Цель проекта — проанализировать как менялся рынок игровой индустрии, особенно в преддверии локдауна. Данные для обработки были взяты с популярнейшего игрового клиента/площадки — Steam, быть точнее статистика игроков полученная с помощью Steam Spy. Сами данные были взяты с платформы Kaggle: Steam Games Dataset Он содержит около 81026 отфильтрованных игр (наблюдений) вышедших с 2015 по 2023, имеющий около 40 признаков для каждой игры.
«Локдаун» является достаточно уникальной средой для производства цифрового контента, в том числе и игр
Я поставила задачу, найти соответствия имеющихся данных и фактора того, что миллионы людей остались взаперти дома с компьютером. И как это повлияло на индустрию в целом, например, увидеть локальные всплески активности, частично исследовать рынок геймдева с учетом экономического кризиса.
Заключение: Повлияла ли пандемия на геймдев? Хоть мы не можем ссылаться на абсолютизированный вывод, как минимум по причине анализа консольных и мобильных платформ, но даже такой датасет стима, показывает изменения в общем паттерне. Абстрагируясь от внешних факторов и не идеальности исследуемых данных, мы можем с уверенностью сказать что — да, домашнее заточение повлияло на индустрию. Особенно если учесть, что кроме игроков есть и разработчики, так многие решили «пилить индюшатину» и поэтому мы видим увеличение количества игр на площадке. Кроме того если проводить прямую корреляцию с условными потребительскими сервисами по типу Youtube/Twitch, у людей после ковида оставались привычки проводить там время, тоже самое можно сказать про геймерский досуг. С учетом, что в рамках исследования было использован изначально другой датасет, в котором было больше галлюцинаций и меньше выборка, видели примерно такую же картину. Тоже самое можно сказать с датасетами с сайта VGChartz, которые тоже были в черновых вариантах. По итогу мы смогли увидеть что определенный приток интереса/спроса и впоследствии денег, точно был после 2020 года
Используемые ресурсы и источники:
- Датасет Steam Games Dataset — взят с платформы Kaggle.
- Google Colab — вся техническая составляющая была реализована в jupyter notebook от Google.
- Perplexity.ai — поиск датасетов максимально подходящих для исследования (модель для поиска Sonar Large Online).
- Библиотеки Python pandas: для загрузки, очистки, фильтрации и анализа табличных данных. numpy: для эффективных вычислений с массивами данных. matplotlib.pyplot: библиотека для создания базовой визуализации данных. seaborn: для улучшенного стиля и более сложных статистических визуализаций, построенных поверх matplotlib. json: для загрузки и парсинга данных из JSON-файлов. os: для взаимодействия с операционной системой, например, для проверки существования файлов. matplotlib.colors.LinearSegmentedColormap: для создания пользовательских цветовых палитр для визуализаций. matplotlib.font_manager: для управления и загрузки шрифтов, включая регистрацию кастомных шрифтов для использования в графиках. google.colab: реализация взаимодействия между Collab’ом и гугл диском.
- Qwen3-Coder — основная LLM для написания кода в проекте.
- Цветовая палитра в Adobe Color [«
081A3F», »
14245A», «103578», »
1999FF», «A1CD44», »
5C7E10»] Ссылка на Google Drive с исходниками проекта: https://drive.google.com/drive/folders/1IBEML93ilh0rT9rRqKNf_ECGzV05_jY1?usp=sharing Ссылка на Google Collab: https://colab.research.google.com/drive/1qQiys8Epw8qYnpnug23lxw_elybaL6tR?usp=sharing
