《Steam游戏平台的评价体系解析》

Steam游(🌊)戏平台的评价体系解析

编辑导语：于(🌨)平台而言，评价体系的建立可以(🚹)帮助用户从其他(🚘)维度了解产品，帮助用户更加正确地做出决策(🦀)，也能提升用户的使用体验。本(🚥)篇文章里，作(😯)者便针对Steam游戏平台的评(🐇)价体系做了(🔰)功能上的拆解和产品观上的总结，一起来看一下吧。

产品经理当中有混游戏圈的小伙伴们或多或少都对Steam有所接触，无论是重度常用Steam的端游玩家，还或者是只有听说过Steam的纯手游玩家，而在使用Steam的过程中，又或多或少相信接触过Steam的游戏评价功能。

而游戏的评价功能，对于游戏商店来说又是非常重要的一环。那么今天，我们就来研究分析一下Steam这么多年发展出来的评价体系产品现状——文章将从基(✖)础功(👥)能的拆解介绍，和立体的产品观拆(✍)解切入。

经过较多年的发展，实(🛌)际上Steam的评价功能已经相对成熟丰富，商店游戏页右上的一个总分，和下方的一个整(🚃)体的评价展示区域，形成了Steam评价的基本部分。基础(👎)功能(🎅)上我(🥕)们通过三张截图示例和一张Xmind思维导图的功能(🚆)梳(🏕)理进(🗓)行呈现。

这一块的结(🐡)构实际上大部(📿)分游(🍵)戏商店之(🔏)间都比较相像，但是在细节之处又有各自的特色。

例如Steam的打分机制(💀)是二维(🍿)制度(🎭)，只(🌅)有推荐和不推荐的打分办法，并没有像(⛄)其他商(🚁)店那样采取五星制的打分手段。同时在分数展现上，Steam也采用了以文案描述为主的方式，而不是x.x分这样的办法。

文案描述上，实际上也就是10个档位，根据推荐与不推荐的比例，分别是overwhelmingly positive / very positive / positive / mostly positive / mixed / mostly negative / negative / very negative / overwhelmingly negative。

另外特别值得(🏟)一提的是，Steam在提供评价筛选器的同(🈲)时(🐏)，还给玩家十分硬核地提供了评价趋势分析的功能，十分用心。

图示1、Steam评价打分UI界面

图示2、Steam游戏单页的总评分(🔍)和时段评分

图示(🏄)3、Steam的评(💦)价列表

图示(📝)4、Steam评价基础功能结构梳理

虽然整体梳理了Steam的评价功能基础结构，但这对于(😋)深度理解(🧕)产品是远远不足的，那么接下来就让我们更深入地研究(🚑)一下Steam评价体(✳)系的产品观是什么样的。

Steam对于其评价系统一直寄予很大的重视，在不断的产品更迭中更是迭代数次其评价体(🥂)系。其基本的产品发展指导原则可以总结为：做一个能够为客户“精准导(👣)购”的评价体系(🍡)。进一步说明，就是希望评分评价体系能够帮助用户准确地(👛)做出游戏购买和下载的决策。

总结而言，Steam做(⏳)这套评价系统，在其发展历史过程中，产品观上可以总结为如下四点：

1）总评分有准确的价值表达(👆)

2）精确且有价值的评价(🍮)能在前排快(🈸)速呈现：

3）游戏运营过程(🔸)中的游戏质(♑)量的动态变化能够进行及时呈现

4）深(🎊)度功能帮助用户深挖需要的评价

充足(🐃)的筛选能力。

那么接下来，就让我们围绕上方的基本框架，展开讲讲Steam如何立体地发展其评(🥃)价体系。

1）面向B端的风险控制

① 剔除来自Steam Key的好评(💴)行为

之前一个颇为常见的扰乱到评分的行为，就是开发者会发送Steam Key来换取评价。这当中的情况又分两类：

而这两类情况，往往都会导致总分失去准确性。在以上方明确的基本产品原则上看，Steam Key来源的评价在Steam团队眼里有必要在分数算法中进行剔除，因而在其之前的产品公告中明确宣布了去除。

图示5、Steam Key输入界面

② 剔除风控识(🎒)别的异常账号的评分(🈯)价值

Steam官方(🈁)在其博(😎)客中就提到过，除了可以通过Steam Key刷取好评外，其在平时的运营观察中也发现了一些有组织的用户刷好评的行为，其来源仍然是开发者使用有偿的付费刷好评服(🔲)务。

相对于Steam Key刷好评的过程，直接(🆗)的付费刷(🌡)好评服务会更难追踪，因而也需要更强大的风控算法对用户的评价价(🎳)值进行评估(☔)，被认定为水军的账号评价进行适当剔除总分计算。

图示6、Steam博客中提及的被刷现象

2）面向C端的风险控制

① 评价轰炸的评分(🍳)有效性剔除

评(🌉)价轰炸，Review Bombing，Steam同时也称之为Off-topic Review现象。第(👔)二个名称其实会更好理(🏉)解一些，即“跑题(🐐)评价”，评价聚焦的核心(🙎)不再是游戏体验本身，而是与游戏弱关联的一些事项（(📁)例(⬅)如政治、(🥃)人事相关事件等等）的发生(🙅)，给游戏带了一波差评，导致游戏分数快速失真。

如图示7所示，笔者采集了两个例子。一个是2018年2月(🐸)，游戏深海迷航的公司员工被辞退的消息在Twitter发酵，导致当月一批集中的差评在Steam上齐刷刷地送给了游戏本体。另一个例子是2018年10月，游戏《古墓丽影：暗影》由于厂商在游戏发售后较短时间内，便给(👎)出了(❓)优惠促销措施，导致最早原价购买的(🏧)一批玩家心里不平衡，旋即给游戏送上一批集中的差评轰炸。

这(😝)些差评并不围绕游戏本身的玩法、画(😷)面等角度展开进行比较客观的评价，而是基于一些(🐆)外部因素，导致游戏分数的准确性降低。

图示7、评价轰炸会出现的数据大型波动

对待这种行为，Steam在产品价值观上，始终认为此类动作对于准确的评分展现没(🎼)有帮助甚至更多的是负面帮助。实际上，Steam的产品价(🦄)值观并非纯粹建立在较为主观逻辑判断上，在实际追踪了此类群体行为发生的过程后，Steam团队发现，分数在当时情况下的快速失真，最终会被“时间”慢(👽)慢修复，游戏的分数会回归到其本身游戏体验所展现出的价值。

那么这些外部事件的发生，更多的是在当时个把月的时间范围内，影响了新客的购买判断，做出可能的错误购买决策。

因而面向这种较为常见的玩家泄愤行为，Steam最终选择了建立Review Bombing解决机制。在系统检测到一定程度的Review Bombing之后，会将跑题评价从总分计算(🔨)和时间段分数计算中剔除，让分数本身更多地去折射游戏本身的体验。

同时，Steam还为玩家们提供了是否剔除跑题评价的能力，又在这基础上提供了评价数据趋势分(🛎)析功能，帮助玩家在有个性化需求的时候追踪评(🏖)价的动(🐆)态变化过程。

1）赞、踩功能便于计算价(🙆)值和热度，供给算法进行排序。

实际上Steam在这里使用了一问一答的方式来构建“赞”“踩”功能，问句是“Was this review helpful”而回答Yes或者No来表达“赞”“踩(🐐)”。

严格意义上来讲，意思是有(🆎)区别的，评价并没有帮(🦈)助到浏览者并不完全等同于“踩”的负面含义。但是这样的构建，已经足(🚺)够为算法对于评价的排序进行数据支撑。

图示8、每张评价卡片的底部区域，都构建了“赞”“踩(🀄)”功能

2）欢乐功能用于(🚧)引流价值偏颇的『抖机灵』式的热门评测

Steam在社区比较常见的功(🐫)能“赞(🌫)”和“踩”右边，又制作(⭕)了“欢乐”按钮，意欲何为？

表面上看，似乎是让浏览者的情绪表达专门制作了一个选项。但是深挖Steam之前的官方解释，会发现这是为一个常见的人类行为“抖机灵”制作了引(💴)流。

可以参见图示9，用Funny筛选出的评价，更多地是聚焦在(🦆)发布一些有趣、令人捧(🤧)腹一笑的短小式(😑)评论，这些评论在普通(〰)的“赞”“踩”体系之下，可以快速地获得点赞，甚至进而升顶到热评第一位，但这符合Steam对于评价体系的“精准导购”的定位吗？

答案显然是否定的。这甚至对于一些认认真真写评价，围绕游戏玩法等角度展开评论的用户而言，都是一种热情上的和评论方(🔯)向上的打击。

所以这时候(⛲)Steam团队采用的办(🐪)法(📼)，就是(🌂)利用增加“Funny”选项，让用户在感到评价很有(🍓)笑点的(🔦)同时，能够适当去点击Funny而非点赞，那么对于排序算法来说，也就可以更高效地避(💥)免对“抖机(🍐)灵”的评价进行不适当的(🆎)升序计算。

图示9、用(💔)Funny筛选出的评价，更多地是聚焦在发布(🛬)一些有趣(📢)、令人(➡)捧腹一笑的短小式评论

1）长期有效评价和最近30日评价分区域展现

总评和长期热评无法动态展(🏂)现游戏近期的调整和(🔕)变化。实际上，在(🛬)一(🌙)款游(👞)戏的生命周期当中，会有相当数量的(🏯)版本调整和运营动作(🌼)，这些事项也可以在评分中适当出现。

那么最近时段的评价单(🌦)拉一排出现，就会是一个比较合适的解决办法，如图10所示。

图示10、长期有效评价和最近30日评价(🚦)分区域展现

2）提示用户在固(🎪)定周期后适当修(🌙)改评价

很多用户其实在(🌡)没有完整体验过游戏之前，就会对游戏进行评价动作。TA可能是在游玩的半途当中，甚至并没有开始(🔷)多长时间，那么此时的评价(🎎)准确性可能仍然是不够充分的。

那么这些用户，一部分人最终会不断推进至游玩结束，此时当他们再做出对游戏的评价，是会比游玩前期做出的评价更为精准(🌀)的，这时候Steam也会以提示的(😊)方式请求用户考虑是否需要修缮评价。

充足的筛选能力

如图示11所示(👚)，无论是在游戏单页的底部评价浏览(🔝)区域，或者是游戏的评价单页，Steam都给玩家提供了充足的筛选项，来帮助玩家在需要的时候对评价深挖(🛫)浏览，选项包括“评价类型”、“购买类型”、“语言”、“日期范围”、“ 游玩时长”、“展示方式”。

实际上，即便调动了较多的产品逻辑来保障评价的显示排序(♏)尽可能地合理，Steam也无(😘)法完全保障评价排(🌈)序是完美的，那么此(🆕)时筛选器就可以发挥较好的辅助浏览的作用。甚至于当用户有更加个性化的评价浏览需求时（例(📙)如一定要看游玩时长>x小时的玩家评价），筛选器会发挥更大的效用。

图示11、Steam在评价相关区域(🚑)给予了用(🔼)户充足的筛选项

本文第一部分是简单地将(🐾)Steam的评价产品从单纯的表现层(🕍)开始推到做了一份思维导(😔)图的功能梳理，但实际上我们知道做(✂)产品的过程中这类梳理仍然是不(⬛)够的，因而会有了第二部分更加立(❌)体的(🏣)产品观(🍨)的介绍，方便大家理解Steam在发展其评(👊)价产品体系的过(📨)程中，对其用户群体(🏔)是如何运筹的，只有在充分理解其立体的产品观及其背后的思考逻辑之后，才能理解第一部分的产品设计为何这样做（例如为什么会有“欢乐”功能等等）。

最后，希望本文的(👪)分析，能够帮助到在相关领域深耕的小伙伴(🔵)，感谢阅读！

本文由 @菠萝饭 原创发布(🚐)于人人都是产品经(🔫)理，未经作者许可，禁止转(🎤)载(🍿)。

题图(🖼)来自Unsplash，基于CC0协议。

【腾讯首款现代战争策略手游有哪些的相关新闻】

• 更新至06集

  喧哗独学

  丹羽哲士,冈本信彦,菲鲁兹·蓝,石川由依,武内骏辅,石川界人,青山吉能,中村悠一,杉田智和

• 更新至20240502期小屋特辑

  音你而来

  潘玮柏,薛凯琪,张碧晨,武艺,张紫宁,王琳凯,高卿尘

• 更新至第20240503期

  半熟恋人第三季

  杜素娟,金靖,唐艺昕,谢楠,张纯烨,罗拉,王能能,凌忆,陈巧葳,苏锐,许莉,江俊霖,马晋隆,王震,邵佳荣

• 更新至07集

  一周的日记

  王奕,周诗雨

• 更新至18集

  天行健

  秦俊杰,刘宇宁,黄梦莹,庞瀚辰,傅菁,陈天明,陈思澈,黄昊月

• HD

  前途海量

  包贝尔,明道,韩云云,巴多,尹子维

• 更新至08集

  老家伙

  张国立 , 王刚 , 张铁林 , 周涛 , 张昊唯 , 孙安可 , 王自健 , 刘佳 , 毛毅 , 刘恩尚 , 高晓菲 , 曲高位 , 张博 , 于慧 , 尤浩然 , 王宸心

• 更新至17集

  另一种蓝

  宋茜,周渝民,刘敏涛,刘畅,朱颜曼滋,黄品沅,师悦玲,谢兴阳,胡宝森,刘潮,晏云璟,侯岩松,曹璐,曹磊,卜冠今,贾景晖,陈米麒

• 更新至05集

  庆余年第二季

  张若昀,李沁,陈道明,吴刚,田雨,李小冉,俞飞鸿,袁泉,毛晓彤,郭麒麟,宋轶,辛芷蕾,宁理,刘端端,张昊唯,付辛博,高曙光,赵柯,于洋,李强,刘桦,佟梦实,郭子凡,金晨,王楚然,高露,王晓晨,隋俊波,归亚蕾,余皑磊,毕彦君,罗二羊,吴幸键,宣言,王庆祥,徐志胜,崔志刚,傅迦,姚安濂,秦焰,沈晓海,王同辉,冯兵,常铖,王建国,刘宇桥,冯恩鹤,赵振廷,董可飞,李俊贤,崔鹏,贾景晖,王天辰,代文雯,王成阳,张弛,左凌峰,刘同,张维伊,东靖川,杨彤,孙亦沐,于小鸣,魏炳桦,李珞桉

• 更新至02集

  9号秘事第九季

  史蒂夫·佩姆伯顿,里斯·谢尔史密斯,希欧布罕·芬内朗,马克·博纳尔,苏珊·沃卡曼,乔尔·弗莱,菲利帕·邓恩,查理·库珀,娜塔莉·多默尔,马修·凯利,埃迪·马森,凯瑟琳·凯丽,雯叶特·罗宾逊,阿德里安·斯卡伯勒,海莉·斯奎尔斯,多萝西·阿特金森

• 更新至04集

  布里奇顿第三季

  妮可拉·考夫兰,卢克·牛顿,卢克·汤普森,西蒙娜·阿什利,乔纳森·贝利,菲比·黛内芙,朱莉·安德鲁斯,克劳迪亚·杰西,汉娜·多德,鲁丝·吉梅尔,弗洛伦斯·亨特,威尔·蒂尔斯顿,Choy-Ling Man

• 全集

  夜色将明

  内详