【雷火UX使用者研究】從20到380？遊戲用研中交叉分析怎麼做？

問卷調研是遊戲用研中常用的調研方法，可以大樣本快捷回收資料。雖然問卷如何設定題目、設定幾個題目是由調研目的決定的，但一般情況下問卷設計者會把題目控制在二十個左右，最多不超過三十個。

那麼，二十個題項的問卷只能提供二十條資訊麼？當然不是！交叉分析就可以讓有限的問卷提供更多資訊、發揮更大功效。純數學角度來說，二十題兩兩交叉可以產生 種結果，這麼多交叉怎麼用？ 遊戲用研中如何利用有意義的交叉分析來深入瞭解玩家？

本文將簡單介紹交叉分析是什麼及其應用意義，並展現遊戲用研中交叉分析怎麼做。

1

 交叉分析是什麼？     

交叉分析法是用於分析兩個變數之間相互關係的一種基本資料分析法。這種分析方法將兩項或者更多項指標進行交叉，尋找變數之間的關係，發掘更多的資料特徵。

下面通過一個示例來簡單說明交叉分析是什麼。

某遊戲的遊戲內問卷有兩個題：

① 結合您最近的遊戲體驗，請問您對遊戲的滿意度是？

a.非常不滿意

b.比較不滿意

c.一般

d.比較滿意

e.非常滿意

② 請問您的性別是？

a.男

b.女

問卷共回收200份，針對每一題進行資料統計後的結果如下（非真實資料，不具備統計意義）：

此時，我們能從資料分析中看出的結果是，該遊戲男女比例接近1:1，整體滿意比不滿意多。而將性別和滿意度兩個變數做交叉後就會得到交叉分析的結果，是綜合這兩個變數後的分析。

2

從“辛普森悖論”看交叉分析的意義    

從上述案例中也不難發現交叉分析的意義。僅單變數的分析會得出玩家對遊戲滿意多於不滿意的結論，但交叉分析後會發現，男性玩家和女性玩家對遊戲的評價是截然不同的。男性玩家對遊戲整體不滿意居多，而女性玩家的正面情緒將整體的滿意程度拉了上去。

交叉分析的意義在於通過這種分析方法，可以更加清晰地瞭解不同型別的玩家/使用者對遊戲/產品的看法，防止過度的整合資料對真實資料的掩蓋和損失。

所謂對真實資料的掩蓋和損失，可以通過“辛普森悖論”更明顯地感知。

我們曾在分析某遊戲的玩法付費率時遇到過“辛普森悖論”。（以下資料非真實資料）該遊戲中，風景黨玩家在整體玩法中的付費率遠高於外觀黨，前者44%，後者僅28%。在做出“風景黨相比外觀黨更願意在玩法中付費”的結論前我們發現組成該遊戲的兩個玩法——A玩法和B玩法的付費率都是外觀黨高於風景黨。

在A玩法中，外觀黨玩家的付費率是80%，高於風景黨的53%；同樣，在B玩法中，外觀黨玩家15%的付費率高於風景黨10%的付費率。但整個遊戲的玩法付費中，風景黨的付費率卻幾乎是外觀黨的 兩倍 。

這就是典型的“辛普森悖論”，整體的趨勢和分類的趨勢完全相反。為什麼會出現這種情況？因為分玩法來看，A玩法的付費率很高（58%）而B玩法的付費率很低（14%）。在這種情況下，風景黨玩家大量參與了A玩法而外觀黨玩家大量參與了B玩法。不將玩法區分開來的總體趨勢，喪失了資料的內涵意義，將整體的解釋推向了另一個極端。

3

 遊戲用研中的交叉分析怎麼做？    

從理論上來說，任何兩個變數都可以進行交叉，一個問卷可以得到上百種交叉關係，但很多交叉關係並沒有實際意義。在遊戲用研的問卷分析時，想要進行交叉分析，其實核心是用不同的標準將玩家分類，然後分析不同型別玩家的資料。所以，遊戲用研中交叉分析的核心是如何將玩家進行分類。

結合遊戲玩家和資料的特性，本文將遊戲問卷的交叉分析分類方法分為三類。

基於人口學的交叉分析

基於人口學對玩家分類是最為常見的方式，人口學資訊包括性別、年齡、收入、職業、地區等。

大多數問卷都會在末尾收集關於人口學的題目，遊戲調研的問卷也如此。收集完問卷後進行資料分析，性別佔比、年齡分段，但人口學資訊提供的遠不止如此。

遊戲中我們如何利用人口學資訊進行交叉分析？性別在遊戲問卷交叉分析中使用最廣。男性玩家和女性玩家在遊戲型別的選擇、遊戲畫風的偏好、遊戲樂趣的追求方面都展現出不同的態度。如在一次問卷分析中，用性別將玩家分類後可以看出，女性玩家格外關注畫面風格和遊戲節奏快慢，而男性玩家更注重遊戲題材以及金錢時間的投入（即遊戲價效比）。

在對玩家接觸的媒體渠道做調研時，通過交叉分析我們發現女生比較喜歡微博、小紅書，而相對來說男生更喜歡直播平臺。這個觸媒偏好的發現啟發我們的遊戲營銷應該製作什麼樣的素材，以及在什麼平臺吸引玩家（資料未展示全部選項）。

玩家的年齡、收入等人口學因素也在遊戲問卷的交叉分析中常有看到，但地區等因素卻不常見，究其原因就是地區等因素在很大程度上與收入這個因素相關，用這些因素進行分類反映的可能不是地區文化造成的差異而是整體經濟水平帶來的。

問卷中設計的玩家分類題

除了問卷中“固定設定”的人口學題目外，問卷設計者也可以在問卷設計時加入有意義的玩家分類題，方便收集完資料後進行交叉分析。我們曾經在問卷中詢問玩家的遊戲經歷作為區分玩家的依據。通過對MMO手遊玩家和二次元手遊玩家接觸新遊資訊渠道的比較可以看到，MMO手遊玩家收到遊戲公司的客服或推送比較多（資料未展示全部選項）。

除了遊戲經歷背景外，我們還使用過玩家傳播能力、玩家遊戲水平等多項指標劃分玩家，並進一步分析不同型別玩家的態度。

問卷回收後對應玩家遊戲中資料分類

上述提到的人口學資訊和事先設立的玩家分類題都是基於問卷回收的結果對玩家進行分類，其實我們還可以在問卷回收後，根據玩家在遊戲中等級、門派等遊戲相關資料進行劃分，瞭解不同等級/門派的玩家填寫問卷的情況。

4

交叉分析中常見的指標     

交叉分析中有兩類常見指標：行/列百分比和TGI指數。

行/列百分比

依舊以“性別×滿意度”的交叉分析為例：

行百分比是指兩個變數交叉的樣本數量/對應行的樣本數量，反應的是以行變數為主要變數，看行變數分類在列變數上的資料區別（例子中為男女在滿意度上的差別）。

列百分比是指兩個變數交叉的樣本數量/對應列的樣本數量，反應的是列變數不同在行變數上的資料區別（例子中為滿意度不同的玩家在性別上的差別）。

在分析計算時，選擇行百分比還是列百分比，主要取決於指標是否有實際意義。在有些變數的交叉中，行/列百分比都具備一定的解釋意義，但有些變數的交叉僅一種指標有意義。如上述案例中，行百分比這個指標反映了性別差異下玩家滿意度的差別，而列百分比的指標並沒有實際意義。

TGI指數

TGI全稱是Target Group Index，目標群體指數，反映的是目標群體在特定範圍內的強勢/弱勢。TGI=目標群體中具有某一特徵的群體所佔比例/總體中具有相同特徵的群體所佔比例*100%。

當TGI=100%時，表明某一特徵群體相較總體並無差別；

當TGI＞100%時，表明群體特徵相較於總體表現更強勢，且隨著數字增大加強；

當TGI＜100%時，表明群體特徵相較於總體表現更弱勢。

拿“性別 × 觸媒渠道”的交叉分析舉例，問卷詢問玩家在某短視訊平臺和某直播平臺中更常使用哪個平臺，得到的結果如下：

此時，無論是從整體看還是分性別看，玩家都是更常使用短視訊平臺。這就是我們能得到的全部資訊麼？TGI結果提供了另一個資訊：

以86%為例，是男玩家選擇短視訊平臺的60%/整體玩家選擇短視訊平臺的70%得到。TGI指數告訴我們，相對於整體來說，男玩家更常使用直播平臺，女玩家更常使用短視訊平臺。TGI指數反映的是某個群體相對於整體的偏向，這就提供了另一條資訊。

5

 總  結      

其實 ，我們在分析過程中可以用到交叉分析的場景有很多。不少人知道交叉分析是什麼但不知道它在具體場景尤其是遊戲資料分析中怎麼用。 因此，本文在簡單介紹交叉分析之後，用“辛普森悖論”直觀展示了交叉分析的意義，然後總結了遊戲用研中常用的交叉分析玩家分類方法，最後介紹了交叉分析的實用指標。

除了交叉分析之外，還有不少分析問卷的方法。在分析問卷時不只侷限於統計問卷問題的結果就能夠讓問卷發揮更大的功效。

  推薦閱讀