Ein entscheidender Unterschied liegt in der KI-Schicht. Studios können jetzt Stacked AI Game Economist nutzen, um Kohorten zu analysieren, Abwanderungsverhalten zu identifizieren und Vorschläge für nächste Schritte bei Belohnungsexperimenten zu machen. Zum Beispiel können Studios den AI Game Economist verwenden, um Fragen zu beantworten wie: Warum brechen Wale zwischen Tag 3 und 7 ab? Was sind die Aktivitäten der treuen Nutzer vor Tag 30? Welche Mechaniken sind mit der langfristigen Bindung korreliert? Dies sind nicht nur oberflächliche Analysefragen, sondern stellen einen grundlegenden Wandel in der Art und Weise dar, wie Studios ihre Spieler verstehen und wie sie mit ihnen interagieren.
Traditionell sind Game-Analytics reaktiv. Ein Product Manager bemerkt einen Rückgang im Diagramm der täglich aktiven Nutzer. Ein Data Scientist wird zu einem Meeting geholt.
Ein Team entdeckt drei Tage, nachdem es eine Abfrage geschrieben und ein Dashboard aktualisiert hat, dass eine große Gruppe von hochzahlenden Spielern eine bestimmte Mission gestartet hat, aber seitdem nicht zurückgekehrt ist. Leider hat die Erkenntnis wenig Wert, weil die betreffenden Spieler bis zu diesem Zeitpunkt bereits weggegangen sein werden—das Zeitfenster für eine Intervention ist geschlossen. Stacked wurde entwickelt, um dieses Modell komplett zu ändern: Statt auf Anfrage zu arbeiten, agiert unser AI Game Economist als eine 24/7 Vollzeitkraft im Team; er analysiert kontinuierlich Telemetriedaten auf Muster, einschließlich Anomalien, Korrelationen und Gruppen von Verhaltensweisen, die im Datenbild ähnlich erscheinen.
Das erste Beispiel ist eine Frage des Whale-Churns zwischen Tag 3 und Tag 7. Whale Churn ist eine häufige Herausforderung für F2P-Designer. Wale (die Spieler, die den Großteil des Umsatzes generieren) erhalten oft große Willkommensboni, gezielte Angebote und VIP-Behandlung, sobald sie vom System als besonders wertvoll eingestuft werden. Allerdings verschwindet eine beträchtliche Anzahl von Walen in der ersten Woche des Spiels. Die traditionelle Analyse kann zeigen, dass der Wal das Tutorial abgeschlossen, das Starter-Pack gekauft und am 2. Tag 3 Sitzungen gespielt hat, dann aber komplett verstummt ist. Der Human Analyst wird in seiner Analyse eine Lücke sehen. Der Stacked AI Game Economist sieht eine Geschichte.
Dabei wird verglichen, wann der letzte Besuch der Wale mit den zuletzt beanspruchten Belohnungen zusammenfiel. Es wird überprüft, wie schwierig der Content war, den sie zu schaffen versuchten. Diese statistische Analyse zeigt, dass 72% (3/4) dieser Wale-Kohorte, die aufgehört haben zu spielen, eine Content-Challenge abgeschlossen hatten, die ein Legendary Artifact als Belohnung vergab. Infolgedessen gab es für die nächsten 10 Stages des Gameplays keine Challenge mehr, daher wurden sie im Vergleich zu den Anstrengungen der vorherigen 10 Levels als trivial eingestuft.
Aufgrund dieser statistischen Korrelation schlägt die KI vor, dass das Legendary Artifact zwar nicht erfolgreich darin war, Lust zu erzeugen, sondern von dieser Gruppe kompetitiver Vielausgeber als etwas interpretiert wurde, das ihre Fähigkeit, Gefühle von Fortschritt zum Erfolg zu entwickeln, beseitigt hat. Dadurch wurde das Spiel scheinbar zu einer kompetenten Art, ihre Zeit zu verwalten; infolgedessen hörten sie auf zu spielen—auf Basis dieses neu ermittelten Kennwerts. Außerdem erstellt die KI nicht einfach einen Bericht, der zeigt, dass diese Wale abgewandert sind (aufgehört haben zu spielen). Vielmehr schlägt die KI vor, dass zu einem bestimmten Zeitpunkt ein Belohnungs-Experiment durchgeführt wird, um die ikonische Darstellung ihres Legendary Artifacts im Hinblick auf dieses Ereignis zu ermöglichen—und so den kompetitiven Vielausgeber dazu zu ermutigen, weiterzuspielen, bis er sein neu erhaltenes Item präsentieren bzw. zur Schau stellen kann.
Eine Bindungslösung lässt sich aufbauen, indem man Daten aus Churn-Untersuchungen nutzt, um umsetzbare Bindungsmaßnahmen zu bestimmen. Die zweite Frage beleuchtet, wie loyale Nutzer sich vom ersten Tag bis zum dreißigsten verhalten. Das dient dazu, die Entwicklung der Gewohnheit eines Nutzers zu verstehen, zu spielen. Nach den ersten ein paar Monaten (sobald das Spiel gestartet ist) entsteht eine loyale Userbase, die das Spiel mit einer spezifischen täglichen Routine spielt—nicht einfach basierend auf den Belohnungen des Spielens, sondern darauf, dass sie sich eine etablierte Gewohnheit geschaffen haben, täglich zu spielen. Dieses Entschlüsseln des habitualisierten Verhaltens ist wichtig für ein Live-Ops-Team.
Die künstliche Intelligenz von Stacked aggregiert die Aktionen der loyalen Userbase und ordnet sie innerhalb des Zeitfensters der Kohorte. Nutzer, die nach dreißig Tagen weiter spielen, zeigen Verhaltensweisen, die etwa ab dem fünften Tag auftreten. Diese Verhaltensweisen basieren nicht notwendigerweise auf einem Anstieg der Ausgaben. Nutzer verbringen mehr Zeit in sozialen Bereichen. Nutzer haben eine größere Kontrolle über ihre Profile. Nutzer senden Geschenke an andere Gildenmitglieder. Die KI findet, dass die einzige stärkste Korrelation dafür, Spieler 30 Tage lang zu binden, nicht auf Siege vs. Niederlagen/Matches zurückzuführen ist und auch nicht darauf, normale Boxen zu öffnen—sondern vielmehr darauf, dass sie innerhalb der ersten 48 Stunden nach dem Erstellen ihres Kontos an der Erstellung von Chats in der Gilde teilnehmen, indem sie entweder Chats senden oder lesen. Statt—wie ein Game Producer/Manager/taktischer Lead—diese Informationen zu nutzen, um bessere Pop-up-Ads zu erstellen, die die Nutzung von Gilden pushen, erkennt ein AI Game Economist auch, dass es dafür nicht einmal notwendig ist, eine Nachricht zu senden. Eine Emoji-Reaktions-Aktion auf einen Gilden-Log reicht aus, um ein Gemeinschaftsgefühl zu erzeugen. Der experimentelle Vorschlag ist dabei sehr einfach. Anstelle der komplexen Quest, um einer Gildenquest beizutreten, sollte das Spiel neue Nutzer dazu ermutigen, sich die Gildenhalle anzusehen und dem gepinnten Beitrag einen Daumen hoch zu geben. Das ist eine Mikro-Verpflichtung, die die Spielerbindung fast genauso gut unterstützt wie die komplexere Variante mit sozialer Integration—und sie lässt sich leicht innerhalb einer Woche umsetzen und messen.
Die dritte Frage geht ins Herz des systemischen Designs. Welche Mechaniken sind mit langfristiger Bindung verbunden? Die manuelle Untersuchung dieser Frage ist ein Albtraum voller Variablen, die man kontrollieren muss. Es können Hunderte von Mechaniken gleichzeitig implementiert sein. Tägliche Quests, Battle Passes, Events mit begrenzter Laufzeit, Gildenkriege, Crafting, das Sammeln von Haustieren, Basenbau und anspruchsvolle Bestenlisten sind oft alles auf einmal vorhanden. Analysten müssen alle anderen Variablen konstant halten, um genau eine Mechanik zu identifizieren—und selbst das qualifiziert sich in realen Situationen nicht einmal als Statistik. Ein Stacked AI Game Economist nutzt Kausalitätsmodelle, um die Komplexität des Problems aufzubrechen. Beispielsweise könnte es zeigen, dass der Battle Pass die Bindung nicht am besten vorhersagt, verglichen mit dem täglichen Streak-Kalender. Die Analyse zeigt: Ein Spieler, der einen Login-Streak von 7 Tagen oder länger aufrechterhält, hat eine deutlich geringere Wahrscheinlichkeit, abzuspringen. Der Battle Pass sagt hingegen besser die Tiefe der Monetarisierung voraus, nicht die Stärke der Gewohnheit. Ein weiteres interessantes Ergebnis betrifft das Crafting-System. Spieler, die das Crafting-System in den ersten drei Spielsitzungen genutzt haben, waren mit einer 60-Tage-Bindung verbunden—aber nur unter der Bedingung, dass sie die Crafting-Tutorial überspringen konnten, welches sie dazu zwingt, zu viel Zeit aufzuwenden, bevor sie eine emotionale Investition in das Gameplay aufbauen.
Ein AI Game Economist kann solche komplexen nichtlinearen Effekte aufdecken, indem er Tausende von Modellen gleichzeitig auf Kohorten ausführt, die in separate Segmente unterteilt sind. Der Algorithmus schlägt nicht nur eine Liste wichtiger Mechaniken vor, sondern auch eine Reihe von Experimenten, um die Ergebnisse zu beweisen. Zum Beispiel: Crafting-Materialien mit doppeltem Drop für Spieler mit geringerem Engagement einführen. Mit einem vereinfachten täglichen Streak-Kalender experimentieren, ohne bestrafende Resets. Die Belohnung, die als Anchor im Battle Pass am siebten Tag liegt, vom siebten Tag auf den ersten verschieben. Jede Idee ist mit einem vorhergesagten Anstieg der Bindung und einem Konfidenzintervall verknüpft.