Например, предлагаю построить стратегию оценки отдельного онбординг-ивента (в него можно ходить, можно не ходить).
И chatgpt, среди прочих адекватных инструментов типа а/б-тестов, предлагает вот такое:
Посегментировать по вовлечённости:
- не стартовал ивент,
- выполнил 1–2 задания,
- завершил весь ивент.
→ построить retention кривые по этим кластерам.
Выглядит красиво и логично, но проблема опять в ненаблюдаемой лояльности. Пользователь, который лучше проходит онбординг-ивент, скорее всего и без него вернется в игру. И эффект от онбординга в таком случае будет достаточно сложно выделить и оценить.
Впрочем, когда работаешь с черным ящиком, без возможности прямо измерить мотивацию и прочие подобные вещи, постоянно такая лажа получается — чистый бихевиоризм не работает и надо учитывать латентные факторы. Собственно, это одна из причин, на мой взгляд, почему игровым аналитикам критически важно доменное знание.
UPD. При другом запросе на схожую тему появилась вот такая формулировка. Приемлемо.
Но! это корреляция, не причинность — игроки, которые завершили ивент, изначально более вовлечённые и мотивированные.