Dificultad en los Videojuegos, ajuste con Data Science, ¡un nuevo paradigma para los estudios de juegos móviles!
Analizamos la incidencia del Data Science para el ajuste de la dificultad en los videojuegos. Curva, niveles y muchos más detalles.
Los estudios de juegos móviles se presentan ante nuevos retos. Uno de ellos, y quizás el más importante, sea la retención de jugadores. Hoy te explicamos cuáles son los nuevos horizontes que se presentan. Y como ya existen iniciativas que le brindan la oportunidad a los estudios de manejar el Data Science y el Machine Learning a su favor.
Artículo publicado originalmente por Dominique Busso.
____________
Nuestro estudio ha pasado mucho tiempo en el pasado tratando de ajustar la dificultad en los videojuegos de las distintas etapas. Sin saber realmente cuál era el efecto real en nuestros jugadores. Así que decidimos hacer algo al respecto, no solo para nosotros, sino para todos los estudios y editores de juegos para móviles.
En este post, explicamos cómo un proceso clave en el diseño de juegos - el ajuste de la dificultad en los videojuegos - está siendo alterado por el Data Science y el Machine Learning. Y cómo las empresas de juegos que adopten este nuevo paradigma obtendrán una ventaja injusta en la retención y monetización de los jugadores.
La retención de los jugadores es clave para la monetización de los juegos para móviles
En el mundo de los juegos para móviles, y especialmente en el mercado de los juegos casuales e hipercasuales, todos los modelos económicos - freemium con IAP (In-App Purchases), Ads, suscripción, incluso premium - se basan en la retención de jugadores. Ya conoces las fórmulas mágicas: debes tener un CPI (coste por instalación) que sea inferior al LTV (Life Time Value of a player / valor del tiempo de vida de un jugador).
Tienes que reducir tu CPI y aumentar tu LTV. Y cuantos más jugadores permanezcan en tu juego, más podrán ver los anuncios. Más se inclinarán a comprar una IAP, más tiempo permanecerán suscritos y más ingresos mensuales recibirás de la plataforma de suscripción. E incluso para los juegos Premium, si los jugadores permanecen más tiempo en tu juego, significa que lo disfrutan. ¡Lo contarán a otras personas y comprarán tu próximo juego!
¡Pero no es tan fácil, lo sabemos!
La retención de jugadores sigue siendo el gran reto de los juegos para móviles
En el último Pocket Gamers Connect de Londres (enero de 2020), durante el track hipercasual, varios ponentes explicaron cómo tienen numerosas herramientas y especialistas que les ayudan a adquirir jugadores. Pero la retención sigue siendo el gran reto.
Según GameAnalytics (H1-2019-Mobile-Gaming-Benchmarks), se debería apuntar al menos a un 35% de retención en el día 1 (50% en los juegos hipercasuales). Un 11% en el día 7 y un 4% en el día 28 se considera bueno. De todos esos jugadores difíciles de adquirir, casi el 90% dejará de jugar después de 7 días…
Entonces, ¿por qué es tan difícil alcanzar una buena tasa de retención de jugadores?
El ajuste de la dificultad en los videojuegos es clave para la retención de los jugadores
La mayoría de los diseñadores de videojuegos conocen el concepto de "flujo cognitivo". Cada juego tiene una progresión de dificultad específica, y cada jugador reaccionará a la dificultad en función de sus habilidades. Pero también según lo que sienta, le guste y disfrute del juego.
Los jugadores dejarán de jugar definitivamente y no volverán a hacerlo por dos motivos principales: frustración (se han frustrado demasiadas veces y no tienen ganas de seguir jugando) o aburrimiento (se han aburrido demasiadas veces y no tienen ganas de seguir jugando).
En los juegos casuales e hipercasuales, la progresión de la dificultad puede ser bastante plana (el nivel 1200 de Candy Crush no es más difícil que el nivel 20). Así que los estudios ponen algunos "puntos de dolor" en algunas etapas específicas sin saber realmente si están en los lugares adecuados para los jugadores ¡que son todos diferentes!
¡Sí, es correcto, pero es tan difícil y tedioso ajustar la dificultad de todas las etapas!
Primer reto, ¡los estudios tienen los ojos vendados al ajustar la dificultad del juego!
Probar la dificultad de todas las fases de un juego puede llevar mucho tiempo. Y dependes de los comentarios de tu equipo, de algunos evaluadores… ¿ellos representan a tus jugadores reales?
Entonces pones una herramienta de analítica en tu juego, configuras eventos antes de cada etapa, configuras un embudo de etapas en el portal web de analítica…. y ves que pierdes muchos jugadores después del nivel 10, ¿entonces, qué? ¿Es porque es demasiado difícil? ¿Demasiado fácil?
Si cambias la velocidad del oponente, si pones 5 movimientos más en una etapa de Match3, debería ser más fácil para los jugadores ¿pero realmente lo es?
Y lo que es más importante, ¿Cómo sabes que, para cada etapa de tu juego, tienes una dificultad que es óptima para tu público general de jugadores?
Entonces, ¿cómo puedo encontrar, para cada etapa, la dificultad óptima para todos los jugadores en general?
La solución: Análisis de dificultad basado en datos
Si obtienes datos sobre los jugadores que empiezan una etapa, cómo la terminan (ganando, perdiendo, abandonando…), puedes obtener información muy importante sobre cómo se comportan tus jugadores reales en tu juego, y cómo reaccionan a los cambios en la dificultad mientras afinas tu juego. Puedes utilizar herramientas estadísticas (como la regresión de Gauss) para trabajar en el ajuste de todas tus fases.
El análisis y la toma de decisiones basados en datos pueden ser realizados manualmente por los desarrolladores o por alguien capacitado para obtener la máxima información de los datos: un analista o un científico de datos. Sin embargo, hacer esto manualmente podría tomar mucho tiempo que los estudios no tienen.
Por eso hemos desarrollado askblu.ai, para ofrecer esta importante función a todos los estudios y editores de juegos para móviles sin costes de inversión (solución SaaS completa).
Ahora mis niveles de dificultad son óptimos para mi público ¿eso es todo?
Segundo reto: los jugadores son muy diversos en los juegos casuales
Sabemos que la retención depende en gran medida del ajuste de la dificultad; un jugador frustrado se irá (demasiado difícil), un jugador aburrido también se irá (demasiado fácil).
Pero los jugadores de los juegos casuales e hipercasuales son muy diversos.
Si tu juego ofrece la misma dificultad a todos los jugadores, perderás jugadores que podrían quedarse en tu juego si pudieras detectar que se frustran (poniéndolo más fácil) o se aburren (poniéndolo más difícil).
Por lo tanto, ajustar dinámicamente la dificultad en los videojuegos se convierte en una necesidad ineludible para los diseñadores y desarrolladores de juegos. Se supone que el objetivo es dar a los jugadores la experiencia más cómoda, evitando que se frustren si el juego se vuelve demasiado difícil o que se aburran si no existe ningún reto real en el juego.
Intento cambiar dinámicamente la dificultad en mis juegos ¿no es una buena idea?
El ajuste dinámico no es la personalización del jugador
Durante la última década, los estudios de juegos han tratado de ajustar dinámicamente la dificultad utilizando reglas en su mayoría arbitrarias, codificadas en el juego. Esas reglas, tan sencillas como "la etapa debe ser más fácil si el jugador acaba de perder tres veces", por ejemplo, tienen la ventaja de ser fácilmente legibles y tener un diseño sencillo. Sin embargo, un inconveniente importante es la falta de información sobre los beneficios de dicha regla:
- ¿Es una regla óptima para todos los jugadores?
- ¿Cuál es el impacto real en la percepción del jugador?
- ¿Tiene realmente un efecto en la experiencia del jugador y, por tanto, en la retención?
Pero lo más importante: no se personaliza realmente porque la regla es la misma para todos los jugadores.
¿Por qué fallar tres niveles en lugar de cuatro o dos? Puede que algunos jugadores prefieran intentarlo más de 3 veces y que a otros no les guste perder 3 veces seguida.
Así que dejemos estas reglas "en el juego". ¿Cuál es la solución para el ajuste dinámico real?
La solución: Personalización del jugador en tiempo real con Machine Learning
El análisis de los datos y la elección dinámica de la mejor opción pueden automatizarse, utilizando el machine learning, la estadística, los procesos de automatización y la cloud computing. Esto también permite tener en cuenta información más compleja, con el precio a pagar de la legibilidad de las decisiones tomadas, para lo que se requiere más experiencia.
Los árboles de decisión, la regresión logística, el clustering, las redes neuronales y la estadística son herramientas habituales que pueden utilizarse para dicha automatización, donde la detección de los criterios que maximizan una cifra de mérito - como la retención de jugadores - se realiza de forma automática, sin necesidad de escarbar uno mismo en los datos.
Nuestra plataforma askblu.ai proporciona esta personalización del jugador en tiempo real a todos los estudios y editores de juegos para móviles, sin ninguna inversión inicial. Cada juego tiene su propio modelo de Machine Learning, porque cada juego es único (cómo juega la gente, cuándo, cuánto tiempo).
Gracias, es justo lo que necesito, ¡quiero probarlo ya!
Conclusión: Data Science y Machine Learning, un cambio de paradigma para el ajuste de la dificultad en los videojuegos
El problema de la retención de jugadores puede reducirse radicalmente con un cambio de paradigma en el proceso de ajuste de la dificultad del juego. En lugar de ajustar un juego con los ojos vendados y tratar de programar unas reglas "expertas", los desarrolladores de juegos obtendrán resultados significativamente mejores utilizando un enfoque basado en datos.
Tomando de nuevo el ejemplo de la detección de la frustración y la corrección de la experiencia, en lugar de considerar la posibilidad de hacer el escenario más fácil después de tres derrotas, una técnica basada en datos permitiría descubrir que algunos jugadores tienden a desistir después de haber perdido sólo dos niveles, otros jugadores se quedarían independientemente del resultado, y otros jugadores tienden a desistir una vez que consiguen una versión más fácil del nivel después de haber perdido ese mismo nivel varias veces.
Esto ilustra la variabilidad de los jugadores, que piden una experiencia personalizada que no puede ser manejada, o a lo sumo imperfectamente, por reglas arbitrarias, sino por algoritmos de Machine Learning que aprenden del comportamiento de sus jugadores reales.
¿Quieres probarlo? Registra tu estudio en askblu.ai o solicita una presentación en visio.
____________
Si deseas leer la versión Original en Inglés, haz clic aquí.
Si te gusta la información que traemos para ti, dale “Me Gusta” a nuestra página de Facebook, síguenos a través de nuestro canal de Youtube, donde puedes ver el distinto material que preparamos para ti, y si lo deseas, puedes suscribirte a nuestra página para recibir un regalo digital que preparamos para ti.
Finalmente, te dejamos con nuestra Ruta de Aprendizaje en Videojuegos. Sin duda, la guía para aprender todo sobre este interesante mundo en Frogames. ¡Nos vemos en clase!
