量化分析驱动的关卡设计方法
前言
地图关卡作为MOBA游戏主玩法的载体，在设计层级中具有无可比拟的地位。本文将从全局游戏的抽象建模入手，通过逐层解构细化，阐述MOBA关卡的完全量化描述以及设计理念的落实过程。
从量化层面展开关卡设计
抽象概念的量化描述
根据MOBA游戏的基本特征，我们建立原始数据模型： 全局游戏 = ∑玩家类型(游戏阶段(时间, 计数), 玩家行为(5W1H))
更一般地表示为： 全局游戏 = ∑量化指标(数值)
在此基础上，我们对每个变量进行量化展开与解构。
玩家类型的量化
对于强对抗性的MOBA游戏，玩家的游戏熟练度和性格特征是决定玩家类型的最直接因素。我们通过简单枚举得到玩家脸谱表。
此外，玩家的付费程度也不容忽视。不同付费程度的玩家在展示欲、领导欲等方面存在显著的客观差异，对游戏中的成就、挫败点会有不同的反馈。而且，玩家的游戏局数等统计信息与付费程度有较强的相关性，这些特性有助于更快速、精准地提炼出玩家类型的量化信息。
例如，大量购买皮肤的“土豪”玩家，在享受皮肤带来的美感与优越感的同时，也积累了可观的游戏时间。结合玩家付费程度，依据统计经验进行提炼归纳，能够得到一张更具体、精炼的玩家脸谱表。
游戏阶段的量化
MOBA游戏中有多种计时机制，如出兵、野怪刷新、回城等，这些计时机制在不同层面将连续的自然时长分割为离散的区块。将这些离散区块重新组合，就能实现游戏阶段的初步量化。
在此基础上，结合实际时间，我们可以对游戏局势进展提出量化的期望数值。更进一步，使用量化指标对游戏局势状态进行描述。
玩家行为的量化
结合玩家类型与游戏阶段，我们通过5W1H分析法构建玩家行为表。在此基础上，对不同玩家类型进行具体的量化定位。
至此，我们已经创建出一系列完全量化的、可完整描述游戏内容的数据指标。接下来，将以这些数据指标为基础实现关卡元素的推演与组装。
关卡元素的推演与组装
游戏内容被量化描述后，自然成为关卡设计的出发点。一个或多个关卡元素的设计方式应与一种量化描述结果相匹配。
示例如下：
- 题设：在游戏中期，[出兵频率]、[出兵数量]等要素应当满足结果“大神玩家可以平均每一波兵获取5份线上资源与1份野区资源”。
- 推演：考察“大神玩家”的各项数据指标，将“兵线利用率”等量化因子代入，即可反向推演出兵相关的数值模型。根据统计经验确定数值模型中的一项或多项因子，就能进一步实现诸如出兵频率、道路长度等各项具体关卡要素的设计。
对资源产出、时间轴布局、空间分布等要素进行精确拆分量化的关卡设计，是保证玩家“打野30年定能出山”的坚实基础。通过多次推演，可得到整个关卡中所有元素的量化指标。由于关卡内的实体单位都被拆分为具体的数值指标，因此只需在数值设计端拟定少量的基准数值，即可通过计算自然组装出整套关卡的流程与数值体系。
通过量化指标实现关卡设计的维护与深挖
统计数据指导下的关卡维护与优化
根据数据指标实现关卡设计的自验证与调整
在关卡设计中，我们制定一些基准性的数据指标来主导其他的数值设计。进一步地，在基准指标下关联关卡元素的量化数值，建立数值杠杆。在游戏的实测过程中，如果发现数值表现与期望值不匹配，就可以通过数值杠杆实现高效率的迭代与再验证。
根据统计信息调整数值预期
关卡设计成型后，针对关键量化数值建立数据统计方法。在研发过程中定时收集、整理、分析统计数据，这样能在第一时间暴露、定位设计问题，也有助于发现一些正常测试方式难以重现的bug和其他漏洞。
在游戏上线运营阶段，对大量的统计数据样本进行深入分析，将不同英雄、不同分段等一系列分类方法下的多个统计数据进行整合、比对、叠加，并在此基础上与基准杠杆对比，能够直观、快速地发现异常数据，并根据综合统计数据反调基准杠杆。
基于统计数据展开关卡玩法的拓展与深挖
在数据分析过程中，除了对低于预期的数据进行调整优化外，还应对超越预期或特殊反常的数据保持足够的敏感性。除了游戏内部的统计数据，玩家社群中的高活跃话题、游戏相关搜索指数、近期高搜索度关键词等周边信息同样值得整理和深挖。基于MOBA游戏快速迭代的特性，依据统计信息对既有的关卡玩法与表现进行拓展和深挖，并快速置入迭代内容，从而促进运营数据与玩家社群的维护。
搜索关键词直观地反映出玩家社群的近期关注点，对它们进行反向追溯深挖，可以发掘出数据统计中难以获取的信息。