Tagged

技术

A collection of 2 posts

游戏定价策略实战:多令牌系统定价
技术

游戏定价策略实战:多令牌系统定价

背景定价策略是很多行业的核心决策之一,游戏行业也不例外。在传统行业,很多公司会基于成本定价(例如:成本+30%利润定价),或者匹配竞争对手的定价。而在游戏行业中,游戏道具的边际成本接近于零,同时不同游戏间道具的可比性较差(例如:王者荣耀和荒野乱斗中的皮肤,价格有可比性么?),这就给游戏内道具的定价带来一些挑战。很多时候游戏策划会根据个人经验,以及参考市面上类似游戏的价格,来对一款游戏的核心物品进行定价,并以此作为基准规划其他道具和礼包的价格。不过很多时候,我们并不知道目前我们的价格是不是最优价格。比如一款皮肤,到底应该卖99元还是199元呢?本文希望介绍一个简单的理论框架,跟大家分享如何通过对不同产品的定价进行优化,来提高整体游戏营收。 理论最优:完全个性化定价对于同一款产品,不同玩家心中有不同的心里价位(Willingness To Pay)。例如下图中的需求曲线: 从游戏开发商的角度,假设我们能知晓每个玩家的心里价位,那我们的最优定价就是完全个性化,针对每个玩家定价为他的最大心里价位。这个虽然比较理想化,但在实际中有些公司基于用户数据,已经可以部分实现上述的差异化定价了。之前被人诟病的滴滴和携程“大数据杀熟”行为,就是其中两个例子。 个性化定价的挑战在互联网和游戏行业,用户和玩家数据可以得到充分应用,因此基于算法提供完全个性化或者半个性化(模型+规则)

AB测试避坑指南
技术

AB测试避坑指南

前言最近在上海居家隔离已经将近两个月的时间,一转眼已经夏天了。虽然生活有诸多不易,但总归是比较有条理。居家隔离的事实无法改变,心想倒不如利用这段时间,把之前的一些经验沉淀下来。一方面能够系统的把自己的思路梳理一下,另一方面若是能帮到一些人,给大家提供了一些新的思路,那我也觉得很开心了。 本文主要是把自己之前一些AB测试中遇到的一些案例,分享一些我的经验和思考。主要关注案例分析,而不是关于AB测试的入门文章。 如何处理网络效应或者外部效应?在大多数情况下,AB测试是判断因果关系最科学的方法之一。其中很重要的一个原因,就是通过随机化进行了变量控制,对照组和实验组几乎完全相同,只有要测试的内容是不同的。这样就能比较准确的衡量测试内容的准确效果。 但是在某些情况下,即使是随机分配的AB测试,也会遇到无法准确测试效果的情况。最常见的就是有网络效应或者外部效应的测试情形。所谓的网络效应,或者外部效应,简单来说就是对照组和实验组不是完全独立的,他们会相互影响从而使测试结果出现误差。 在游戏领域,一种情况就是价格测试。AB测试可以帮助找到一个游戏道具或者皮肤的最优价格。假设我们想测试一个皮肤究竟是买100元还是200元能获得更高的总收入,对照组100元,实验组200元。这时候如果实验组的玩家,通过论坛或者其他途径知道了自己花200元买的内容有人只需要花100元,那么很多实验组的玩家可能不愿意花200元进行购买。不过如果没有100元作为对照的话,可能有些玩家还是愿意购买的。这里我们遇到的情况就是对照组的价格,对实验组玩家的购买意愿造成了影响,会造成我们低估200元价格的总营收。实际情况中,对价格进行AB测试,是一件很困难的事情。一方面是因为前面提到的测试结果可能不准确,另一方面也是担心对玩家不公平导致玩家抱怨甚至流失。