Efter at have interviewet en ven, der arbejder for Riots LoL Champion Balance-team, som konsekvent foretager strategiske ændringer for at balancere spillet ved at læse og analysere diverse data, vil jeg gerne dele et par nøgler til at forstå sammenhængen mellem data og champion-balance ud fra et fælles perspektiv fra en daglig League-spiller og en professionel spildesigner.
Lad os først og fremmest definere spilbalance, win rate, pick rate og ban rate, og bagefter dykke ned i nuancerne mellem disse koncepter. Et af de vigtigste mål for balance-teamet er, at summoners kan få succes med enhver champion. Når du vælger din champion, burde du ideelt set ikke kunne forudsige fuldstændigt, hvor god den vil være, før spillet overhovedet starter. Under forskellige omstændigheder vil visse champions altid være stærkere end andre på grund af holdkomposition, anvendte strategier og modstanderens champion-picks. Alt dette er de mest kritiske komponenter i League-spil. Den ideelle bundlinje er, at spillere aldrig skal føle sig tvunget til at vælge en bestemt champion på grund af, hvor ekstremt stærk den er.
Der er så mange forskellige aspekter at tage højde for, når vi vurderer og kategoriserer, hvor stærk en champion er, men i sidste ende handler det hele om, hvor hurtigt og nemt det er at smadre nexusen – altså at opnå sin Victory. Forskellige champions kan have deres peak i styrke på forskellige tidspunkter i et spil: early, mid eller late game; nogle champions kan være mere nyttige i team fights; nogle champions kan nemmere få penta-kills via bestemte skills eller en wombo-combo; og selvfølgelig, når spillere skaffer sig forskellige ressourcer på kortet, vil champions også udøve forskellig styrke. Definitionen af en stærk champion forbliver ikke den samme hele tiden. I et specifikt ranked game afhænger det af championens rolle og spillerens skills. For eksempel opfattes Kog'Maw ikke som stærk hele tiden, men i en specifik holdkomposition, der peeler for den, er Kog'Maw i stand til at smelte modstanderholdet på få sekunder. Ligesom vi definerer en champions evner til at kille og undslippe med K/DA, overvejer vi også, hvor hurtigt og nemt en champion kan hjælpe med at tage tårne og nexus til sidst.
Du har sikkert på et tidspunkt undret dig over, hvad win rate egentlig betyder, og om spillet er ubalanceret, når vi ser win rates, der ikke ligger på præcis 50%. Hvis vi definerer den absolutte nøjagtighed af målingen ud fra, hvor stærk en champion opfattes, så kan den relative nøjagtighed repræsenteres af championens win rate. Win rate er sandsynligheden for at vinde et ranked game inden for det nuværende champion- og summoner-økosystem. Data for win rate styres hovedsageligt af to faktorer: champion power og spillerens skills. Ingen af dem har et rent lineært forhold til win rate. Blandingen af ikke-lineære faktorer og kausale sammenhænge viser, at en champion stadig kan være balanceret uden at have en win rate på 50%. For eksempel kan win raten for champions på den ugentlige gratis rotation være negativt påvirket af spillere, der mangler erfaring med spillet. Ifølge officielle Riot-data er det kun en ekstremt lille del af Azir-spillere, der reelt har mestret denne champion. Derfor er en gennemsnitlig win rate under 50% forventet. På den anden side spiller mange Heimerdinger-spillere den rigtig godt, og derfor ligger win raten naturligt over 50%, som dataene viser.
Når man ved, hvordan win rate påvirkes, bør balance-teamet være dedikeret til at studere og simulere effekten af spilændringer på spillere fra alle ranks. Men det betyder ikke nødvendigvis, at de kan komme med en universel ændring eller løsning til at løse alle problemer på tværs af forskellige ranks. Spillere fra en højere rank er mere tilbøjelige til at overveje mere information i spillet og eksekvere den mere præcist. Det er grunden til, at balance-teamet nøje observerer og analyserer data fra high-rank spillere for at forstå spillets balance og mønstre tilstrækkeligt. De mener, at nøglen til den bedste spiloplevelse gemmer sig i data fra high-level spil, som dog ikke altid er 100% perfekte. Dette motiverer også spillere til at forbedre deres champion masteries. Hvis vi tager Twisted Fate som eksempel, er han ikke så nem at spille, som det ser ud til ved første øjekast, men vi oplever ham ekstremt stærk i nogle spil, hvis spillerne har en bedre forståelse og en højere mastery med ham. Jeg tror på, at spillere kan opnå en stor følelse af tilfredshed ved at øge deres mastery, indtil de virkelig mestrer championen, og samtidig vil data for win rate også blive mere nøjagtige.
Vi håber, at du har fået en bedre forståelse af win rates nu. Lad os gå videre til pick rate. Pick rate er sandsynligheden for, at en champion bliver valgt i et spil. Hvis spillere kun går op i sejr, kan pick rate simpelthen tolkes ud fra win rate med et play-to-win mindset. Men i virkeligheden er mange spillere mere tilbøjelige til at vælge de champions, der tiltrækker dem mere, da de ønsker at nyde selve spillet lige så meget som en sejr. For eksempel har Ahri en højere pick rate end Urgot, da hun i manges øjne virker mere attraktiv og interessant at spille. Balance-teamet skal også være opmærksomme på champion-diversitet, hvilket effektivt reducerer situationer, hvor en champion bliver valgt i næsten hvert eneste spil, som for eksempel Jinx. Grundreglen er aldrig at ofre balance for diversitet – det vil sige, at de ikke bør buffe champions blot fordi nogle er mere populære blandt spillere eller har flere Skins, og omvendt.
Vi har talt meget om forholdet mellem data og balancing. Udover kolde data er feedback fra spillere efter min mening også ekstremt kritisk. Når alle klager over, hvor ubalanceret Akali er blevet efter hendes rework, bør balance-teamet begynde at rette opmærksomheden mod Akali og vurdere, om der skal foretages justeringer. Hvordan ved Riot-teamet overhovedet, om spillerne klager? Data-teamet kan åbenlyst opsamle nyttig information fra ban raten, som er sandsynligheden for, at en champion bliver banned i et spil. Samtidig er det vigtigt at vide, at alle de rates, vi har gennemgået ovenfor, gensidigt påvirker hinanden. For eksempel er Rumble en stærk champion med en relativt lav ban rate, fordi spillere er mindre tilbøjelige til at vælge ham frem for Mordekaiser eller Darius. Baseret på tidligere erfaringer er den bedste Ban-Pick-plan – altså den bedste plan mod sejr – at banne de champions, der har både høj pick rate og høj win rate, hvis dit eget hold ikke spiller dem. På dette tidspunkt antager jeg, at du allerede er klar over, at ban rate ikke bare er et resultat af pick rate og win rate, men også påvirkes af spillernes vurdering af, hvor stærk championen er, om den er nem at mestre, risikoen ved at spille med den, og hvor slemt det føles at tabe med den. LeBlanc var engang i toppen af ban-listen, men hun er ikke det optimale ban på ranks lavere end Master/Challenger. Janna er et andet eksempel, som baseret på rene data burde være den mest værdifulde at banne, men hun har en reel ban rate på under 1%. Ved at forstå, hvordan forskellige rates fungerer sammen og påvirker selve spildataene i en uendelig cirkel, bør balance-teamet støtte sig til ban raten ved visse ændringer, men ikke udelukkende kigge på selve tallene.
Uanset hvor vigtige data er, er de stadig bare faktorer i et regnestykke. Jeg tror på, at data konsekvent vil hjælpe med at forbedre spiloplevelsen for alle spillere, hvis de bruges rigtigt, og Riot har til hensigt at opnå dette store mål. Men det er en uendelig rejse, og efter min mening er en anden væsentlig faktor til at geare og Boost spiloplevelsen at forbedre spillernes egen mentalitet og opfattelse af sejr og nederlag.
Tak til DOJO Digital, et Bristol SEO Agency, for at skabe dette omfattende blogindlæg og interview. For spørgsmål vedrørende data og datadrevet analyse bedes du kontakte deres Bristol Digital Marketing-team for en gratis konsultation.
