Дополнительный анализ Dark Riddle (build 3.3.

8) по игровым аспектам
указанным гейм-дизайнером
По результатам предыдущего анализа билда 3.3.8, был сформирован ряд вопросов о тех или иных
патернах работы приложения и поведения игроков в нем. Попытка дать ответы на эти вопросы
проводилась с помощью аналитики данных доступных в Google Play Console и Game Analytics. Далеко
не все вопросы удалось покрыть с помощью имеющихся данных, при этом аналитик имеет
представление о собираемой в рамках внутренней аналитики информации. Ввиду последнего фактора,
к каждому вопросу прилагаются гипотезы о том как можно улучшить или выполнить (в случае если
GPC или GA не располагают достаточным количеством необходимых данных) аналитику, используя
внутренний ресурс данных. Анализ всех данных предоставлен для временного промежутка между
24 марта и 19 апреля 2020 года (4 недели) для билда 3.3.8 (версия Android), если не указанно иное.

1. На каком этапе игры находятся игроки в свою вторую игровую неделю? Какого уровня они
достигают и на каком играют на пике популярности?
Данные, доступные на Game Analytics, позволяют относительно точно определить наиболее
популярные уровни игры на вторую неделю через сортировку Retention по событиям типа
«прохождение». Методологические руководства к сервису Game Analytics не дают точного
объяснения чем именно является отсортированный по “level start” retention, но факт того что этот
показатель не является исключительно растущим от квеста к квесту (см. приложенную таблицу в excel)
дает понимание, что это количество попыток уровня, которые были открыты и игрались в тот или иной
день. Также, согласно предварительно построенной воронке от GA среднее время прохождения
пользователя от первого до последнего квеста (для тех пользователей, которые смогли пройти игру) –
6 дней 7 часов, что делает вторую неделю второстепенной в вопросах привлечения аудитории.
Если исходить из вышеприведенного предположения, но наиболее популярными на вторую неделю
игры являются следующие квесты:
• Уровень 2, квест 3 (найти коричневый ключ) – около 315 тыс. попыток на второй неделе
• Уровень 3, квест 3 (найти и активировать инопланетный ключ) – около 200 тыс. попыток на
второй неделе
• Уровень 2, квест 10 (открыть замок к комнате с мониторами) – около 160 тыс. попыток на
второй неделе
• Уровень 2, квест 9 (найти электропушку) – около 110 тыс. попыток на второй неделе
• Уровень 2, квест 8 (открыть золотой замок) – около 90,5 тыс. попыток на второй неделе
Возможности внутренней аналитики:
Пользуясь внутренними данными возможно через точку аналитики «Начало главы», более точно
оценивать количество пользователей, играющих во вторую неделю, собирая для каждого дня
анализированного периода количество лвл_стартов тех или иных квестов игроками, чья дата
установки на 8-14 дней меньше анализированной даты. (При условии, что каждый игрок имеет
уникальный идентификатор что позволит сопоставить информацию из точек аналитики «Начало
главы» и «Первый запуск приложения»).

2. Сколько времени игрок тратит на прохождение каждого квеста?

Инструментарий Game Analytics позволяет оценить время, затраченное игроками на прохождение
каждого квеста, путем построения большого количества малых воронок от квеста к квесту. Время
конверсии, предоставленное GA, не разделяет собственно игровое время и время, когда

[1]
пользователь не сидит в приложении. Но это можно исправить путем пересчета соотношения
среднего чистого игрового времени к длине суток.
На данный момент, ключевой проблемой такого подхода являются технические возможности GA –
система может строить не более 3 воронок одновременно, при этом время уходящее на построение
одной воронки традиционно не меньше 1,5 часов, что растягивает один лишь сбор информации о
времени прохождения 36 квестов игры до суток (при условии постоянного контроля и добавления
воронок в очередь обработки). На данный момент такой сбор все еще не завершен.
Возможности внутренней аналитики:
Пользуясь внутренними данными возможно через (пока нереализованную, но запланированную)
точку аналитики «Время прохождения главы», более точно, а самое главное быстро оценивать время
затраченное на прохождение квестов игры путем группирования событий по квестам и выведения
среднего.

3. На каком этапе игроки находятся дольше всего и сколько именно игрового времени?
См. ответ на вопрос 2

4. На каком уровне игрок проводит максимальное количество сессий не удаляя приложение после
неудач?
В имеющемся наборе инструментов GA и GPC представляется малореальным связывать удаления с их
причинами. В основном, эти сложности возникают в виду следующих 2 особенностей:
• Данные по удалениям подаются GPC в почасово, в то время как GA собирает данные о дизайн-
ивентах посуточно, что не дает возможности отследить корреляции удалений и ивентов.
• GA позволяет отслеживать зависимость одних событий от других путем построения воронок,
но так как удаления находятся вне сферы сбора данных GA, то невозможно построить
воронку взаимосвязи между дизайн ивентами и удалениями
Для приблизительной оценки частоты повторяющихся сессий был проведен анализ соотношения DAU
в исследуемый период с количеством сессий, в которых происходил запуск того или иного квеста.
Недочетом такого подхода является тот факт что при подсчете DAU в промежутке 4 недель,
повторяющиеся входы в игру с продолжением прохождения одного и того же квеста в разные дни
учитываются отдельно, а система не дает статистики уникальных пользователей (такую можно
провести на основе метрики New vs. Returning, но она применима лишь для самого первого квеста).
Учитывая все вышеуказанные предостережения, квестами с наибольшим количеством
повторяющихся сессий являются:
• Крайне удерживающие квесты (4+ сессии)
o Уровень 3, квест 3 (найти и активировать инопланетный ключ) – 5,03 сессии
o Уровень 2, квест 3 (найти коричневый ключ) – 4,79 сессии
• Удерживающие квесты (3-4 сессии)
o Уровень 2, квест 10 (открыть замок к комнате с мониторами) – 3,74 сессии
o Уровень 2, квест 9 (найти электропушку) – 3,01 сессии
• Относительно удерживающие квесты (2,7-3 сессии)
o Уровень 2, квест 8 (открыть золотой замок) – 2,9 сессии
o Уровень 3, квест 1 (войти в лабораторию) – 2,78 сессии
o Уровень 3, квест 2 (открыть зеленую дверь) – 2,77 сессии
o Уровень 3, квест 9 (включить портал и войти в него) – 2,76 сессии
o Уровень 3, квест 4 (отрегулировать рычаги) – 2,74 сессии

[2]
Для подкрепления достоверности данных было решено дополнительно использовать такой
показатель как количество попыток в день, который бы отображал насколько игрок готов
перезапускать квест после неудач. Для того чтобы отсеять дублирующиеся (неуникальные) DAU,
анализ данной метрики был проведен не за весь период, а за день с максимальным DAU – 19 апреля
2020 года. Таким образом были выбраны следующие квесты с наибольшим количеством попыток
прохождения:
• Крайне удерживающие квесты (4+ попытки в день)
o Уровень 2, квест 10 (открыть замок к комнате с мониторами) – 4,06 попытки
o Уровень 3, квест 3 (найти и активировать инопланетный ключ) – 4,05 попытки
• Удерживающие квесты (3-4 попытки в день)
o Уровень 2, квест 3 (найти коричневый ключ) – 3,85 попытки
o Уровень 3, квест 4 (отрегулировать рычаги) – 3,1 попытки
o Уровень 2, квест 8 (открыть золотой замок) – 3,08 попытки
o Уровень 2, квест 9 (найти электропушку) – 3,06 попытки
• Относительно удерживающие квесты (2,7-3 попытки в день)
o Уровень 3, квест 1 (войти в лабораторию) – 2,9 попытки
o Уровень 3, квест 2 (открыть зеленую дверь) – 2,76 попытки
Как видно из результатов – в обе подборки попал один и тот же набор из 8 квестов (кроме финального
квеста, который попал только в первую подборку), также неизменной осталась первая тройка. Что дает
весомые предположения считать именно эти квесты наиболее удерживающими игроков.
Возможности внутренней аналитики:
Пользуясь внутренними данными возможно через точки аналитики «Запуск приложения» и «Начало
главы», более точно оценивать количество сессий одного и того же уровня. Для этого необходимо для
каждого игрока (при условии, что каждый игрок имеет уникальный идентификатор что позволит
сопоставить информацию из точек аналитики) вести последовательную нумерацию сессий и попыток
пройти каждый квест. В идеале, для получения максимально точной картины точка аналитики «Начало
главы» должна иметь параметр «Пройдена», который по умолчанию имеет значение 0, но меняется
на 1 в случае срабатывания события «конец главы», что помогло бы лучше проанализировать
количество попыток именно непройденных игроком уровней.

5. Можно ли узнать динамику нахождения в игре в течение дня (относительно той страны, где
происходит игра)?
Инструментарий GA и GPC позволяет отслеживать нахождение пользователей в игре в течении дня
с привязкой к UTC+1 (актуальное время Лондона в апреле). Такой информации достаточно для
формирования общей картины посещаемости, но она оказывается неполной для постранового
отслеживания динамики (особенно это касается рынка США малое количество пользователей
которого не отражается в общей динамике, но при этом чрезвычайно важно для прогнозирования
транзакций). В общем можно оценить что пиковыми часами приложения являются 15:00 UTC+1
(17:00 EET+1 и MSK, что соответствует Киеву, Москве и Стамбулу), минимум активности приходится на
2:00 UTC+1 (4:00 EET+1 и MSK), на что немало влияет объем Российского и Турецкого рынков.
Возможности внутренней аналитики:
Пользуясь внутренними данными возможно через точки аналитики «Запуск приложения» и «Время в
игре» (еще не реализована), проводить анализ динамики активности пользователей в приложении.
Для этого необходимо чтобы обе точки аналитики содержали параметр гео (либо имелся уникальный
идентификатор каждого пользователя, которым с помощью сложного запроса можно было бы его
связать с гео), а также параметр времени в точке аналитики «запуск приложения» который бы брался
из устройства на котором приложение запущено.

[3]
6. Игроки уходят из игры после того как: схвачены соседом/вышли не окончив играть/прошли
уровень?
Теоретически, получить такую информацию возможно с помощью построения соответствующих
воронок в GA. При этом, на данный момент набор событий, с помощью который можно строить
воронки не включает в себя ни «игрок пойман соседом» ни «нажата кнопка выхода в главное меню»
и информация по обеим типам событий аккумулируется в простом подсчете статистики по дизайн-
ивентам. Таким образом, какая-либо аналитика взаимосвязи игровых событий с выходом игрока из
приложения ограничена недостатками инструментария.
Для расширения возможностей игровой аналитики в этом контексте с помощью инструментария GA в
одном из новых билдов игры необходимо добавить в события с которыми можно строить воронки
«выход игрока из приложения» и «ловлю игрока соседом».
Возможности внутренней аналитики:
Пользуясь внутренними данными возможно через точки аналитики «Число раз, когда противник
действует на игрока», «Конец главы» и «Действия в меню паузы», проводить анализ поведения
игроков в зависимости от того как они взаимодействовали с противником, а также прошли они
уровень/квест или нет. Пока основной сложностью видится конкретная привязка игрового события к
причинам выхода игрока, такую привязку можно совершить, если присваивать ивентам параметр
«времени» совершения действия и уникальный идентификатор пользователя. Таким образом если
«взаимодействие с соседом» или «завершение главы» произошли в течении 10-20 секунд до выхода
из приложения, то такие ивенты можно считать причиной завершения сессии.

7. Сколько % игроков выходят из приложения после успешного прохождения уровня? В каких

странах?
Путем построения в GA воронок прохождения на границах уровней удалось собрать информацию по
уходу игроков после каждого уровня. Аналитика собиралась только по 3 ключевым гео: Турции, США
и России – по обоим межуровневым переходам.
По прохождению первого уровня игрок заканчивает обучение и переходит к полноценной игре.
Поскольку Квест 2.0 легко выполняется без сознательных усилий, то все игроки, которые не смогли
перейти на Квест 2.1 автоматически посчитаны как вышедшие из игры по прохождению главы 1. Так
как квест 2.2 предполагает ряд усилий на его выполнение, то игроки отсеявшиеся на этом этапе
являются «условно вышедшими» после главы 1. Результат по 3 ключевым гео (см. таблицу ниже)
показывает что сразу после первого уровня отсеивается приблизительно 2% игроков, которые не
продолжают играть. Кроме того, до трети игроков в совокупности являются «условно ушедшими»,
так как не известно доподлинно сколько они провели времени в игре. При этом заметен разрыв в
доле тех кто точно продолжает играть после первого уровня в Турции (3/4 игроков) в сравнении с
другими ключевыми рынками (2/3 игроков).
Все 3 страны Турция США Россия
Окончено уровень 1 296 040 193 130 22 390 80 520
Начато квест 2.0 (открыть 296 020 193 120 22 390 80 510
панель задач)
99,99% 99,99% 100% 99,99%
Начато квест 2.1 (пробраться в 290 490 189 690 21 910 78 890
дом)
98,13% 98,22% 97,87% 97,99%
Начато квест 2.2 (использовать 212 300 143 200 14 760 54 340
подсказку)
73,08% 75,49% 67,37% 68,87%

[4]
Ситуация после прохождения уровня 2 показывает более высокую долю точно продолжающих играть
пользователей. Это можно объяснить тем, что первый уровень был более ознакомительным, а потому
предполагал изначально большую степень отсеивания. В качестве точно ушедших взяты те кто не
начал квест 2.0, в то время как не перешедшие к квесту 2.1 оценены как «условно ушедшие», так как
не известно сколько их покинуло игру сразу после начала уровня. Точное отсеивание на этом этапе
составляет порядка 3%, в то время как максимальная оценка отсеявшихся находится на уровне
12-17%. Вновь видно гораздо больший уровень удержания турецких игроков, при этом на границе 2
и 3 уровней значительно сильнее проявляется отсеивание американской публики.
Все 3 страны Турция США Россия
Окончено уровень 2 13 040 9 990 351 2 695
Начато квест 2.0 (осмотреться в 12 660 9 688 338 2 633
подвале)
97,11% 96,98% 96,3% 97,7%
Начато квест 2.1 (войти в 11 070 8 513 280 2 274
лабораторию)
87,42% 87,87% 82,84% 86,37%

8. Сколько рекламных роликов в среднем просматривает игрок какого рынка?

С помощью данных по дизайн-ивентам и вовлеченности игроков, собираемых на GA можно вывести
показатель среднего количества рекламных роликов на одного активного игрока в день.
Воспользовавшись данными предыдущей аналитики по продолжительности жизни игрока, для
ключевых рынков можно вывести ожидание того, сколько в среднем рекламы приходится на одного
игрока на том или ином рынке. В таблице ниже приведены результаты сбора данных для основных
рынков:
Мир Турция США Россия
Интерстишалов/DAU 4,6 5,27 4,35 3,36
Ревардной рекламы/DAU 6,36 7,16 5,89 2,18
Рекламы/DAU 10,96 12,43 10,24 5,54
Продолжительность жизни 1,54 2,11 1,46 1,54
Рекламы на игрока 17 26 15 8,5

Данные показывают, что наибольшим рекламным потенциалом из всех целевых рынков обладает
Турция. Её рекламный трафик на игрока в 1.5 раз превышает среднемировой и 3-кратно обходит
российский. Американский охват рекламой несколько ниже средних показателей что, учитывая
небольшой по количеству пользователей рынок, создает достаточно слабые ожидания этого рынка
по рекламной монетизации (особенно по сравнению монетизации через покупки). Последний факт
отчасти компенсируется вчетверо высшей ценой рекламных показов в США по сравнению с Турцией.
Что до РФ, то на этом рынке достаточно ярко проявляется преобладание интерстишалов над
ревардной рекламой. Теоретически, увеличение награды за просмотры ревардной рекламы для этого
рынка могло бы несколько стимулировать рекламную монетизацию.
Если рассматривать данные по странам «третьего мира» (см. таблицу ниже), то они показывают
метрики просмотра рекламы на одного пользователя в день хуже, чем любой целевой рынок (в т.ч.
Россия). Учитывая, что стоимость рекламы на этих рынках минимальна, а играющая аудитория, не
смотря на значительное население, примерно сопоставима с аудиторией в США, то становится

[5]
очевидным вывод о низкой перспективности Южной и Юго-Восточной Азии для рекламной
монетизации.
Мир Индия Индонезия Вьетнам
Интерстишалов/DAU 4,6 2,76 2,75 2,27
Ревардной рекламы/DAU 6,36 1,25 1,73 1,12
Рекламы/DAU 10,96 4,01 4,47 3,39
Продолжительность жизни 1,54 - - -
Рекламы на игрока (исходя из 17 6,2 6,9 5,2
мировой продолжительности жизни)
Также, после анализа стран «третьего мира» заметна парадоксальная ситуация, при которой
соотношение ревардной рекламы и интерстишалов тем ниже, чем менее платежеспособна страна,
хотя ожидается более активное потребление рекламного продукта ради наград теми, кто не может
заплатить. Исходя из этих данных можно выдвинуть гипотезу от том, что за счет повышения наград за
просмотры рекламы на менее платежеспособных рынках можно, как минимум, добиться роста
монетизации этих рынков посредством рекламного трафика.

9. Сколько людей уходят во время просмотра рекламы? Каков % удалений?

Как уже отмечалось в ответе на вопрос №6, составить полноценную воронку инструментом GA по
данному вопросу сейчас не представляется возможным в виду нехватки событий доступных для
формирования запроса.
Возможности внутренней аналитики:
Пользуясь внутренними данными возможно через точки аналитики «Показ интерстишла в начале
уровня», «Показ интерстишла при закрытии меню квестов», «Показ интерстишла при закрытии меню
паузы», «Показ интерстишла при выходе в главное меню» и «Действия в меню паузы», проводить
анализ поведения игроков в зависимости от показов недобровольной рекламы. Пока основной
сложностью видится конкретная привязка рекламного события к причинам выхода игрока, такую
привязку можно совершить, если присваивать ивентам параметр «времени» совершения действия и
уникальный идентификатор пользователя. Таким образом если рекламное событие произошло в
течении 5-10 секунд до выхода из приложения, то такие рекламные ивенты можно считать причиной
завершения сессии.

10. Как распределяется этот процент по очерёдности показов роликов? (например: 10% уходят после
первого ролика, 25% после второго и т.д. В идеале, получить кривую)
Помимо описанного в ответе на вопрос №9, аналитика данного вопроса усложнена еще и тем, что GA
не ведет пользовательского сбора данных о том сколько роликов посмотрено игроками.
Возможности внутренней аналитики:
Основной возможностью для внутренней аналитики в данном случая является присвоение
порядковых номеров интерстишалам посмотренным одним и тем же пользователем (для этого
необходима уникальная идентификация пользователей в базе данных). Фактически, роликом после
которого пользователь покидает игру является последний номерной ролик, что поможет построить
кривую насыщения рекламой. Для отсеивания пользователей, которые не перестали играть в игру,
необходимо отсеивать те идентификаторы пользователей, которые были активны в день-два, после
анализируемого периода.

[6]
11. Какой процент соотношения Андроида и iOS, моб/планшетов/другого у игроков по странам?
Инструментарий GA позволяет узнать соотношение операционных систем по каждому рынку за счет
ведения отдельных страниц аналитики приложений. В то же время, узнать точное соотношение
устройств, которыми пользуются игроки сложнее, так как дизайн ивенты в GA, хоть и содержат запуски
на разных устройствах, но собирают лишь единичную статистику. GPC собирает статистику по
активным устройствам и группирует её по моделям (не собирая в кластеры по типам устройств),
помимо этого GPC не позволяет фильтровать такую статистику по странам, что позволяет лишь
приблизительно оценить общую тенденцию.
Анализ используемых ОС показывает полное доминирование Андроид, даже на американском
рынке, где система IOS является вдвое более популярной, чем её конкурент. При этом доминирование
Андроид на американском рынке закономерно не такое сильное, как в остальных ключевых гео. Еще
одним стоящим внимания фактом является то, что даже будучи базовой страной для IOS рынка, США
все еще являются численно меньшим рынком чем Турция или Россия.
Мир Турция США Россия
Android, mean DAU 129 692 36 381 4 907 14 900
IOS, mean DAU 15 879 3 112 2 270 2 929
Android/IOS ratio 8.15 11.5 2.15 5.1
Анализ информации из Google Play Console проводилась исключительно среди устройств с
аудиторией свыше 1500 игроков (52% всего Android охвата) с предположением о том, что для
остальных устройств соотношение мобильных/планшетов будет сохраняться. Анализ показал, что
охват планшетами составляет 10,1%, в то время как 89,9% пользователей пользуются мобильными
телефонами для игры. Также обзор других устройств показал что на них приходится примерно 0,05%
установок (все приходятся на хромбуки), таким образом информацией о них можно пренебречь.
Возможности внутренней аналитики:
Основной возможностью для внутренней аналитики в данном случая является использование данных
с точки аналитики «Параметры телефона» с последующим отсортировыванием по геолокации. Такая
статистика помогла бы точнее, чем GPC оценить соотношение планшетов и телефонов, а также придать
аналитике географический элемент.

[7]