Исследование в игровой индустрии утверждает, что подбор игроков по уровню мастерства справедлив, но при этом незаметно отталкивает игроков.

Система подбора игроков по уровню мастерства была создана для того, чтобы соревновательные игры ощущались как легитимные. Новое исследование утверждает, что баланс может иметь скрытую цену, поскольку соревнования с равным уровнем мастерства могут приводить к сериям поражений, из-за которых игроки покидают очередь.

Исследование, опубликованное в журнале Management Science , утверждает, что система подбора игроков работает лучше, когда она учитывает не только профессиональные навыки, но и реакцию игроков на недавние победы, поражения и конкурентные тенденции. Анализ 5,4 миллионов матчей на Lichess показал, что оптимизированный подбор игроков повысил вовлеченность на 4–6% по сравнению с традиционными подходами, основанными на уровне мастерства.

Старые правила подбора игроков на основе навыков (SBMM) теперь кажутся слишком примитивными для платформ, стремящихся удержать пользователей.

Почему честные матчи приводят к обратным результатам?

Система подбора игроков по уровню мастерства (SBMM) подбирает противников примерно одинакового уровня, чтобы создать сбалансированные соревнования. На бумаге это звучит как наиболее разумное решение. Никто не хочет быть разгромленным намного более сильным противником, и никто не многому научится, легко побеждая новичка .

Проблема заключается в последовательности. Одно поражение — это часть соревнований, но серия поражений может заставить игрока почувствовать себя в ловушке системы, которая постоянно подбрасывает разочарование.

Именно этот поведенческий разрыв упускает из виду стандартная система подбора игроков . Каждый раунд влияет на следующее решение: встанет ли игрок в очередь снова, сделает перерыв или завершит игру на сегодня.

Насколько высока вероятность вовлеченности?

Данные Lichess подтверждают достоверность полученных результатов. В ходе 5,4 миллионов матчей оптимизированная система увеличила вовлеченность игроков на 4–6% по сравнению с обычной системой подбора игроков по уровню мастерства. В теоретических сценариях прирост достигал 50%.

Для игроков изменения будут незначительными. Более совершенная система рассматривала бы недавние результаты как часть сигнала, а затем строила бы матчи, ориентируясь на более длительную игровую сессию, а не только на рейтинги.

Для разработчиков игр эти небольшие проценты могут быстро суммироваться. Согласно отчету Global Games Market Report , прогнозируется, что мировой рынок игр будет приносить почти 188 миллиардов долларов в год, поэтому даже незначительное увеличение удержания пользователей может превратиться в реальную ценность платформы.

Когда удержание заходит слишком далеко

Более интеллектуальный подбор пользователей не дает разработчикам права манипулировать очередью. Он порождает более серьезную проблему доверия, поскольку цели обеспечения честности конкуренции и удержания клиентов могут расходиться, когда системы становятся сложнее для понимания.

Это противоречие обостряется в контексте дизайна, основанного на принципе «плати, чтобы победить». Исследование показало, что платные преимущества могут повысить вовлеченность при определенных условиях за счет изменения набора навыков, но это не представляет собой универсальную выгоду. Большая вовлеченность не всегда означает лучший опыт.

Опасность для студий заключается в невидимом подборе игроков, которому игроки перестают доверять. Если разработчики отойдут от чистого SBMM (подбора игроков по уровню мастерства), им нужно будет доказать, что система подбора игроков по-прежнему уважает конкуренцию. Следующая версия системы подбора игроков должна удерживать игроков, не создавая ощущения, что игра управляется против них.