Где выгоднее покупать внутриигровую валюту?

Виртуальная валюта в онлайн-играх часто покупается за реальные деньги. Но её цена может сильно отличаться в зависимости от сервиса, где вы её покупаете.

В этой статье мы сравниваем, сколько в среднем платит пользователь за одинаковую валюту на двух платформах: официальном клиенте игры и сервисе Vapoint. Также мы оцениваем, какую выгоду можно получить, если выбрать более выгодный вариант — с использованием специальных инструментов или без них.

Постановка задачи

В рамках настоящего исследования осуществляется комплексный сравнительный анализ ценовых характеристик двух альтернативных платформ — официального клиента игры и сервиса Vapoint. Исследование включает расчет средневзвешенного чека потребителя, формируемого при взаимодействии с каждой из платформ, что позволяет объективно оценить степень ценовой эффективности.

Кроме того, производится количественная оценка усреднённой выгоды, достигаемой в результате выбора той или иной платформы. Особое внимание уделено платформе Vapoint, для которой результаты представлены как с учетом использования встроенного алгоритмического инструмента — так называемого «счётчика», направленного на минимизацию итоговых затрат пользователя, так и без него, что позволяет выявить степень его влияния на формируемый ценовой исход.

Расчёт среднего чека покупки на сайте Vapoint и официальном клиенте игры

Приведем некоторые количественные интерпретации по эмпирическим наблюдениям, отражающие распределение рыночной активности, ассоциированной с покупкой внутриигровой валюты на изучаемом независимом ресурсе Vapoint [1]. Ниже представлены графические материы, иллюстрирующие поведение статистики покупок, агрегированной на основании данных, полученных с помощью аналитики продаж. Данные графики репрезентируют результаты предварительной обработки выборок с учётом процедур нормализации, что позволяет использовать их для публичной публикации и в качестве эмпирической базы для последующего применения методов статистического оценивания.

Номинал лота покупки

Рисунок 1. Нормированная матрица количеств продаж в зависимости от даты и номинала покупки (суммы вапоинтов)

Выше представлена нормированная матрица объёмов продаж, отражающая зависимость между календарной датой транзакции и конкретной товарной позицией, входящей в ассортиментную матрицу Vapoint. Ввиду нормированности данных их интерпретация ограничена выявлением относительных динамических тенденций и предпочтений потребителей в отношении конкретных позиций, а не оценкой абсолютных значений рыночной активности. Таким образом, представленная форма репрезентации позволяет с высокой степенью достоверности проследить закономерности изменения покупательского интереса в разрезе товарных подгрупп, а также зафиксировать временные кластеры повышенной или сниженной активности. В качестве продолжения данного анализа, ниже будет приведён график зависимости агрегированного нормированного количества продаж от товарной позиции в ассортиментной матрице, что позволит визуализировать относительные предпочтения участников цифрового рынка в контексте представленного спектра предложения (зависимость суммы по столбцам в матрице выше от товарной позиции).

Анализ представленной матрицы, содержащей данные об объемах транзакций и соответствующих номиналах внутриигровой валюты, в совокупности с эмпирическим графиком зависимости частоты покупок от номинала, позволяет осуществить построение вероятностной модели покупательского поведения.

Напомним читателю некоторые положения теории вероятностей.

В контексте статистического анализа под дискретной случайной величиной понимается такая величина, которая может принимать лишь счётное множество значений, каждое из которых имеет положительную вероятность. Дискретная выборка, в свою очередь, представляет собой конечную последовательность наблюдений значений дискретной случайной величины, полученных в результате эмпирического наблюдения или эксперимента.

В рассматриваемом исследовании номиналы внутриигровой валюты образуют дискретную выборку, в которой каждая точка соответствует фиксированному значению случайной величины "объём приобретаемой валюты". Таким образом, множество номиналов интерпретируется как реализация дискретной случайной величины, отражающей вероятностное распределение предпочтений игроков.

Обозначим как Θ = (θ₁, ..., θₙ₁), где n₁ = 10, где каждый элемент дискретной выборки – стоимость в рублях каждого из кодов на сайте Vapoint:

По графическим данным выше несложно посчитать вероятности выбора конкретного кода:

Напомним, что математическим ожиданием дискретной случайной величины называют сумму произведений всех её возможных значений на их вероятности, то есть если случайная величина Х может принимать только значения х₁, х₂, ..., хₙ, вероятности которых соответственно равны p₁, p₂, ..., pₙ, математическое ожидание M(X) случайной величины X определяется равенством:

Другими словами, математическое ожидание является теоретически предельным средним значением, которое представляет из себя величину исхода при многократной реализации стохастического эксперимента.

Тогда для нашего случая:

что является средним теоретическим чеком сайта Vapoint при покупке в рублях. Результат расчёта показали, что теоретическое математическое ожидание среднего чека практически совпадает с полученным на практике средним значением по выборке в размере 1741.43 руб. Таким образом, можно сделать вывод о том, что предложенная оценка имеет право на применение и обладает достаточной степенью достоверности, благодаря чему её можно использовать в аналогичном расчёте для другого ресурса с предположением о том, что практическое значение будет оставаться в рамках окрестности теоретического.

Приведём аналогичный расчёт для официального клиента игры. Обозначим как Θ = (θ₁, ..., θₙ₂), где n₂ = 6, где каждый элемент дискретной выборки – стоимость в рублях каждого из кодов на официальном клиенте: θ₁ = 490, θ₂ = 980, θ₃ = 1975, θ₄ = 3450, θ₅ = 4950, θ₆ = 9900. Пересчитаем вероятности для каждого из кодов официального клиента игры в предположении о том, что клиентское поведение независимо от ресурса. Из полученных вероятностей выше отберем вероятности, соответствующие представленным номиналам на официальном клиенте игры. Далее пересчитаем вероятности так, чтобы общая их сумма была равна единице. Таким образом получим:

Полученные в ходе анализа вероятностные характеристики отражают устойчивые закономерности поведения клиентов на официальном клиенте игры и адекватно описывают наблюдаемую эмпирическую картину. На основании данной вероятностной модели перейдём к вычислению математического ожидания среднего чека клиента:

В этом случае:

В соответствии с изложенной выше методологией, полученное значение среднего чека для официального клиента игры с высокой степенью достоверности воспроизводит эмпирическую картину.

Посчитаем разницу x между предложениями на двух ресурсах – то, насколько средний чек официального клиенте игры выше чека на сайте Vapoint:

Таким образом, сравнительный анализ средних чеков двух платформ демонстрирует, что предложение платформы Vapoint обеспечивает экономическую выгоду: в среднем на официальном клиенте игры клиент тратит на 12.73% больше по сравнению с покупками на сайте Vapoint.

Расчёт эффективности покупки «скинов» за Valorant Points, купленные через сервис «СЧЁТЧИК» сайта Vapoint и через официальный клиент игры

В таблице ниже представлены стоимости «скинов» в вапоинтах, использованные в рамках настоящего исследования. Указанные значения структурированы по уровням, соответствующим различным коллекциям скинов, выходивших ранее. Эти данные служат основой для последующих расчетов для расчёта оценки эффективности «СЧЁТЧИКА», значений переплат и других расчётов.

Стоимость «скинов» (в вапоинтах):

Рисунок 3. Отобранные для исследования коллекции «скинов»

Также для построения вероятностной модели были использованы данные на 15.05.2025 опроса «Какие игровые предметы из последней коллекции вы приобрели?» в телеграмм-канале «Vapoint | магазин валорант поинтов», опубликованного 14.05.2025, содержащего информацию о распределении предпочтений пользователей в отношении различных типов «скинов». На основе результатов данного исследования были извлечены оценки вероятностей совершения покупки для каждого из рассматриваемых типов, что позволило учесть эмпирически зафиксированные поведенческие особенности пользователей в дальнейшем анализе.

Результаты опроса показали, что вероятность покупки обычного оружия p_ОбОр = 0.725, вероятность покупки всего набора p_ВН = 0.15, вероятность покупки ножа p_НОЖ = 0.125.

Ниже представлены таблицы для трёх сценариев клиентского поведения при покупке вапоинтов, необходимые для описания возможности приобретения «cкинов», рассмотренных выше. В серых таблицах указаны стоимости в рублях за соответствующее количество вапоинтов, представленных в зелёных таблицах. Оранжевая таблица содержит рассчитанное отношение количества вапоинтов из зелёной таблицы к их стоимости в рублях из серой таблицы, что позволяет оценить эффективность каждой опции пополнения с точки зрения стоимости одного вапоинта.

СЧЁТЧИК на сайте Vapoint (таб. I)

Официальный клиент игры (оптимальный выбор) (таб. II)

Официальный клиент игры (стандартное поведение игроков) (таб. III)

Рисунок 4. Стоимости вапоинтов для соответствующих скинов на рисунке 3 в рублях, выгода клиента от приобретения вапоинтов

Раскроем более подробно принципы формирования данных, представленных в серых таблицах. В таблице, относящейся к счётчику стоимости на сайте Vapoint, указаны значения, полученные на основе алгоритмического расчёта, автоматически выполняемого на платформе в момент подбора наиболее выгодного варианта пополнения. В то же время, в серой таблице, соответствующей оптимальному выбору в официальном клиенте игры, стоимости подобраны таким образом, чтобы приоритетно обеспечивать максимальное количество вапоинтов за минимально возможную сумму в рублях. Такой подход отражает рациональную стратегию потребителя, стремящегося к оптимизации затрат при совершении покупки. В последнем рассмотренном подходе отражен реальная стандартная стратегия принятия решения при совершении покупки в официальном клиенте игры. Данный подход имитирует типичное поведение массового клиента, стремящегося получить желаемый результат с наименьшими издержками, при этом не прибегая к сложным оптимизационным схемам.

Теперь оценим относительные вероятности приобретения каждой коллекции. Напомним, что 18.04.2025 вышла коллекция первого уровня «Минима 2.0», 02.05.2025 вышла коллекция третьего уровня «Дивергенция», 16.05.2025 вышла коллекция второго уровня «Возвращение».

В таблице ниже приведено нормированное количество продаж на каждую дату. В столбце дат серым выделены даты выхода коллекций, в столбце нормированных количеств оранжевым подсвечены подъёмы динамики продаж за день до, в день и на день позже выхода коллекции, то есть в эти даты динамика продаж образует «пики». То же самое можно увидеть на рисунке 6 после таблицы.

Рисунок 5. Нормированное количество продаж за последний месяц с подсвеченными датами выхода коллекций и пиками продаж

Так как коллекция 4 уровня вышла достаточно давно, будем обоснованно считать, что она имела такой же клиентский успех, как коллекция третьего уровня. Просуммируем количества продаж за каждые три дня выхода коллекции, найдём их отношения, из чего получим вероятности предпочтения клиентами каждой коллекции. Таким образом, при прочих равных и гипотетическом выборе инструмента из той или иной коллекции, вероятность этого выбора в зависимости от коллекции следующая:

Ниже представлены две таблицы, в которых зафиксированы размеры переплаты при приобретении вапоинтов в официальном клиенте игры по сравнению с сайтом Vapoint. Значения на рисунке 7 представляют из себя результат разницы значений соответствующих стоимостей из серых таблиц при сравнении оптимальной стратегии выбора вапоинтов в официальном клиенте игры и покупки вапоинтов при помощи счётчика, представленных на рисунке 4, значения на рисунке 8 отражают размер переплаты при стандартном клиентском поведении также в сравнении с покупкой при помощи счётчика. Таким образом, таблицы на рисунках 7 и 8 отражают величину дополнительных расходов пользователя при выборе менее выгодной платформы. В нижней части каждой таблицы приведены вероятности выбора клиентом того или иного уровня, посчитанные выше, что позволяет связать ценовые различия с моделью реального поведения пользователей.

Рисунок 7. Размер переплаты – результат разности данных серых таблиц соответственно для каждого «скина» при оптимальной стратегии в официальном клиенте игры и при покупке через счётчик

Рисунок 8. Размер переплаты – результат разности данных серых таблиц соответственно для каждого «скина» при стандартной стратегии в официальном клиенте игры и при покупке через счётчик

Далее посчитаем средний размер переплаты при использовании официального клиента игры в сравнении со счётчиком сайта Vapoint в двух вариантах: при использовании клиентом оптимальной стратегии выбора в официальном клиенте игры и при стандартном выборе.

1 вариант:

Далее на основе представленных данных будет вычислено математическое ожидание переплаты из таблицы на рисунке 7 для каждого типа «скинов». Этот расчёт позволит количественно оценить средний объём дополнительных затрат, которые несёт пользователь при приобретении «скинов» через оптимальный выбор в официальном клиенте игры по сравнению с платформой Vapoint. В качестве весов в вычислении будут использоваться ранее определённые вероятности выбора соответствующих уровней.

Математическое ожидание переплаты для обычного оружия:

Математическое ожидание переплаты для всего набора:

Математическое ожидание переплаты для ножа:

На основе полученных значений математических ожиданий переплаты по каждому типу «скинов» можно перейти к вычислению совокупного математического ожидания общей переплаты при использовании официального клиента игры. Для этого необходимо учесть вероятности, описывающие поведение клиентов при выборе «скинов» различных типов, которые были определены на основании данных опроса и представлены после рисунка 3. Каждое математическое ожидание переплаты по типу «скинов» будет взвешено соответствующей вероятностью выбора клиентом конкретного типа скина, что позволяет получить агрегированную оценку ожидаемых расходов, обусловленных различиями в ценовой политике двух платформ.

Математическое ожидание средней клиентской переплаты:

Средний чек, рассчитанный на основе данных со счётчика платформы Vapoint, составляет 2089.72 рублей. Следует отметить, что данное значение обусловлено особенностями функционирования счётчика, который, как правило, активируется при формировании заказов с относительно высокой итоговой стоимостью. Это влияет на распределение используемых значений в выборке, смещая средний чек вверх. На следующем этапе анализа будет вычислен средний размер общей переплаты в процентном выражении, что позволит количественно оценить относительную эффективность выбора счётчика α в сравнении с оптимальной покупкой в официальном клиенте игры:

2 вариант:

На основе данных вычислим математическое ожидание переплаты из таблицы на рисунке 8 для каждого типа «скинов», чтобы количественно оценить средний объём дополнительных затрат, которые несёт пользователь при приобретении «скинов» стандартно выбирая лоты вапоинтов в официальном клиенте игры, а не используя счётчик платформы Vapoint. В качестве весов в вычислении будут использоваться ранее определённые вероятности выбора соответствующих уровней.

Математическое ожидание переплаты для обычного оружия:

Математическое ожидание переплаты для всего набора:

Математическое ожидание переплаты для ножа:

Перейдём к вычислению совокупного математического ожидания общей переплаты в этом случае. Также, как в первом варианте, учтём вероятности, описывающие поведение клиентов при выборе «скинов» различных типов, которые были определены на основании данных опроса и представлены после рисунка 3. Также взвесим каждое математическое ожидание переплаты по типу «скинов» соответствующей вероятностью выбора клиентом конкретного, получим:

Напомним, что средний чек, рассчитанный на основе данных со счётчика платформы Vapoint, составляет 2089.72 рублей. Аналогично первому варианту вычислим средний размер общей переплаты β в процентном выражении при сравнении вышеуказанных стратегий:

Заключение

В статье предложен метод оценки вариации рыночных цен с процентными результирующими показателями сравнения рыночных стоимостей. Приведены таблицы и графики для полученных аналитических данных предложенной статистики для широкого набора возможных значений объемов выборок. Методами статистического моделирования показана состоятельность предложения оценки параметров, применимого авторами. Результаты исследования находят применение при анализе результатов сравнения эффективности предложения и оценке клиентоориентированности на разных платформах.

Также проведённое исследование позволило всесторонне проанализировать различия в ценовой политике и механизмах формирования стоимости покупок между официальным клиентом игры и альтернативной платформой Vapoint. На основе математического моделирования и анализа поведения пользователей было установлено, что из-за неэффективной и слабо адаптированной под интересы клиента системы подбора кодов пополнения в официальном клиенте игры, компания получает минимум на 12.73% больше прибыли по сравнению с вариантом, при котором клиент использует более оптимизированные механизмы пополнения, аналогичные платформе Vapoint. Это свидетельствует о существенном дополнительном финансовом бремени, которое несут пользователи в условиях отсутствия гибких инструментов выбора.

Кроме того, в рамках исследования было продемонстрировано, что благодаря использованию клиентоориентированных решений, таких как автоматизированный счётчик выгодных комбинаций и адаптивный подход к подбору номиналов, платформа Vapoint позволяет пользователям существенно экономить средства, в этом случае демонстрируя превышение цен в официальном клиенте игры минимум на 17.53%, а в среднем на 18,93% . Эти инструменты способствуют не только снижению общей стоимости покупок, но и формированию более осознанного и рационального подхода к планированию расходов. Таким образом, исследование подчеркивает важность внедрения прозрачных и ориентированных на пользователя механизмов ценообразования, способствующих повышению экономической эффективности с точки зрения клиента.