Основная суть - показать пользователю, что пуши будут полезны для него и не злоупотреблять нотификациями.

1. Просить пользователя разрешить нотификации при первом запуске. Приложение не пока не заслужило доверия, лучше дождаться когда он будет вовлечен.
2. Не объяснять какую информацию будут предоставлять пуши пользователю и в чем их ценность.
3. Присылать множество уведомлений за короткий период. Если есть необходимость выслать нотификации о наступлении однотипных событий, то стоить агрегировать в одно уведомление.
4. Присылать не связанные с пользователем уведомления. Больше характерно для чатов, когда диалог ведется между несколькими людьми и не касается получателя.
5. Усложнять отключение нотификаций пользователю. Если он не может отключить, то высока вероятность, что удалить раздражающее удаление.

Источник (англ.): https://www.nngroup.com/articles/push-notification/

​​Монетизация через battle pass
#gamedesign #monetization

Механика бэттл пасов впервые появилась в доте, году в 2013м, но последнее время демонстрирует свою успешность в fortnite. По сути она представляет из себя монетизацию на покупке випа с серией наград за выполнение ачивок или квестов ( по отдельности встречается в баттлерах). Вполне вероятно, что её можно применить и к казуалкам, но обо всём по порядку.

Источник (рус.): https://app2top.ru/game_development/krugly-j-stol-kak-rabotaet-mehanika-battl-pass-13290.html

На app2top недавно был занятный круглый стол по battle pass, парни очень хорошо разобрали данную тему, я постарался выделить главное, но пост вышел всё равно здоровенным, перенес в телеграф:

https://telegra.ph/Monetizaciya-cherez-battle-pass-12-06

​​Акции и таргетированные офферы во free-to-play играх
#gamedesign

Ребята из DevToDev провели круглый стол по вопросам акций и офферов. Приглашенный эксперт в области геймдизайна прослушал и выделил основные моменты, чтобы мы теряли полтора часа жизни. Спасибо мистер эксперт! И конечно спикерам.

"Black Friday пропускать нельзя

Можно заранее определиться с набором товаров и готовить игроков к акции, оповещать и т.п. Чревато так называемым “предпохмельем”.

Похмелье нужно обязательно оценивать

Вариант реализации логики выдачи офферов: таргетированный пул, откуда каждому юзеру в акционные слоты по весам раз в сутки, основываясь на поведении, подставляются офферы.

Офферы лучше не удалять,а  помечать как неактивные.

Золотое время для акций - зима, весна, начало лета, много праздников.

Затишье - лето и осень до самого Хэллоуина. Поводы для акций приходится придумывать самостоятельно, часто под выпуск свежего контента.

Для увеличения параметра Retention можно запускать ивент и не самые щедрые акции.

Как работать с предпохмельем. Если игроки уже разогреты новостями о скидках, можно ждать падения спроса за несколько дней до акции. Важно не спойлить акционку; можно сказать, что скидка будет, но не говорить, на что именно. Это ослабит негативный эффект.

Нужно использовать РФМ-анализ и работать по всей матрице, подгоняя офферы под каждую когорту.

Не стоит делать скидку на минимальный оффер в банке, даже когда скидки идут “на всё”.

Хорошо себя показывают конверсионные акции с 90-95%% скидкой. Также хорошие показатели у каскадных акций.

Ценный контент лучше продавать без скидки. Уникальный для оффера контент потом нигде не должен фигурировать, с игроком нужно быть честными.

Обязательно нужно оценивать целесообразность каждой акции, акция должна преследовать одну конкретную цель, не стоит плодить бессмысленные акции.

Банк помогает игроку оценить выгодность той или иной акции, нужен больше для примера.

Первый платеж в 90% случаев игроки совершают в первые 3 дня. Например, за предложенный вкусный пак ценой 1$.

Поднималась тема отдельного магазина для новых игроков, динамического наполнения магазина в зависимости от прогресса игрока, без акций.

Акцию на первый платеж лучше показывать как можно раньше, прямо после тутора. Однако, стоит оценивать специфику проекта и обращаться внимание на показатели, ретеншн первых дней важнее попытки конверсии.

Экспертиза геймдизайнеров против Machine learning - ничья.

Разница в пределах статистической погрешности, успешных кейсов победы машины над человеком приведено не было.

Хорошая акция должна быть без похмелья, если оно есть, обязательно нужно оценить тяжесть.

Чем больше акций, тем тяжелее проводить анализ, акции начинают конкурировать. Нужно постоянно оценивать структуру платежей.

Оценивать акции “на глазок” можно весьма условно, нужно обязательно подключать аналитиков.

Смена интерфейса банка может сказаться на монетизации не лучшим образом. Привели кейс двух разных интерфейсов для новых/старых игроков в одной игре.

Чем больше сущностей участвует в акциях, тем меньше вероятность похмелья за счет разнообразия.

Все всё очень серьезно анализируют, изменения стараются вводить аккуратно и последовательно.

В итоге все сошлись во мнении, что с акциями лучше, чем без них. "

Источник (рус., 1.5 часа): https://www.devtodev.com/education-center/recorded-webinars/124/promos-offers-in-the-free-to-play-games-in-russian-/

​​Геймдизайн интерфейсов мобильных игр. Подкаст радио ГД №22
#UX #UI #GD

Законспектировал подкаст от Манжетов ГД. Сергей Гимельрейх, Владимир Ковтун и Константин Сахнов обсуждают организацию работы над UI/UX, основные ошибки и делятся случаями из опыта. Получилось многовато поэтому через telegraph. Ссылка на источник внутри. В целом рекомендую, особенно тем ГД, которые думают что данная тема их не касается.

https://telegra.ph/Radio-GD-Gejm-dizajn-interfejsov-mobilnyh-igr-12-06

​​Кейс про churn модель
#analytics

Подкинули тут статью от аналитика из Crazy Panda. Изначально отпугнуло количество воды, но ближе к концу нашел один кейс, чем и поделюсь.

Немного вводной инфы
За год работы они улучшили LTV старого проекта на 50%, конверсию в плательщика — на 30%, ретеншен 3-го дня — на 15%. Этих значений мало, чтобы сделать выводы о том, насколько ценны данные результаты.

Как не надо делать churn-модель
Решили сделать модель предсказания оттока для нашего основного проекта — World Poker Club. Задача звучит довольно-таки просто: у нас есть большое количество пользователей (как отвалившихся, так и нет) и большой объем данных по ним. Саму задачу мы сформулировали так: «определить, что пользователь не зайдет в течение следующих 14 дней». Для нас важнее был recall, чем precision: мы хотим найти всех пользователей, которые отвалятся.

Собрали большой датасет, который включает вид авторизации, девайс, агрессивность игры, качество игры, платежи, уровень, количество матчей, информацию по оппонентам (гипотеза: пользователям не нравится играть с all-in'щиками), использование различных фичей (например, hold’ em/omaha, силомер) и т.д. Итого в датасете было 68 колонок, описывающих сессию игрока всесторонне. Как таргет-переменную мы выбрали бинарную величину: придет ли пользователь в следующие 14 дней. Всего же в анализе была информация о 500 тысяч пользователей.

Естественно, датасет получился несбалансированным — большинство пользователей все-таки возвращается в течение 14 дней. Мы использовали undersampling, так как могли легко увеличить объем выборки, взяв больший промежуток времени.

Начали обучать классификатор, протестили модели от логистической регрессии и заканчивая бустингом. Наиболее точную модель показал XGboost, точность которой на валидации составила 96%, на тесте — 90%.

Во-первых выяснили на основе f-score, что вероятность возврата сильнее всего зависит от времени жизни в игре, количества сессий, среднего соотношения количества фишек, что человек берет за стол, к общему, среднего интервала между сессиями за последние 14 дней.

Во-вторых, нашли пользователей, которые отвалятся и решили дать фишки через push-уведомления, чтобы замотивировать их снова заглянуть в игру.

Сделали MVP: обученную модель повесили на Cron, который каждую ночь обсчитывал последние сессии игроков и планировал рассылку push-уведомлений.

Результат
Ретеншн незначительно подрос, но количество матчей — нет. Оказывается, пользователи переходили по пушу, заходили в игру, шли all-in — и больше к нам не возвращались. Таким образом, мы ничего не могли сделать с этими людьми.

Выводы из этого:
- Если пользователь планирует уйти, то ему, скорее всего, не нравится геймплей или есть дополнительные раздражающие факторы, определить которые очень тяжело.
- Push-уведомления возвращают людей, но не задерживают в игре.
- Определять последнюю сессию - нецелесообразно, уже нет возможности что-либо сделать с точки зрения продукта, стоит попробовать находить таких игроков за N сессий до отвала

Источник (рус.): https://vc.ru/life/52094-igry-eto-cifry

​​7 принципов, влияющих на поведение пользователя
#UX #marketing

Нашел любопытную подборку кейсов с поведением людей на UX planet, думаю некоторые моменты пригодятся тем, кто работает над игровым банком или магазином.

Все пруфы и ссылки на эксперименты - в статье источнике.

1. Лимитированное предложение стимулирует покупки
Провели эксперимент по влиянию лимитов на количество покупок в ценниках. Результат - большие лимиты стимулируют покупки. В основе лежит принцип, что мы подсознательно отталкиваемся от указанного значения лимита, прикидывая сколько нужно купить товара.

2. Контекст влияет на поведение
Протестировали как будут покупать вино, если ставить музыку разных стран, в итоге росли продажи вина из той страны, чья музыка играла. Влияет на все органы чувств включая визуальный ряд.

3. Знак валюты увеличивает негатив при покупке
Исследования показали, что удаление символа доллара из ценника привело к росту продаж на 12%. (пожалуй засуну в A/B при случае)

4. Эффект от отъема сильнее эффекта от начисления
(С примером до конца не согласен, есть неучтенные моменты, как например размер наказания за баллы)
За нарушения ПДД в Италии с водителей начали списывать баллы и это начало стимулировать их водить осторожнее, потому что психологически непрятно что-то терять. В то же время схожая система только с начислением баллов приводила к тому, что люди мерились количеством нарушений.

5. Социальные обязательства повышают вовлеченность
Если пользователь приходит в проект с друзьями - его мотивация усиливается. Как пример приводятся тренировки в спортзале, когда вероятность завершения цикла тренировок возрастает, если они выполняются не в одиночку.

6. Выбор варианта "по умолчанию"
Исследование показало, что увеличение тележек в супермаркете вдвое увеличило количество покупок на 40%. Люди подсознательно стараются соответствовать норме, чтобы не думать лишний раз.

7. Выбор среднего значения
По той же причине, когда людям в исследовании предлагалось выбирать размер порции напитка из нескольких вариантов, они всегда выбирали средний, независимо от объемов.

Источник (англ.): https://uxplanet.org/7-principles-that-influence-our-behaviour-fc42c154c2a

Был ли полезен данный материал? Интересен ваш фидбэк, если есть идеи и предложения - закиньте в личку ( @andrew_de ), буду очень признателен

​​Работа с показателями Часовщика от Belka Games
#analytics #roi

В начале выступления было столько воды, что чувствовал себя как Ди Каприо около Титаника, но под конец стало поинтереснее.

Немного данных на 2018 год:
- Игра была запущена более 5 лет назад (2012) и с тех пор растет
- У них 1 млн. MAU и потенциальный userbase в 40+ млн. (здесь и далее цифры предоставленные их менеджером по развитию бизнеса)
- За последний год часовщик вырос по доходом на ~270%
- Команда выросла с 45 до 125 человек за год, текучки нет
- По маркетингу ROI на 180й день более 100% по каждому из каналов
- По retention абсолютных значений нет, но ios R1 вырос в 1.5 раза, R7 в 1.6, R28 в 1.7, на android в 1.2, 1.25 и 1.4 соответственно
- 30% процентов активной аудитории играет больше года (кого считать активной аудиторией опять же вопрос)

Как добились роста дохода:
1. Регулярные обновления (недельные нарративные апдейты и новый контент)
2. Ивенты (2х и 3х дневные (суть не раскрывалась), частые недельные и реже двухнедельные, в награду игрок получает кусок истории)
2. Добавили турниры (хорошо отражается на вовлеченности, особенно на азиатских рынках)
3. Переработали арт на более качественный (переработали персонажку, переработали бэки с 2D на псевдо 3D)
4. Контроль за качеством продукта в техническом аспекте (победили ANR и падения), ввели контроль QA отдела за качеством билдов, в том числе и логирования
5. Создали полноценный отдел саппорта и комьюнити
6. Билд готовят за месяц до релиза и есть точный план выливок по платформам, календарь расписан на 3-4 месяца вперед по небольшим фичам и роадмап на полгода по крупным
7. Data-driven изменения
8. Анализ изменений у конкурентов
9. Собрали компетентный отдел маркетинга и выделили специалистов из других отделов
10. Не рассчитывают на фичеринги не закладывают их в бизнес модель, но используют фичеринги как источник информации о точках роста и новых рынках изучая поведение пришедшего органического траффика
11. Все играют в свой продукт от руководства до членов команды и дают фидбэк

Источник: https://youtu.be/XEU5W-rDt_g

​​Книга. Дарелл Хафф. Как лгать при помощи статистики
#analytics

Что-то не подвернулось хорошей свежей статьи, но попалась масса с мутными цифрами. Это и роллинг ретеншны, чтобы показать как всё хорошо и рост на сотни процентов по отношению к прошлому периоду и т.д. Поэтому решил запилить выжимку на эту старую книжку.

Суть книги - приемы, которые позволяют искаженно интерпретировать восприятие данных или ситуацию в целом. Кроме тезисов ниже в книге брать нечего, так что первоисточник в данном случае не рекомендую.

Некорректная выборка - случайно или сознательно опрашиваются определенные представители аудитории и отсекаются другие
Пример - опросить людей на улице в спальном районе посреди рабочего дня, в выборку не попадут те, кто в этот момент в офисе.

Корреляция вместо следствия - две метрики растут одновременно, но не одна из-за другой, а вследствие третьей. Например смертность и количество инвалидов в 1943 году выросли относительно 1930го. Можно сказать что смертность растет из-за большого числа инвалидов, но нет, она растет из-за войны.

"Среднее" значение - используется термин некого среднего значения, вместо среднего арифметического, среднего геометрического или медианы. Каждый из этих методов подсчета может сильно смещать значение.

Некорректные опросы - когда опрашиваемые не могут или не хотят честно ответить на вопрос. К примеру опросить аудиторию передачи дом 2, считают ли они себя умными. Результат будет сильно отличаться от реального положения дел.

Искаженные оси в графике - когда за счет взятых на осях интервалов достигается эффект увеличения важности изменений. К примеру игра зарабатывал 100к начала зарабатывать 101к. Если взять от нуля до 200 заметно не будет, если от 99 до 102 то визуально будет заметен сильный рост

Необоснованный факт - подкрепление вывода информационным фактом, который на самом деле ничего не значит. Пример из книги "Сигареты марки "кент" менее вредны, потому что большинство врачей курят именно их согласно опросам". Врачи может их и курят, но на самом деле большинство врачей скорее всего не задаются вопросом разницы влияния на организм, сравнивая с "парламентом" например, а исходят из вкусовых и ценовых предпочтений.

Проценты, процентные пункты и процентили - собственно опять заигрывание с терминами, когда мы используем тот, который лучше отображает тот вывод, который мы хотим показать. Retention первого дня вырос с 10% до 11%. Он вырос на 1% процентный пункт или он вырос на 10% в зависимости от того, хотим уменьшить восприятие роста или увеличить.

Подбор подходящего эталона - сравнивая метрики за два периода, берем период максимально отличающийся от того, который нам надо представить в определенном свете. К примеру опять же ретеншн был в июне 3%, июле 7% в августе 6%. Если надо показать, что в августе ретеншн вырос - просто сравниваем начало лета и конец.

Умалчивание связанных данных - когда мы показываем изменение одной метрики, но не говорим о важных изменениях других метрик связанных с данной. Например количество автомобильных аварий 1900 и 2000 годах без упоминания об увеличении количества машин. Или рост ARPU без упоминания о падении DAU.

Источник: https://www.ozon.ru/context/detail/id/32796823/

​​Эмодзи, асо и конверсия в открытие нотификаций
#marketing #aso

Года полтора назад сталкивался с этой темой, точных цифр не было, но была инфа о том, что использование пушей повышает конверсию в открытие. За точность данных в отчете от leanplum не отвечаю, скорее всего там жесточайшие усреднения, но принять к сведению рекомендую.

Email без эмодзи 9.67%
Email c эмодзи 16.06%
Push без эмодзи 3.01%
Push с эмодзи 10.67%

Есть ощущения, что это скорее корреляция, чем причинно-следственная связь, но их исследования показывают, что приложения с эмодзи в нотификациях удаляют на 26% реже.

В мобильных играх лучше всего работают те, которые символизируют победу и награду (сумка, алмаз, кубок, см. изображение наверху).

Популярность эмодзи зависит от страны.

Заодно прикреплю к этому немолодую статью от apptractor по вопросу использования эмодзи в коротком описании приложения ccleaner на google play.

В итоге:
В Германии победила ракета :rocket: и принесла 20%
В Италии сотка 💯 и тоже 20%
В Польше мусорная корзина 🚮  с 7.5%
В Англии сначала было лучше без них, но к концу эксперимента ракета и +7.1%

Россия, Испания и Франция без статистически значимого результата.

Короче есть над чем подумать. Если у кого-нибудь были интересные кейсы - расскажите, оч. любопытно.

У leanplum есть небольшие подборки эмодзи для разных типов приложений, не обязательно указывать корректный email, чтобы скачать отчет.

Источник 1 (англ.): https://www.leanplum.com/blog/powering-engagement-with-emojis/

Источник 2 (рус.): https://apptractor.ru/info/articles/eksperiment-s-aso-kak-emodzi-zagruzki.html

​​Usability тест. Сколько требуется людей?
#ux #custdev

Периодически буду вбрасывать статьи из Нильсен-Норман, как-никак продуктовый канал всё-таки.

Короче для оценки проблем взаимодействия пользователя с продуктом достаточно 5 человек на итерацию.

Исключения:
- количественные исследования ради статистики, не для оценки поведения пользователя в продукте (от 20 человек и далее)
- сортировка с помощью карточек - нужно минимум 15 человек на группу
- тепловые карты - нужно минимум 39 человек
- когда аудитория гетерогенна по взаимодействию с продуктом (пример продавцы и покупатели на авито). В таких случаях нужно 3-5 человек на каждую группу, в зависимости от того насколько сильно пересекается опыт пользователей или отличается поведение
- в редких случаях, когда нужно добиться максимального качества покрытия и есть большие бюджеты - можно увеличить до 8ми человек на итерацию
- когда нужно защищать перед спонсорами, который не разбираются в UX может потребоваться большей людей
- для проектов с большой частотой итераций можно сократить до 3х или даже 2х человек, но вложить бюджет в большее число раундов тестирования

Не являются причинами для отхода от правила 5 человек:

- продукт с миллионами юзеров - количество пользователей не важно, значение имеет лишь схожесть паттернов поведения и статистически достаточно 5 человек
- у продукта сотни фичей - это повод провести разные тесты, дав тестирующим разные задачи, но не увеличивать количество в одной  группе

Источники (англ.):
https://www.nngroup.com/articles/how-many-test-users/
https://www.nngroup.com/articles/why-you-only-need-to-test-with-5-users/

​​Работа с дупликатами в gacha системе дропа
#gamedesign #monetization