Steam發(fā)布2019年度回顧：成績斐然 游戲時間百億小時

　　今日Steam發(fā)布了2019年度回顧。在這篇博客中官方帶領玩家重溫了過去一年在Steam上推出的重大更新和全新功能，同時還對2020年進行了展望。根據官方，2019年Steam上的游戲時間超過了200億小時。Steam信用系統(tǒng)今年晚些時候將面向所有合作伙伴推出。

　　全文如下：

　　商店

　　與 2018 年相比，2019 年的更多新品在 Steam 上成績斐然，而所有新品的收入中位數也有所提高。 這些聲明實屬重大，值得詳細展開陳述更多細節(jié)。正因如此，我們計劃在接下來的幾周發(fā)布“Steam 數據深度探索”系列博客文章，分享更多信息。 在此之前，我們可以與各位分享的是，Steam 上的月活躍用戶數量增長至近 9500 萬，我們合作伙伴的游戲所創(chuàng)造的收入也是年年攀升。2019 年更是強勢收尾，迎來了我們最成功的一次特賣。

　　Steam 實驗室和易搜索性

　　商店是 Steam 不斷演化的一個部分，有數千款游戲可以滿足不同消費者及其特殊的品味。 在設計新的商店功能時，我們的目標是確保能夠為顧客呈現最為相關的內容。

　　雖然我們頗為頻繁地在商店中試驗新功能，但我們通常只有在這些功能已臻完善時，才會向所有人推出。 有時候，這意味著一些有趣的想法無法與各位見面，因為很難在有機會獲得用戶反饋之前評估其價值。 Steam 實驗室應運而生，它將這些萌芽初生的想法帶到顧客面前，并收集反饋，以了解進一步推進這些想法是否值得。 我們與來自 Dejobaan Games 的 Ichiro Lambe 合作，于 7 月推出了微型宣傳片和自動展示，同時還有我們自己的由機器學習驅動的功能，我們將其稱之為交互式推薦模型。 9 月 5 日和 19 日 的更多實驗還帶來了優(yōu)化過后的搜索、社區(qū)推薦，以及深度探索——這是與來自 Level Up Labs 的 Lars Doucet 通力合作實現的一項內容發(fā)現功能。 Steam 實驗室在推出后的短暫時間內，就實現了 27 億次曝光、5700 萬次瀏覽，并促使 2.9 萬款游戲被添加至 610 萬個愿望單中。

　　更多易搜索性優(yōu)化：DLC、最熱新品及更多

　　去年的 1 月更新是當年的首次更新，讓用戶可以更為輕松地通過標簽、熱銷商品、新品以及由開發(fā)者創(chuàng)作的清單瀏覽最愛游戲的 DLC。 自發(fā)布以來，這一全新瀏覽體驗使得各 DLC 頁面的訪問量超過了 1.21 億次。 9 月的 商店探索更新圍繞著優(yōu)化商店的“更多類似產品”和“為您推薦”欄目進行。 在聽取來自顧客和開發(fā)者的反饋后，我們推出了些許實驗性的變更，以便解除關于該更新的一些顧慮。 我們仍在評估來自這些實驗的數據和反饋，并計劃進一步優(yōu)化這些領域的游戲探索。

　　另一項于 2019 實行的新舉措重點突出每個月的 Steam 最熱新品（首份榜單發(fā)布于 4 月，接著在 5 月、6 月、7 月、8 月、9 月、10 月、11 月以及 12 月持續(xù)推出）。 以前我們只會在年終創(chuàng)建這樣的榜單，例如“2019 年度最佳回顧”博客文章中所列，但是這樣的分類榜單能囊括的游戲實在有限。 雖然商店有幾個不同版本的“新品”欄目，但是這些列表總體上只梳理了過去 24 小時的數據。 這些列表對于定期訪問商店的用戶而言很有用，但對于不那么頻繁來到商店的顧客則稍顯不足。 有了這些每月發(fā)布的文章和特賣頁面，我們就能夠讓人們對這些已經吸引了 Steam 社區(qū)的更多新游戲在更長時間內保持關注。 這些榜單中一些知名度較低的作品在上榜后的幾天內，相關的愿望單活動就有了 50% 的增長。

　　我們同時也努力尋找向用戶展示游戲推薦的新方法。 比如，在冬季特賣期間，我們嘗試發(fā)送個性化郵件，向收件人推薦由我們的機器學習推薦引擎專為其挑選的 5 款游戲。 我們發(fā)現用戶對于此功能的退訂率較低，且收到推薦的用戶更可能發(fā)現有趣的產品。 我們希望未來在這一領域繼續(xù)展開實驗。

　　用戶評測

　　我們于 3 月推出了全新功能，以幫助緩解“跑題評測惡意轟炸”的影響。“跑題評測惡意轟炸”是一種聯合起來對游戲評測分數造成負面影響的行為，其原因卻與未來的玩家是否會享受游戲無關。 用戶評測一直是商店最為常用的功能之一，其促成的頁面點擊量堪比搜索功能，因此評測的準確性和可靠性是非常重要的。 我們的團隊綜合使用多種工具并結合開發(fā)者反饋以識別異常的評測活動，這是我們新流程的一環(huán)。 我們在識別可能的評測惡意轟炸之后，會一起探究事情的來龍去脈，并討論是否應該將該評測活動標記為“跑題”（目前我們已經進行了 44 次）。 一旦做出決定，默認情況下，這些“跑題”期間發(fā)表的評測會被排除在評測分數之外（這一設置顧客可以選擇更改）。