四大模块全面分析MOBA游戏 助力内容运营持续优化

一、战斗数据分析

平衡性分析的方法

1、角色平衡性分析

通过构建刻画平衡性的指标体系，利用统计的方法对角色各个指标的表现判断各个角色是否存在不平衡的点。

2、数值平衡性分析

通过对数值本身的分析，找出各类指标(例如造成伤害、承受伤害等)的离群点，分析各个角色的离群情况，为判断角色的不平衡点提供依据。

3、模型平衡性分析

通过建立统计模型，给出平衡性的评价指标，为评价平衡性提供依据。该方法一般在数值平衡性已经基本达到的情况下使用，即在数值分析角色已完全平衡的情况下，对平衡性的进一步窥探。

游戏价值体系的修正

1、价值体系“拍脑袋”参数的修正

价值体系中一些人为规定的参数，都可根据游戏的log数据进行不同程度的修正，从而降低新角色过于不平衡的风险。

2、价值标杆的选取

作为价值体系的核心之一，标杆的选取十分重要。

通常，我们通过对log数据的分析，寻找一个数据表现中庸的角色作为数值设计的标杆。例如LOL在初期选取小炮(崔斯塔娜)作为设计标杆的原因之一是该英雄走AD和AP路线都有一定的可塑性。

不过单一的标杆也可能会增加价值评价的不准确性。

因此，这种选择并非唯一或一成不变的。每一段时期的平衡状态获取，都可以在一个范围内挑出中庸个体作为标杆(例如对AD，AP，TANK等不同类别的角色分别选取中庸标杆)，在这段时期推出的新角色便可根据新的标杆来设计。

而在变换标杆时，并不需要调整现有的所有角色设置，因为它已经是一个平衡状态的标杆，所有角色相对于标杆都是平衡的。

在这种体系下，价值体系和角色设计都在不断随着玩家习惯、市场走向等因素与时俱进，相比现有的一成不变的价值体系的优势是不言而喻的。

角色的关联规则分析

根据不同的指标，例如玩家喜好程度、胜率、gank成功率等，挖掘出排名最突出的角色组合。当角色总数和组合复杂度达到一定数量级时，数据挖掘的时间复杂度很高，需要通过统计方法进行优化。举例：

1、不平衡点的进一步探测

根据上述方法中提到的一些指标，联系筛选出来排名突出的组合，探索组合是否平衡，以及产生不平衡的原因。

2、角色设计及修改的决策辅助

此分析方法另一个应用则是对游戏设计的指导意义。同是MOBA游戏，不同世界观背景下的不同款游戏的受众的偏好程度可能大相径庭。

通过对角色的不同角度的关联分析，可以从一个侧面指导新角色的开发以及现有角色的修改。

3、角色养成分析

角色投入和角色产出的图形展示

用图形展示的方式，表明角色产出指标(例如伤害、KDA等)随着时间或者价值增长的变化情况，这个速率可以作为刻画平衡性的标准之一。

同时还可从分析图形看出角色价值或者金钱增长对角色产出的影响，并判断出角色价值增长以及金钱增长是否有过快或者过慢的可能。

对全局战斗中不同英雄的各项数据趋势曲线进行分析，可筛选出数据异常的英雄个体并制定修改方案

4、投入产出的其他指标监测

根据不同角色产出的饱和点出现的时间，饱和点的数值大小，使用高次的多项式函数代替线性函数拟合投入产出曲线，观察各个角色函数不同次项的系数，可以更加透彻的了解投入产出的变化等情况。

5、游戏节奏分析

通过各项参数和时间对应的图表，可以表现游戏节奏的快慢。例如各路塔被破的时间分布和平均时间、经验及金钱增长的速率、每局游戏的时长、人头爆发的频率、双方人头差距随时间的变化规律。

此外，还可以间接看出一边倒的局是否偏多，以此作为检验ELO或英雄平衡性的又一依据。

二、玩家行为分析及流失分析

玩家行为的指标体系

统计多种可刻画玩家行为的数据指标，并建立系统性的数据分析模型。例如APM、KDA、胜率、每条命承受的有效伤害、每条命能造成的有效伤害、受挫后的游戏表现、好友的个数、请求被拒绝的次数、聊天的频率、爆出不文明用语的频率等，都可作为反映玩家行为的指标。

对全局战斗中玩家停留密度云图进行分析，可以提炼出关卡设计的修改方向

流失的定义及分析

传统的流失定义方式并不一定适用于所有MOBA游戏。根据对游戏各项log数据的分析，可以根据自家运营情况重新定义留存、流失用户，并据此做出更加合适的决定。

根据玩家的行为指标体系和流失情况，进行留存玩家取向的模式识别。模式识别的结果有利于精确定义游戏风格，并辅助设计修改。例如，在《300英雄》的开发中，留存模式识别的分析结果显示，用户留存的原因在于娱乐性而非竞技性，据此做了诸多修改。

同理，在准确定义流失之后，则可依据玩家的各类信息，对现有玩家以及新手玩家的流失概率进行估计。此后，根据玩家流失概率的排序或者分层数据，针对性地投放资源，从而更好地进行营销推广或者挽留。

付费用户的模式识别

类似于流失玩家模式识别，根据玩家的付费信息以及玩家的基本信息、游戏资料等，预测用户付费的概率，进一步地还可以预测用户付费的期望值。参考这些预测结果，再结合其他可能现金流的预测，便可以指定科学合理的市场推广策略。并且有利于玩家的差别待遇管理。

畅销付费道具的模式识别

通过分析付费道具的销售历史数据，找出畅销的付费道具的共同模式，作为新设计道具的参考依据。此外，还可以配合更加精细的成本核算方案(例如道具所提供的角色提升可能会缩短玩家在游戏中的活跃周期，从而造成一种潜在的带有概率性的成本)，挖掘利润期望值最高的付费道具的共同模式。

[page]

三、玩家社群网络的数据解决方案

社群网络的探测

通过玩家的游戏数据关联，建立以玩家为顶点，游戏数据为边的图结构，通过统计的方法解析出其中有效的玩家社群网络，即一些非官方组织的小集体。这个网络的应用有很多方面，例如且不仅限于，玩家推荐系统的建立(例如共同好友的统计及显示、好友推荐、匹配时可邀请的玩家推荐、官方登记的战队成员推荐、战队约战推荐)、官方以小集体为单位的活动的宣传及推广、市场推广时的玩家推手的甄选、近乎流失的用户挽留等。

而在游戏发展到一定程度后，还可建立不同的图结构，对进行欺诈或者打广告的机器人玩家进行识别，维护游戏的健康环境。

玩家信息展示的优化及进一步的玩家网络养成

目前很多MOBA游戏的信息展示都过于机械与一元化，例如在历史游戏信息里展示游戏中玩家造成的总伤害等并非直观的数据。而基于log数据，我们可以通过不同维度玩家信息的图形展示，提升展示信息界面的友好度和直观性。

而另一方面，这些展示所用到的维度，又可以作为玩家进行好友推荐等社交活动的依据之一。通过推荐系统的不断优化，可以促进玩家网络的养成，同时还可以根据玩家网络的模式识别，挖掘类似的网络或者是有关联的网络，从而建立多个玩家网络之间的交互关系。

四、数据分析的其他应用

角色伤害参数修改的压力测试及情景分析

在挖掘出不平衡的角色之后，可以对单一数值的不同修改幅度进行情景分析。根据log数据，模拟不同情景下该修改对角色平衡性的影响，以此确定最佳的修改范围，作为角色技能修改的参考依据。

版本改动的追踪及改动有效性分析

版本追踪最简单有效的实现即在于平衡性的分析。将不同版本的角色放在一起分析，观测其在英雄池中的表现变化，可以辅助判断修改是否有效。

其他设计类的改动，也可以通过设立优化目标，以及选择统计检验方法，通过版本改动追踪来检验目标变化的显著性，从而分析改动的有效性。例如，Riot曾经通过改变游戏loading界面的tips的字体颜色，观测不同地区的玩家对不同颜色的反应，从而在不同地区的客户端版本中选用了不同的字体设计。这个例子虽然偏向社会学和心理学领域，但还是体现了设计的改动及其有效性分析对游戏设计的影响。

对单一英雄在不同时间段内，某项数据平均值的分布图进行分析，可以评价对该英雄进行各项修改的有效性

玩家心情指数及ELO系统的优化

众所周知，LOL的ELO系统会对连续输或者连续赢的玩家进行补偿或者惩罚。根据玩家的近期胜率以及其它多项游戏数据的变化，可以综合起来定义一个唯一的玩家心情指数，同时还可以结合玩家在游戏中的表现综合评定其心情。在匹配的过程中，对心情好的稍加惩罚，心情不好的稍加补偿，平衡整体的心情水平。

甚至，心情指数还可以展现在玩家界面与信息栏中，更加有利于玩家之间的互动。

但是，此举对于实时的计算量有一定的需求，需要考虑到具体游戏的承载能力，有选择地实施。而作为信息展示的心情指数，可按天或者半天的间隔生成，如此对承载能力的要求便不会过高。

MMR(matchmakingrating)的有效性分析及优化

Rank分数或者说基于玩家表现的rating是造成玩家之间竞争的最主要因素。LOL历史上的排名系统就曾有过很大的改动。一个rank系统是否有效，决定着玩家养成的效率、竞争的有效性以及玩家劳动付出的比例是否正常。通过分析玩家的行为指标与rank之间的关系，对低rank而技能高超的玩家进行跟踪，分析这种状态持续的时间以及玩家的行为模式，有利于理解整个rank系统设计的有效性或者缺陷。

游戏内部各种推荐系统的建立

基于玩家网络的探测，以及玩家行为的指标体系，可以建立游戏里各种推荐系统，例如好友推荐、匹配的队友推荐、战队约战推荐、玩家小网络的合并推荐、新手进入游戏时的类似团队推荐、朋友圈内的共同付费道具推荐、好友圈内还未有人使用的角色皮肤推荐等等。这些推荐系统的实现和优化，有利于玩家网络的形成，提高玩家粘度，降低流失比例等。

结语

MOBA游戏的内容在运营过程中需要持续地优化，玩家社群成长的过程同时也是产品进化升华的过程，而精确详细的数据分析可以帮助研发和运营团队准确定义问题并找到解决方案。无论是玩法创意、数据平衡、运营策略还是玩家社群的管理，数据分析都可以起到四两拨千斤的作用。