Tagged: play-persona

Games Now! -sarjan pelianalyytiikkaluento

Seurasin verkon kautta Aalto-yliopiston Games Now! -luentosarjasta 15.12.2014 pelianalytiikka-aiheisen esityksen “In your Face” (linkki videoon). Vauhdikkaan esityksen piti monissa pelifirmoissa työskennellyt italialainen tutkijaprofessori Alessandro Canossa.

Alessandro esitteli pelianalytiikan perusteita, ja hänen esityksensä pääpaino oli sillä, miten peleissä kertyvää dataa ja pelaajan avataria analysoimalla (miten hän toimii pelissä) voidaan tunnistaa erilaisia pelaajia ja heidän persoonallisuuttaan, arvojaan ja toimintaansa. Näiden havaintojen pohjalta peliä voidaan kehittää paremmaksi halutuille pelaajatyypeille.

Aalto-yliopiston luentosali. Korkealaatuinen webcast-kuva vuorotteli esiintyjän lähikuvan ja esityksen välillä.

Aalto-yliopiston luentosali. Korkealaatuinen webcast-kuva vuorotteli esiintyjän lähikuvan ja esityksen välillä.

Pelit ovat mielestäni hyvä esimerkki siitä, miten kaikki keinot ovat käytössä asiakaskokemuksen parantamiseksi. Ei tehdä vuosittaista asiakaskyselyä tai arvailla jostain henkilöstöbarometristä, mihin suuntaan olisi kiva kehittyä. Peli ei mene kaupaksi, jos pelaaja ei pidä siitä, ei koe sitä omakseen, ei opi pelaamaan sitä, se ei kiinnosta tai se toimii huonosti eli ei ole pelattava. Missä muussa bisneksessä huolehditaan näin loppuasiakkaasta? Ehkä toimistosovellusten ja tuntikirjausjärjestelmien suunnittelussa? Hah hah haa!

Pelianalytiikka eli tiedon kerääminen pelaajasta ja pelaamisesta on tullut mahdolliseksi tietenkin internetin ansiosta. Kun koululaisena pelasin Commodore 64:llä rallipeliä, ei kukaan saanut tietää kierrosnopeuksiani tai missä mutkassa ajoin ulos. Nyt kaikki tieto tallentuu ja todellakin tallennetaan – joka klikkaus, viive, pelihahmon katseen suunta pelissä, pelin kesto jne, ja tiedot kertyvät peliyhtiön palvelimille reaaliajassa.

Tätä todellista big dataa analysoidaan tilastollisin menetelmin. Alessandro esitteli kolme tyypillistä analyysitasoa: strateginen, taktinen ja operationaalinen pelidata-analyysi. Tuloksena voi olla esim. prosessimittareita (process metrics), jolloin mitataan itse pelin kehitysprosessia ja pyritään optimoimaan sitä. Itse pelaamista analysoidaan pelimittareilla (gameplay metrics), jotka ovat em. yksityiskohtaista raakadataa.

Tietoa voidaan analysoida tilastollisesti hypoteesitestauksella: oliko joku taso liian vaikea jossain kohdassa? Miksi pelaaja luovutti? Pitäisikö vaikeustasoa lisätä? Eräässä pelissä “turhien” kuolemien määrää vähennettiin lisäämällä lähestyvän junan ääntä, jotta pelaaja ehti alta pois.

Toinen tapa on “exploratory analysis“, jolloin analysoidaan raakadatamäärää ja yritetään tunnistaa siitä päätunnuslukuja, klustereita (cluster = similarity of behaviour). Nämä kuvaavat tyypillistä toimintaa pelissä, ja klusterit eroavat pelaajatyypin mukaan.

Miksi pelaajatyypit ovat tärkeitä? Peliä ei kannata suunnitella vain yhdelle pelaajatyypille, mutta kaikkiakaan ei voi miellyttää. Erilaisten pelaajien motivaatiota ja toimintaa Alessandro havainnollisti esimerkillä sotilaista, partiolaisista, retkeilijöistä jne kiipeämässä vuorelle. Kukin valitsee eri reitin ja kohteen eri syistä, niin myös pelaajat pelissä (tai oppijat oppimateriaalissa!)

Alessandro Canossan esimerkki erilaisten vuorikiipeilijöiden tavoitteista ja reittivalinnoista.

Alessandro Canossan esimerkki erilaisten vuorikiipeilijöiden tavoitteista ja reittivalinnoista.

Alessandro ei puhunut esim. Bartlen pelaajatyypeistä vaan esitteli “Play-persona”-käsitteen. Play-persona mallintaa pelaajan käytöstä ja suhtautumista pelaamiseen ja pelin sisältöön. Pelisuunnittelija voi käyttää play-personia suunnitteluvaiheessa tai pelaamisen tutkimisessa.

Myös pelaajat omaksuvat jonkinlaisen play-personan eli tavan toimia pelissä. Play-persona heijastaa heidän omaa persoonallisuuttaan. Alessandro on tutkinut pelaajien pelitapoja ja verrannut niitä pelaajien tekemiin perinteisiin persoonallisuustesteihin, esim. MBTI:hin (Meyers-Briggs) tai Big Fiveen. Pelidatan visualisoinnilla ja erilaisilla korrelaatiokertoimilla hän pystyi päättelemään pelaajan persoonallisuusominaisuuksia. Esimerkiksi Minecraftissa vähän kukkia istuttavat pelaajat ovat mieltyneitä valtaan! Tai “Pasifisti”-tyyppiset pelaajat eivät halunneet ampua toisessa pelissä uhkaavia jääkarhuja tai tiikereitä, koska ne olivat uhanalaisia lajeja.

Big Five -luonnetyyppien toimintaa peleissä, esim. World of Warcraftissa.

Big Five -luonnetyyppien toimintaa peleissä, esim. World of Warcraftissa.

Tilastollisen analyysin esimerkit menivät hyvinkin yksityiskohtaisiksi ja niitä kannattaa katsoa videolta. Lopuksi Alessandro näytti esimerkkejä erilaisista pelidatan visuaalisista analyysivälineistä, jotka esimerkiksi hyödynsivät Google Earthia, pystyivät piirtämään pelaajien reitit ja toiminnot pelikartalle tai kuvasivat suosituimpia toimintatapoja verkostoina. Osa välineistä on kehitetty tutkijoiden käyttöön. Myös pienille pelifirmoille ja kehittäjille vinkiksi hän mainitsi, että esim. Unity-pelinkehitysympäristössä on helppoja mittaus- ja analyysityökaluja, niitä voi ohjelmoida itse tai käyttää ulkopuolisia, kuten tanskalaisen Game Analyticsin välineitä.

1 h 40 min luento oli täynnä asiaa ja välillä oli vaara tippua kärryiltä. Seurasin luennon webcastina ja se oli varmasti parempi tapa kuin istua yleisön seassa. Sain teräväpiirtokuvan, stereoäänen korviin ja pystyin kakkosnäytöllä tekemään muistiinpanoja OneNotella. Eikä mennyt aikaa matkailuun vaikka Otaniemessäkin on välillä mukava käydä, ja pullakahvitkin jäivät nyt väliin.

Mielestäni vastaavantyyppistä analyysia voitaisiin käyttää myös digitaalisten oppimisratkaisujen ja sisältöjen kehittämisessä paremmiksi erilaisten oppijoiden tarpeisiin sekä niiden dynaamisessa ylläpitämisessä. Oppimisympäristöjen raportointivälineet ovat olleet melko alkeellisia eikä niiden hallinnoijilla ole ollut käsitystä tiedon hyödyntämisestä. Peliteollisuus voi tässäkin toimia esimerkkinä.

Advertisements