore coinvolgimento per massimizzare la partecipazione. In questo modo si crea la sensazione di un mondo vivo che ha il suo ritmo, incoraggiando i giocatori ad allineare i propri orari con quelli del gioco, ad esempio collegandosi nei fine settimana per eventi speciali.
Si tratta di una tecnica puramente statistica che modella i dati temporali per identificare tendenze, stagionalità e modelli ciclici. Dati come gli utenti attivi giornalieri, le entrate o gli accessi all'ora vengono tracciati nel tempo. Modelli matematici come l'ARIMA (AutoRegressive Integrated Moving Average) possono essere applicati a questi dati per prevedere il comportamento futuro. Ciò richiede una soluzione di data warehousing robusta, in grado di archiviare ed elaborare volumi massicci di dati storici e temporali sugli eventi.
Applicazione del gioco: gli sviluppatori di un gioco multiplayer online utilizzano l'analisi delle serie temporali sui dati di accesso dei giocatori. Scoprono che gli accessi hanno un picco ogni sabato alle 20:00 UTC. Per sfruttare questo dato, programmano l'evento settimanale del boss mondiale più importante in modo che inizi ogni sabato alle 20:15 UTC, assicurando così la massima partecipazione ed eccitazione dei giocatori.
10. Analisi della coorte
L'analisi di coorte funziona inquadrando il comportamento dei giocatori nel contesto di un'esperienza iniziale condivisa. Confrontando i giocatori della "Settimana 1" di gennaio con quelli della "Settimana 1" di febbraio, gli sviluppatori possono isolare l'impatto degli aggiornamenti del gioco. In questo modo possono capire come le modifiche specifiche influenzino il percorso a lungo termine di un nuovo utente. Dal punto di vista psicologico, aiuta gli sviluppatori a creare un'empatia per l'"esperienza del nuovo giocatore" di un'epoca specifica, comprendendo come una particolare patch di bilanciamento o una nuova funzionalità abbia influenzato il viaggio collettivo di quel gruppo.
Il metodo consiste nel raggruppare gli utenti in base a una caratteristica comune, spesso la data di adesione (ad esempio, la "coorte di gennaio 2024").
L'infrastruttura IT deve etichettare ogni utente con il suo identificatore di coorte al momento della creazione. Quindi, è possibile interrogare un database per monitorare il comportamento di questi gruppi specifici nel tempo. Ad esempio, una query potrebbe calcolare la percentuale della coorte di gennaio ancora attiva dopo 30, 60 e 90 giorni e confrontare queste curve di conservazione con quelle della coorte di febbraio.
Applicazione del gioco: un gioco di ruolo fantasy ha rilasciato un importante aggiornamento degli "animali domestici" il 1° marzo. Utilizzando l'analisi di coorte, hanno confrontato la ritenzione a 30 giorni della "coorte di febbraio" (che ha livellato senza animali domestici) con la "coorte di marzo" (che ha livellato con gli animali domestici). Hanno scoperto che la fidelizzazione della coorte di marzo è superiore di 10%, confermando che il nuovo sistema di animali domestici ha un impatto positivo a lungo termine sul coinvolgimento dei giocatori.
Questo post continua con Parte #2: trucchi di scienza cognitiva per giochi e marketing
Glossario dei termini utilizzati
User experience (UX): la soddisfazione complessiva e la percezione di un utente quando interagisce con un prodotto, un sistema o un servizio, comprendendo usabilità, accessibilità, design e risposta emotiva durante l'intero processo di interazione.
User Interface (UI): un sistema che consente l'interazione tra utenti e applicazioni software, comprendendo elementi visivi, controlli e layout generale per facilitare le attività dell'utente e migliorare l'esperienza.
