免費遊戲世界中的參數很容易讓人感到混淆，因為這裡有無數參數并且還有許許多多有關這一主題的介紹文章。許多開發者甚至選擇完全放棄參數追蹤或者隻是遵循着《遊戲開發者需要銘記的15個遊戲參數》，并且不再進行更深入的分析。還有些開發者會專注于自己的分析并希望從每日甚至每個小時的動态中找出趨勢所在。考慮到大多數免費遊戲的自然屬性，這就好似将一隻雞開膛破肚并嘗試着從它的内髒中看清楚遊戲是否能夠取得成功一樣。

之所以會出現這種混淆是有原因的：遊戲産業呈獻給了我們一種源于基準且非常複雜的參數語言。這便是所有遊戲會議報告會出現的内容。這也是所有分析包所衡量的内容。

但這卻沒有多大用處。

産業參數并不會告訴你任何有關你的免費遊戲虛拟經濟的狀态。結果便是你找不到任何能夠向你解釋如何使用參數去完善遊戲的特定指南。除了那些擁有資源去創造自己内部分析系統的大型發行商外，所有開發者，甚至是整個産業都會因為這種模糊的内容而受傷。

讓我進一步向你們解釋。

關于分析的簡單描述

也許上面的段落聽起來有點輕浮，所以讓我再添加一些簡單但卻重要的修飾内容：一個基本分析包能夠追蹤到像ARPPU，轉換率以及其它值得所有開發者關注的标準參數。現在市場上有許多分析服務提供者，他們中的大多數人都能夠免費，或近乎免費地幫助我們追蹤這些重要參數。

盡管這些基本分析并不能告訴你你的虛拟經濟的狀态，但它們還是非常重要的：例如你總是希望能夠了解你的遊戲相對其它遊戲的性能。或者你也可以追蹤到像你想要獲得多少玩家并在軟發行時創造出多少用戶留存等内部目标，如此你才能更好地決定何時去推動用戶獲取。産業标準數據也能幫助你的投資者去判斷你的遊戲是否值得獲得更多資源。

讓我們以三個标準參數為例并着眼于它們所缺乏的元素：

首先說說ARPDAU

日活躍用戶平均收益（ARPDAU）是手機/免費遊戲中最常出現的參數。值得肯定的是這是一種有用的參數，它能幫助你了解遊戲每天的表現，同時這也是你在經曆任何用戶獲取活動之前和之後去追蹤相關參數的關鍵指标。

當然了還有很多東西是ARPDAU并未告訴我們的：例如付費玩家是否會在某一天再次購買東西？廣告和應用内部購買各創造了多少收益，這些收益在整體玩家基礎中的分配是怎樣的？

當你的ARPDAU下降時你要做什麼？我想首先你會去修改遊戲，但是你要怎麼修改，該修改哪裡？如果下降數量不多，你可以再觀察看看數值是否會恢複。如果下降數量很多，你便需要開始尋找原因。

ARPPU

每付費用戶平均收益（ARPPU）隻能計算那些在遊戲中花錢的用戶。如此看來它比ARPDAU參數更有用些。但是再一次地，ARPPU的作用也很局限，因為基于不同遊戲類型ARPPU的作用也是不同的。就像硬核和中核遊戲（注：主要是策略遊戲，RPG遊戲盒射擊遊戲）擁有更高的盈利參數，但在休閑遊戲中這就沒什麼用了。

就像《戰争遊戲：火力時代》的ARPPU值便遠高于《Candy Crush》—-即使這兩款遊戲在去年所賺取的收益是持平的。

轉換率是否有價值？

ARPDAU和ARPPU能夠幫助你明确付費玩家能夠為你創造多少收益，而轉換率則能夠計算在特定時期内在總用戶中有多少特殊用戶在遊戲中花錢了。（你也可以計算免費遊戲中的廣告轉換率。）讓用戶在他們可以免費玩的遊戲中花真錢是非常困難的事，如果你能夠獲得5%的轉換率，這就說明你做的很好了。所以這是衡量一款免費遊戲在市場上的表現的有效基準。

但再一次地，轉換率也并非一種全面的參數。就像在其它産業中那樣，在免費遊戲中重複的消費者創造了絕大部分的收益。如果你讓5%的玩家一個月在遊戲中進行一次IAP然後便能夠獲得成功，那麼這些玩家将不會在遊戲中進行多次購買。

最終我們會發現這三種參數都是虛勢—-這是開發者在GDC趴上喝了幾杯酒後會自誇的一些内容。他們可能會告訴你是否要去獲取用戶，但是他們不會指出你的遊戲中存在的任何問題。

更糟糕的是，盡管ARPDAU，ARPPU和轉換率都是經濟參數，但是它們卻都不能清楚地告訴你玩家是如何看待你的遊戲内部經濟，他們在遊戲中購買了什麼，以及他們是否會再次消費。而這些恰恰才是提高你的遊戲收益的關鍵，所以了解ARPDAU，ARPPU和轉換率并不能幫助你真正做到這點。漏鬥參數也是如此，即雖然能夠用于衡量市場營銷以及用戶流失的地方，但卻不能清楚地向你解釋原因。

為什麼我們所使用的遊戲參數如此有限

我們該如何使用如此有限的參數而發展？這需要進行更多的解釋，因為我們首先需要基于兩條軸線去考慮這些參數：

特定遊戲vs一般遊戲：前者指的是一些特殊遊戲或定位明确的遊戲子類型，而後者則指代所有遊戲，甚至是一些非遊戲應用。

警示vs基準vs診斷vs控制：像ARPPU，ARPDAU和轉換率都屬于警示和基準類别，即将告知開發者他們的遊戲在産業标準下的盈利表現。而漏鬥參數屬于診斷型，即能夠指出用戶體驗中的問題，其中控制參數是最有用的，能夠真正明确一些特殊的相互作用。我認為這便是問題産生的根源。

從上述表格中我們可以發現，如果開發者要去讨論在自己的特定遊戲中怎樣的參數最重要是非常困難且費時的，而即使他們能夠這麼做，他們也會因為擔心将更多特殊方法洩露給競争者而不敢這麼做。他們也總是不願去正視一些糟糕的參數。與此同時像Flurries和App Annies都擁有專注于适合大衆消費的警示和基準參數的有效服務。

結果呢？我們讨論了一些公共參數并引用了一些使用了這些參數的公司。盡管開發者可以在許多分析服務中添加一些定制要求，但是對于該添加什麼内容卻不存在真正有效的指南，因為這是不在公衆談論範圍中的。如果你在考慮如何與你的首席執行官談論遊戲或者與外部人員談論遊戲，你最好去使用一些通用參數。

但這些便都不屬于控制參數，即那些真正對開發者有利的參數。這才是真正的問題所在。我們擁有的是一個完全基于警示和基準參數所創造的複雜參數語言。

朝着基于控制的遊戲參數

我們的産業真正需要的是圍繞着對遊戲成功最有幫助的參數而展開的公共交談。

我們将開始看到一些緻力于創造這些目标的分析/盈利服務。例如DeltaDNA面向免費遊戲發行商Thumbspire的案例研究。他們基于産業标準衡量了第一天的用戶留存并發現其數值較低，所以他們繼續進行一次定性分析。從中他們發現20%的玩家會在教程期間離開遊戲，他們便知道該為首次遊戲的玩家完善這部分内容。于是他們的第一天用戶留存便提高了66%。如此看來我們或許可以創造一個像“廢棄教程”的參數作為和轉換率一樣普遍的标準參數？

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!