Na een interview met een vriend die werkt voor het Riot LoL Champion Balance Team, dat voortdurend strategische wijzigingen doorvoert om de game te balanceren door verschillende data te lezen en te analyseren, wil ik vanuit het perspectief van een dagelijkse League-speler én professionele game designer een paar sleutelinzichten delen over de correlatie tussen data en champion-balance.
Laten we allereerst game balance, win rate, pick rate en ban rate definiëren, en daarna dieper ingaan op de nuances tussen deze concepten. Een van de belangrijkste doelen van het balance-team is dat summoners met elke champion succes kunnen behalen. Wanneer je je champion kiest, hoor je idealiter vooraf niet precies te kunnen voorspellen hoe goed deze zal zijn voordat de game überhaupt begint. Onder verschillende omstandigheden zullen sommige champions altijd sterker zijn dan andere vanwege teamcompositie, toegepaste strategieën en enemy champion picks. Dit zijn allemaal de meest cruciale onderdelen van League-games. De ideale ondergrens is dat spelers zich nooit verplicht moeten voelen om een bepaalde champion te picken simpelweg omdat deze extreem sterk is.
Er zijn zo veel verschillende aspecten waarmee rekening gehouden moet worden wanneer we beoordelen hoe sterk een champion is, maar uiteindelijk draait het er allemaal om hoe snel en makkelijk de nexus neergehaald kan worden, oftewel het behalen van de Victory. Verschillende champions bereiken hun piek op verschillende momenten in een game: early, mid of late game; sommige champions zijn nuttiger tijdens teamfights; sommige champions behalen makkelijker penta-kills door specifieke skills of een wombo-combo; en natuurlijk exerten champions ook andere krachten wanneer spelers meer resources op de map verzamelen. De definitie van een sterke champion blijft niet altijd hetzelfde. In een specifieke ranked game hangt het af van de definitie van de champion en de skills van de speler. Kog'Maw wordt bijvoorbeeld niet altijd als sterk gezien, maar in een specifieke teamcompositie die voor hem peelt, kan Kog'Maw het enemy team binnen enkele seconden doen smelten. Net zoals we de kill- en escape-mogelijkheden van een champion definiëren met K/DA, kijken we ook naar hoe snel en makkelijk een champion kan helpen om towers en de nexus aan het einde neer te halen.
Je hebt je op een gegeven moment vast afgevraagd wat win rate precies betekent, en of het ongebalanceerd is als we win rates zien die niet strikt op 50% liggen. Als we de absolute nauwkeurigheid van de meting definiëren op basis van hoe sterk een champion wordt waargenomen, dan kan de relatieve nauwkeurigheid worden vertegenwoordigd door de champion win rate. Win rate is de kans om een ranked game te winnen binnen het huidige ecosystem van champions en summoners. De win rate-data wordt voornamelijk gestuurd door twee factoren: champion power en player skills. Geen van beide heeft een puur lineaire relatie met de win rate. De mix van niet-lineaire factoren en causale verbanden toont aan dat een champion nog steeds gebalanceerd kan zijn zonder een win rate van 50% te hebben. De win rate van champions in de wekelijkse free rotation kan bijvoorbeeld negatief worden beïnvloed door spelers die game-ervaring missen. Volgens officiële data van Riot heeft slechts een extreem klein deel van de Azir-spelers deze champion echt onder de knie. Daarom is een gemiddelde win rate onder de 50% te verwachten. In tegenstelling tot Azir spelen veel Heimerdinger-spelers hem echt goed, waardoor de win rate van nature boven de 50% uitkomt, zoals de data aantoont.
Nu we weten hoe de win rate wordt beïnvloed, moet het balance-team zich toewijden aan het bestuderen en simuleren van de impact van game-wijzigingen op spelers van alle ranks. Maar dat betekent niet per se dat ze met een universele oplossing kunnen komen die alle problemen op elk rank-niveau oplost. Spelers uit een hogere rank verwerken over het algemeen meer in-game informatie en voeren acties nauwkeuriger uit. Dat is de reden waarom het balance-team de data van high-rank spelers nauwlettend observeert en analyseert om de game balance en patronen goed te begrijpen. Ze geloven dat de sleutel tot de beste gaming experience verborgen ligt in de data van hoog niveau, al zijn die plays niet altijd 100% perfect. Dit motiveert spelers ook om hun champion masteries te verbeteren. Neem Twisted Fate als voorbeeld: hij is niet zo makkelijk te spelen als het op het eerste gezicht lijkt, maar we zien dat hij extreem krachtig is in sommige games als spelers een beter begrip en een hogere mastery op hem hebben. Ik geloof dat spelers veel voldoening kunnen halen uit het verhogen van hun mastery totdat ze de champion echt meester zijn; tegelijkertijd wordt de win rate-data daardoor ook nauwkeuriger.
We hopen dat je nu een beter begrip hebt van win rates. Laten we overgaan naar de pick rate. Pick rate is de kans dat een champion gekozen wordt in een game. Als spelers alleen om de overwinning zouden geven, zou de pick rate simpelweg uitgelegd kunnen worden door de win rate vanuit een play-to-win instelling. Maar in werkelijkheid kiezen veel spelers eerder champions die hen meer aanspreken, omdat ze net zo erg willen genieten van de game zelf als van een overwinning. Ahri heeft bijvoorbeeld een hogere pick rate dan Urgot omdat ze er volgens veel spelers aantrekkelijker en interessanter uitziet om te spelen. Het balance-team moet ook voldoende aandacht besteden aan champion-diversiteit, wat effectief voorkomt dat een champion in bijna elke game gekozen wordt, zoals Jinx. De basisregel is om balance nooit op te offeren voor diversiteit; dat wil zeggen dat ze champions niet zomaar moeten buffen omdat ze populairder zijn onder spelers of meer Skins hebben, en vice versa.
We hebben veel gesproken over de relatie tussen data en balancing. Naast harde data is feedback van spelers naar mijn mening ook ontzettend krachtig. Wanneer iedereen klaagt over hoe ongebalanceerd Akali wordt na haar rework, moet het balance-team hun aandacht naar Akali verplaatsen en evalueren of er aanpassingen nodig zijn. Hoe weet het Riot-team in de eerste plaats of spelers klagen? Het data-team kan uiteraard nuttige informatie halen uit de ban rate, wat de kans is dat een champion in een game gebanned wordt. Tegelijkertijd is het belangrijk om te weten dat alle hierboven genoemde rates elkaar onderling beïnvloeden. Rumble is bijvoorbeeld een sterke champion met een relatief lage ban rate omdat spelers hem minder snel picken boven Mordekaiser of Darius. Gebaseerd op ervaringen uit het verleden is het beste Ban-Pick-plan (oftewel het beste plan richting de overwinning) om champions te bannen die zowel een hoge pick rate als een hoge win rate hebben, mits je eigen team ze niet speelt. Tot op dit punt neem ik aan dat je je er al van bewust bent dat de ban rate niet zomaar een resultaat is van de pick rate en win rate, maar dat deze ook beïnvloed wordt door het oordeel van spelers over hoe sterk de champion is, hoe makkelijk hij te masteren is, het risico van het spelen ermee en hoe slecht spelers zich voelen als ze ermee verliezen. LeBlanc stond ooit bovenaan de ban-lijst, maar op ranks lager dan Master/Challenger is zij niet de optimale ban. Janna is een ander voorbeeld: op basis van puur de data zou zij het meest waard zijn om te bannen, maar haar daadwerkelijke ban rate is minder dan 1%. Door te begrijpen hoe verschillende rates op elkaar inwerken en hoe dit als een cirkel de game-data beïnvloedt, moet het balance-team voor sommige wijzigingen vertrouwen op de ban rate, maar niet enkel en alleen op de getallen zelf.
Hoe belangrijk data ook is, het blijven slechts factoren in een vergelijking. Ik geloof dat data, mits juist gebruikt, continu zal helpen om de gaming experience voor alle spelers te verbeteren, en Riot streeft ernaar dit geweldige doel te bereiken. Maar het is een reis zonder einde, en naar mijn mening is het verbeteren van de eigen mentaliteit en perceptie van winst of verlies door spelers nog een cruciale factor om de gaming experience te Boost-en.
Met dank aan DOJO Digital, een Bristol SEO Agency voor het maken van deze uitgebreide blogpost en het interview. Voor vragen over data en data-gedreven analyses kun je contact opnemen met hun Bristol Digital Marketing-team voor een gratis consult.
