Игра в цифры. Как аналитика позволяет видеоиграм жить лучше - Василий Сабиров
Если компания сработает по этим пунктам, то можно начинать говорить о data driven.
В data driven-компаниях при принятии решений четко выделяется несколько этапов.
– Подготовка и анализ данных. Это как раз то, что и является основной задачей аналитика.
– Принятие решения. Здесь собираются все те, кто причастен к принимаемому решению. Среди них обязательно должен быть аналитик! Как правило, финальное решение по проекту в игровой студии – за продюсером. При этом на данном условном совещании желательно присутствие и гейм-дизайнера, если речь идет про какое-то нововведение в игре. И задача (а то и обязанность) аналитика – предложить решение, с которым согласятся все участники.
– Собственно действие. Принятое на основании данных решение внедряется в жизнь. Например, в игру внеслись какие-то изменения.
Чего не хватает в этих этапах? Правильно, логической стрелочки из последнего пункта в первый. Предприняв какое-то действие, мы должны снова отправиться на этап изучения данных: все ли мы сделали правильно? Чем быстрее при этом соберутся данные, тем быстрее мы сможем принять новое решение.
Таким образом, data driven-культура циклична – это целый процесс, повторяющийся регулярно и не останавливающийся ни на секунду.
Помните старый анекдот?
Летят в самолете Петька и Василий Иванович. Василий Иванович спрашивает:
– Петька, приборы!
– 200!
– Что «200», Петька?
– А что «приборы»?
При работе data driven-культуры часто слышен скрежет шестеренок: далеко не всегда те, кто отвечает за данные (аналитики), понимают тех, кто принимает решение (продюсеры). И чем плотнее будут работать аналитик, продюсер и – давайте добавим в эту триаду еще одного постоянного участника – гейм-дизайнер, чем более понятно аналитик будет доносить до них свои мысли, тем ближе итоговый процесс будет к data driven-культуре.
Что еще очень важно – мы всегда должны пропускать обсуждаемые тезисы через один фильтр. Это вопрос «Чтобы что?» Мы вносим это изменение, «чтобы что?» Мы собрались здесь, «чтобы что?»
Помню, ко мне подошел продюсер проекта и попросил подготовить отчет на тему, как часто игроки из Марокко используют одну из фичей игры. Подготовка данного вопроса у меня заняла несколько часов, и вот наконец я был готов явить итоговый ответ.
Продюсер сказал что-то типа: «А, ну понятно», и я кое-что заподозрил. Я спросил: «А зачем тебе это надо было вообще?»
«Да просто так, любопытно», – ответил продюсер.
Если бы и продюсер, давая мне эту постановку, задавался волшебным вопросом «Чтобы что?», и я задал бы его, чтобы лучше разобраться в контексте задачи, это сэкономило бы всем нам несколько часов.
Поэтому, подходя к аналитику с задачей, будьте готовы ответить на вопросы: что делать? зачем это делать? что мы будем делать после?
Ну а если вы аналитик, то запишите эти три вопроса и повесьте над рабочим местом.
Таким образом, data driven-аналитик:
– проактивен и генерирует гипотезы;
– влияет на принятие решений;
– участвует в треугольнике: продюсер – геймдизайнер – аналитик;
– ум, глаза и здравый смысл бизнеса;
– отключает интуицию и представляет сторону данных на совещаниях;
– …и вообще, стоит сказать, что data driven-аналитик – это тавтология.
Можно выделить следующие особенности data driven-культуры.
– Руководители data-грамотны; они знают, что без отчета никуда.
– Высокая культура A/B-тестирования. Если мы не уверены (а так чаще всего и бывает) – мы проверяем гипотезу через сплит-тест.
– Аналитики генерируют идеи, а не только предоставляют отчеты. Проактивность, запомните!
– Совместный синтез гипотез. Аналитик в принятии решений ничуть не менее важен, чем продюсер.
– «Мы не знаем ответ, давайте найдем его с помощью анализа». Выжжем эту фразу на сердце железом раскаленным.
Но, как ни странно, data driven-культура – это не апофеоз.
Есть еще один, более высокий уровень познания аналитического дао – это data informed-культура.
Data informed-подход – это подход, который подразумевает использование данных при принятии решения лишь как один из многих факторов.
Опираться только на данные – это, как бы мне ни хотелось обратного, крайность. Опираться исключительно на субъективные мнения – другая. Ведь истина, как и во многих других случаях, находится в балансе этих двух подходов, именно это и называется data informed.
Все же мнение собственников бизнеса не учитывать нельзя: они как-никак создали компанию, они визионеры и смотрят чуть дальше и выше.
Что при этом важно, data informed строится именно на фундаменте data driven, и никак иначе. Неправильно было бы миновать data driven в своем пути к data informed. То есть собственники принимают решения и на основании своего опыта и визионерства, и на основании данных, специально подготовленных кропотливыми аналитиками.
Data driven позволяет нам найти некоторый локальный максимум. Если мы находимся в конкретной точке пространства, то с помощью данных (например, с помощью десятков A/B-тестов) мы сможем найти вершину ближайшего к этой точке холма. Но будет ли эта вершина глобальным максимумом, которого мы можем достичь? Скорее нет. Для поиска глобального максимума нужно принимать во внимание множество других факторов, и вот здесь как раз в игру вступает визионерство, а значит, и субъективность.
Data informed-подход позволит нам найти примерные координаты точки другого холма, потенциально большего, а затем его задачей будет найти в той точке локальный максимум.
Как найти баланс между data driven и data informed?
– Применяйте data driven-подход для задач оптимизации.
– Если в определенный момент оптимизационный подход перестал давать плоды или неприменим, то поднимите задачу на более высокий уровень.
– Есть ряд задач высокого уровня, которые невозможно решить, используя подход data-driven. Используйте для них подход data-informed (данные становятся лишь одним фактором среди прочих).
– Прочие факторы могут быть следующими: качественные исследования, инсайты из общения с пользователями, бизнес-интересы, стратегические цели, ваша вера и желание сделать мир лучше.
Говоря о data driven и data informed, я, конечно, нарисовал довольно утопический мир, и часто многие факторы могут легко лопнуть эту картинку, как мыльный пузырь. Но все же нам нужна путеводная звезда, и, работая с разными компаниями по внедрению data-культуры, именно эту картинку я держу в голове.
A/B-тесты в играх
Я уже говорил, что важной особенностью и даже задачей аналитика является необходимость сомневаться. На самом деле мы не так много знаем (кстати, да, я говорил, что аналитики – чаще всего агностики?). Наши предположения и гипотезы всегда субъективны, и нам нужен инструмент их проверки на объективность. Прекрасным инструментом являются A/B-тесты.
Что вообще такое A/B-тест? Это последовательность действий, при которой разным группам пользователей показываются разные, слегка измененные
