El éxito de los videojuegos: una explicación desde la teoría de señales

Facultad de Ciencias Económicas y Empresariales Trabajo de Fin de Grado Grado en Marketing e Investigación de Mercados El éxito de los videojuegos: una explicación desde la teoría de señales Presentado por: Marta Di Battista Serrano Tutelado por: María del Carmen Antón Martín María Carmen Camarero Izquierdo Valladolid, 13 de julio de 2020 RESUMEN: El mercado de los videojuegos ha tenido un auge espectacular en la última década. Sin embargo, mientras su evolución en cuanto a estrategia de producto ha sido sorprendente, el estudio comercial de los videojuegos es escaso. Por esto investigar el éxito de los videojuegos y las señales de calidad que permiten a los consumidores reducir la brecha de información entre ellos y las empresas es clave para las nuevas desarrolladoras del sector. Para ello, se ha realizado una investigación del éxito de los videojuegos basada en la teoría de las señales. A partir de dos bases de datos (una primaria y otra secundaria) se averiguaron que señales de calidad son significativas en el éxito de los videojuegos medido mediante ingresos, gastos y unidades descargadas, lo que nos permite incluir variables innovadoras de la nueva forma de monetización de los videojuegos. Como principales resultados, podemos encontrar que señales son más relevantes según la medida de éxito y la relevancia de las nuevas formas de monetización en los videojuegos. Palabras clave: Videojuegos, Monetización, Teoría de Señales, Éxito de los videojuegos. Código JEL: M31 ABSTRACT: The video game market has had a phenomenal growth in the last decade. However, while its evolution of product strategy has been astonishing, the commercial study of video games is scarce. Therefore, studying video games success and the quality ques that allow consumers decrease the information gap between them and the companies is key to new developers in the industry. To that end, this research aims to study the success of video games based on the signalling theory. The analysis consists in two data bases (a primary source and a secondary source) which lead to significant quality cues of the success of videogames measure in income, cost and units downloaded, which allow us to include innovative variables of the new monetized strategies in video games. The principal results achieved are, which signals are more relevant in the measure of success and the importance of the new monetized strategies in video games. Keywords: Video games, Monetization, Signalling Theory, The success of video games. Code JEL: M31 ÍNDICE DE CONTENIDO 1. INTRODUCCIÓN ............................................................................................. 1 2. MARCO TEÓRICO .......................................................................................... 3 2.1. Los videojuegos ......................................................................................... 3 2.1.1. La evolución de los videojuegos .......................................................... 3 2.1.2. La importancia del sector de los videojuegos ...................................... 4 2.2. La medición del éxito de los videojuegos ................................................... 6 2.3. Determinantes del éxito de los videojuegos: teoría de señales .................. 7 2.3.1. Señales intrínsecas ............................................................................. 8 2.3.2. Señales extrínsecas .......................................................................... 10 2.3.3. Características del consumidor (variables de control) ....................... 13 3. METODOLOGÍA Y RESULTADOS ............................................................... 17 3.1. Modelos 1 y 2 ........................................................................................... 17 3.1.1. Base de datos .................................................................................... 17 3.1.2. Medidas de las variables ................................................................... 18 3.1.3. Estimación de los modelos 1 y 2 ....................................................... 21 3.2. Modelo 3 .................................................................................................. 25 3.2.1. Base de datos .................................................................................... 25 3.2.2. Medidas de las variables ................................................................... 27 3.2.3. Estimación del modelo 3 .................................................................... 28 4. CONCLUSIONES .......................................................................................... 32 4.1. Señales significativas del éxito de los videojuegos .................................. 32 4.2. Conclusión general................................................................................... 34 5. BIBLIOGRAFÍA ............................................................................................. 37 6. ANEXOS ........................................................................................................ 42 ÍNDICE DE GRÁFICOS Gráfico 1. Modelo de señales. ............................................................................... 16 Gráfico 2. Modelo de señales 1 y 2. ...................................................................... 17 Gráfico 3. Modelo de señales 3 ............................................................................. 25 Gráfico 4. Modelos de señales finales ................................................................... 32 ÍNDICE DE TABLAS Tabla 1. Medición de variables del modelo 1 y 2 y estadísticos descriptivos. ................ 18 Tabla 2. Variables finales del modelo 1 y 2 ........................................................... 21 Tabla 3. Regresión lineal de los modelos 1 y 2 ..................................................... 23 Tabla 4. Medición de las variables del modelo 3 y estadísticos descriptivos ........ 26 Tabla 5. Regresión lineal del modelo 3 ................................................................. 30 1 1. INTRODUCCIÓN El mercado de los videojuegos es uno de los de mayor crecimiento entre los productos experienciales de la última década, superando incluso a la industria de la música y la cinematografía (Cortizo, 2022). Por esto, su estudio, así como la investigación de sus mercados es clave para desarrollar un producto de éxito en este sector en auge. Uno de los principales problemas a la hora de comercializar estos productos es la asimetría de información entre los consumidores y las empresas. Debido a esto, el estudio de las señales de calidad en el sector de los videojuegos ha cobrado gran importancia en los últimos años, lo que ha permitido generar conocimiento sobre aquellas señales clave a través de las cuales los consumidores perciben la calidad de los diferentes videojuegos en el mercado. El objetivo de este trabajo es el de ofrecer una nueva visión del estudio del éxito de los videojuegos y ampliar las señales de calidad desde una perspectiva más amplia a las ya estudiadas, especialmente las relacionadas con las nuevas formas de monetización de los videojuegos. Para lograr esto, se contrastarán tres modelos con dos bases de datos, una secundaria y otra primaria, para conocer aquellas señales de calidad relevantes para medir el éxito de los videojuegos. Se analizarán tanto señales intrínsecas como extrínsecas y se utilizarán tres medidas diferentes del éxito (unidades descargadas, ingresos y gasto) que nos permitirán incluir señales relacionadas con las nuevas formas de comercialización de videojuegos e incrementar el conocimiento en este área. El trabajo está organizado de la siguiente manera. En primer lugar, se realiza un estudio teórico que se centra en el problema a estudiar, la determinación del éxito de los videojuegos y sus nuevas formas de monetización. En segundo lugar, se definen las señales de estudio que se incluirán en los modelos de señalización como posibles determinantes del éxito de los videojuegos, teniendo en cuenta las diferentes medidas de este. 2 Por último, se exponen las conclusiones derivadas de los resultados de lo9s modelos y se plantean nuevas líneas de investigación en este área de estudio. 3 2. MARCO TEÓRICO 2.1. Los videojuegos Los videojuegos son todos los juegos digitales e interactivos cuya primera finalidad es la de entretener y divertir al usuario utilizando como soporte principal los ordenadores, las videoconsolas, las consolas portátiles o máquinas recreativas, es decir, dispositivos electrónicos (Rodríguez, 2022). Los videojuegos tienen un sistema simple de uso que esconde detrás un gran trabajo de codificación y diseño gráfico. Esto se puede disfrutar a través del soporte electrónico elegido y controlarlo a partir de un mando, pantalla táctil o incluso del propio teclado y ratón. 2.1.1. La evolución de los videojuegos La evolución de los videojuegos ha sido espectacular y la innovación en la tecnología es una de las principales razones. Hemos pasado de videojuegos “primitivos”, máquinas recreativas y consolas de 16 bits a principios de los años ochenta, a grandes producciones gráficas con universos propios y dinámicas únicas que unen una multitud de géneros y se adaptan a la demanda actual (FIB, 2008). Podemos diferenciar dos variables de marketing que han evolucionado considerablemente junto a la producción de videojuegos: la distribución y la estrategia de precios. La distribución es una variable clave en el proceso de comercialización de este tipo de productos, tanto que el éxito de la estrategia de marketing depende directamente de esta variable (Carrillo y Sebastián, 2010, pp.139). Aunque se sigue utilizando el formato físico para la compra de videojuegos, en los últimos años el uso de plataformas de distribución online, como son Steam o Epic Games, además de los videojuegos para móviles, ha ido en aumento. Sólo de 2017 a 2021 el formato de venta online se ha visto incrementado en un 16%. En 2021 en España se facturaron 913 millones de euros en venta online ya sea en plataformas, aplicaciones o subscripciones relacionadas con los videojuegos, lo que supone el 51% del total de facturación en el sector de los videojuegos en España (AEVI, 2021). 4 La estrategia de precios. Gracias al auge de la distribución digital de videojuegos se han podido implementar nuevas dinámicas de monetización (Arjona & Muñoz, 2020). Para que el modelo de negocio de los videojuegos se adecuara a la sociedad moderna de consumo, el modo de pago debía cambiar. La competencia de ocio pasivo 1 es muy extensa y con precios generalmente bajos, algo de lo que el sector de los videojuegos no podía presumir. De este modo surgieron nuevas formas de monetización como son los DLCs (downloadable content o contenido descargable), microtransacciones en el videojuego o incluso suscripciones mensuales (Arjona & Muñoz, 2020; Carrillo y Sebastián, 2010, pp.170). Gracias a este avance en la comercialización de videojuegos, nuevos formatos han podido ser viables, como los videojuegos freemium (aquellos que no necesitan de un pago inicial para poder jugar) o los premium (requieren de un pago inicial para jugar) y a su vez con microtransacciones (principal estrategia de monetización de los juegos freemium) o sin ellas. Estas nuevas formas de fidelización y engagement en productos como los videojuegos han permitido a las desarrolladoras incrementar el beneficio por videojuego producido. Ahora las empresas no solo dependen de la compra inicial del videojuego, puesto que la curva de ingresos se alarga mediante el uso de microtransacciones y DLCs. Según GfK, en 2017 un 56% de los jugadores de videojuegos elegía opciones freemium sobre las premium (Marketing Directo, 2017). 2.1.2. La importancia del sector de los videojuegos La importancia de los videojuegos como sector económico ha ido aumentando a lo largo de los años a medida que la tecnología permitía no solo nuevas formas de negocio, sino también, un mayor acceso a los productos por parte de la población. En el ámbito global, el sector de los videojuegos tuvo unos ingresos de 155.178 millones de euros en 2021, un 11,8% más que en el 2020 y se prevé que su 1 Ocio pasivo: Todo aquel ocio que no requiere ponerse en movimiento como la lectura de libros, visualización de imágenes como ver la tele o el cine, oír la radio o música, etc. 11 decir, la diferencia que perciben los consumidores entre los costes y los beneficios es positiva (Velásquez et al., 2006). De esta forma, la señal popularidad puede influir en los ingresos y las unidades descargadas. • El precio. En numerosos estudios se muestra que los consumidores tienden a percibir que los productos más caros son de mayor calidad (Choi et al., 2018). Las empresas desarrolladoras pueden ofrecer estrategias de productos según su precio y los beneficios que ofrecen con su videojuego en comparación con los competidores, pero siempre intentarán percibir los ingresos suficientes para cubrir el esfuerzo de desarrollo, el cual los consumidores ven reflejado en la calidad y en consecuencia en el precio. Por lo tanto, a mayor precio, mayor calidad percibida por los consumidores (Carrillo y Sebastián, 2010; Choi et al., 2018). Sin embargo, esta señal también puede mantener una relación directa con los ingresos que habrá que tener en cuenta en los análisis. En esta investigación consideramos que la señal precio puede influir en los ingresos por su relación con los videojuegos premium. • La estrategia de precios. Esta variable parte de la literatura sobre los videojuegos freemium y premium. Como explica Mangan (2016), los videojuegos freemium son una forma muy utilizada para entrar al mercado y disminuir la incertidumbre de los consumidores ante el producto en cuestión, ya que no necesitan realizar un pago para probarlo. Como eje de la investigación, el estudio de esta variable será especialmente importante por la novedad que constituye. Los consumidores suelen percibir los videojuegos freemium como peor calidad que los videojuegos premium, ya que sin una fuente de ingresos las desarrolladoras no apostarían por ofrecer algo de mucha calidad, es decir, más trabajo, gratis. Su estudio se ha incluido en la investigación para medir el impacto de los videojuegos freemium y premium en las unidades descargadas y el gasto, pero no en los ingresos. 12 • Los paquetes de videojuegos. Una de las formas que las empresas utilizan para incentivar la compra de videojuegos, es la utilización de los bundles o paquetes. Estos paquetes son un conjunto de videojuegos que forman una única compra a un precio menor que si comprases los videojuegos por separado y su utilización ha crecido a lo largo de la última década. Aunque podría parecer que los paquetes son formas de vender videojuegos que han tenido una mala aceptación en el mercado, es decir, con una peor calidad percibida por los consumidores, el volumen de compra que generan estos paquetes muestra lo contrario. Aunque la mayoría de videojuegos que utiliza esta técnica de distribución son los lanzados al mercado por desarrolladoras indies 4 , numerosos videojuegos de categoría triple A 5 aprovechan esta oportunidad para aumentar sus ventas, mejorando la calidad que los usuarios perciben de estos tipos de estrategias de marketing (Bogost, 2012). Por ende, la señal paquetes puede influir tanto en los ingresos como en las unidades descargadas. • Los DLCs. El uso de contenidos descargables o DLCs (Downloadable Content) por parte de las desarrolladoras para alargar la experiencia del jugador llevan con nosotros desde los primeros años del siglo XXI. Aunque en un principio casi todos eran gratuitos, poco a poco las empresas empezaron a monetizar la expansión de contenido que ofrecían y así alargar la durabilidad de los videojuegos que sacan al mercado, haciéndolos más rentables (Rollan, 2021). Aunque pueda parecer que es una forma de alargar la experiencia de juego de los aficionados, ofreciendo más valor añadido como en el caso de las microtransacciones, los DLCs también generan rechazo y controversia ya que estos implican un pago extra para obtener más contenido que normalmente impide la consecución del juego sin pagar, disminuyendo la calidad del videojuego 4 Desarrolladora indie: Aquella empresa independiente y sin apoyo financiero que desarrolla videojuegos. 5 Categoría triple A: Clasificación utilizada en la comunidad para aquellos videojuegos desarrollados por empresas importante y con gran poder financiero. 13 “incompleto”. Debido a esto, que un juego presente numerosos DLCs podría implicar una barrera a la decisión de compra de los consumidores, así como una disminución en su calidad percibida (Rollan, 2021). La señal DLCs puede influir tanto en los ingresos como en las unidades descargadas. • La suscripción a gaming passes. En los últimos años los servicios de suscripción a plataformas de videojuegos han experimentado un auge parecido al de Netflix en el mercado de contenidos audiovisuales. Este tipo de servicios coincide con la nueva forma de ver a los videojuegos como productos vivos (Singer y D’Angelo 2020). En el caso de los servicios de suscripción de videojuegos, la rotación de la oferta es mucho mayor que en los servicios de streaming. Sin embargo, el modelo parece funcionar ya que cada vez más usuarios tienen suscripciones, demostrando que hay usuarios que encuentran valor y ven la calidad de la oferta de este servicio (Singer y D’Angelo 2020). Aunque hay aquellos que se muestran adversos a la calidad de los videojuegos que se ofertan en estas plataformas, la variedad es tan grande que cada vez más jugadores optan por las suscripciones. La suscripción puede influir en el gasto que realizan los consumidores en videojuegos. 2.3.3. Características del consumidor (variables de control) Puesto que el gasto, una de las medidas de éxito de los videojuegos, está relacionado directamente con el consumidor, es necesario definirlo y no perder de vista el aspecto humano y social en el que se desenvuelve el consumidor. Las variables propuestas para esta caracterización se presentan a continuación. • Variables sociodemográficas como sexo, edad y dinero disponible al mes para ocio. • La personalidad del jugador. El gran impacto del sector de los videojuegos en la economía ha llevado a las empresas a realizar estudios de análisis psicológicos de 14 los consumidores de videojuegos. Al igual que se pueden encontrar relaciones entre la personalidad de los individuos y cómo juegan, también podemos relacionar su personalidad y la forma con la que consumen (Gallaga y Espino, 2017). • El tipo de jugador. Además de estudiar al propio individuo mediante su personalidad y variables demográficas, es necesario establecer la relación entre los jugadores y el producto en cuestión. Numerosos estudios muestran la relación entre el tipo de jugador y el gasto que realizan y la necesidad de adaptarse a estos cambios en el mercado para ofrecer un producto plural (Bosser y Nakatsu, 2006). En el sector de los videojuegos es muy conocido realizar clasificaciones de tipos de jugadores. Las más conocidas son las siguientes (Lugo, 2022): • Noob o jugador novato. • Casual gamer o jugador ocasional. • Core gamer o jugador medio. • Hardcore gamer o jugador fanático. • Pro-gamer o jugador profesional. Normalmente los jugadores más implicados en el videojuego son los hardcore gamers o los pro-gamers por lo que suelen ser los más gastadores. Sin embargo, tanto los core como los casual gamer se está empezando a llenar de consumidores dispuestos a jugar videojuegos, a lo mejor no tan intricados, pero que, sí requieran recursos tanto monetarios como de tiempo, por lo que su estudio es necesario en el ámbito comercial (Muriel, 2017). Además, no debemos olvidar aquellos Hardcore Gamers que por circunstancias de la vida tuvieron que dejar los videojuegos en un segundo plano para convertirse en Casual Gamer con perfil de gasto de Hardcore Gamer (Jota, 2016). • El estado de flujo. Hay que destacar el estado de flujo o flow state de los jugadores. El estado de flujo es “la inmersión placentera que experimentan los individuos, a menudo en actividades recreativas como los videojuegos” (Soutter y Hitchens 2016). Estudios como el de Soutter y Hitchens (2016) añaden a la literatura del estado de 15 flujo de los individuos y lo que nos permitirá relacionarlo con el gasto que realizan los jugadores en los videojuegos. Además, el estudio de esta variable mediante cuestionario es extenso y su formulación es relativamente sencilla, como se puede observar en el estudio de Chou y Ting (2003). • La influencia social. Debido a que todos los consumidores se ven afectados de una u otra manera a la hora de tomar una decisión de compra, analizar el espacio social en el que se encuentran es algo a tener en cuenta en esta investigación. En el caso de los videojuegos, es esencial estudiar el entorno social, pero también el online, ya que los productos ligados a la tecnología, y sobre todo aquellos que se pueden vender íntegramente en soporte online tienen como base comportamental, las redes sociales de Internet, así como las comunidades que se puedan formar en ellas. Este tipo de comportamientos son muy comunes en la generación de consumidores millennial, y con las formas de influencia que se desarrollan en las comunidades gamer, los comportamientos de compra compulsivos y en rebaño son comunes (Barros et al., 2020). A continuación, se presenta un gráfico (Gráfico 1) que explica los modelos de señales descritos en este apartado. 16 Gráfico 1. Modelo de señales. Gráfico realizado con Mural (https://www.mural.co/) BD: Variable medida a través de datos secundarios (modelo 1 y 2) C: Variable medida a través de cuestionario (modelo 3) 17 3. METODOLOGÍA Y RESULTADOS La información que se ha utilizado en esta investigación consta de dos bases de datos. La primera base de datos es una fuente secundaria sobre información de diferentes aspectos de los videojuegos, mientras que la segunda base de datos es una fuente primaria de información y se ha recogido mediante un cuestionario. 3.1. Modelos 1 y 2 Gráfico 2. Modelo de señales 1 y 2. Gráfico realizado con Mural (https://www.mural.co/) 3.1.1. Base de datos La base de datos de videojuegos como fuente secundaria de información la componen un conjunto de 99 videojuegos lanzados al mercado desde el 1 de enero de 2020 hasta el 20 de abril de 2022. Todos los videojuegos que forman parte de la base de datos cuentan con una versión digital en Steam, una plataforma digital de venta de videojuegos muy usada tanto a nivel nacional como internacional. Se ha optado por la recogida de información de esta forma ya que la obtención de datos de videojuegos en soporte físico es ardua y a veces imposible de conseguir debido a la política de privacidad de las tiendas en cuestión. Las fuentes principales utilizadas para la recogida de información son todas de acceso gratuito y se recogen a continuación en la Tabla 1 junto con los estadísticos descriptivos de las variables. 18 Tabla 1. Medición de variables del modelo 1 y 2 y estadísticos descriptivos. Variable Explicación Fuente de datos Mín. Máx. Media/% DT Unidades Descargadas Número de copias virtuales de un juego descargadas. El número se estima mediante el método Boxleiter. VGinsights (https://vginsight s.com) 2250 14700000 1279906,26 2794421,21 Ingresos Se parte de las Unidades Descargadas Estimadas y se multiplica por el precio original, teniendo en cuenta descuentos y promociones. Se mide en dólares estadounidenses VGinsights (https://vginsight s.com) 24287 529700000 35980156,67 82646011,78 Antigüedad Meses que han pasado desde su lanzamiento hasta el mes de abril de 2022 Steamdb (https://steamdb. info) 1 26 13,56 7,18 User engagement Número de espectadores pico en un directo el cual se encontraba en la categoría del videojuego en cuestión. Steamdb (https://steamdb. info) 12 1273119 124997,49 240064,43 Popularidad Número de seguidores que presenta el videojuego en la plataforma distribuidora Steam Steamdb (https://steamdb. info) 13 1208434 78516,21 155373,54 Review valence Las puntuaciones de las reseñas que dejan los propios jugadores en la plataforma de distribución, Steam. Se miden en porcentaje. VGinsights (https://vginsight s.com) 25,8 99,2 82,43 13,70 Reputación desarrolladora Consiste en una media aritmética de las puntuaciones que los críticos otorgan a los videojuegos que han lanzado al mercado. Se mide en porcentaje Metacritic (https://www.me tacritic.com/ ) 42 89 73,97 8,52 Microtransacciones Variable dicotómica. Cuando el videojuego presenta microtransacciones se codifica con un 1 y con un 0 si no presenta microtransacciones Steam (https://store.ste ampowered.com /search/?categor y2=35) 0 1 0,56 ,50 Paquetes Numero de paquetes en los que se incluyó el videojuego. Steamdb (https://steamdb. info) 1 25 5,66 5,04 DLCs Número de contenidos descargables que posee el videojuego. Steamdb (https://steamdb. info) 0 129 5,46 16,49 Estrategia de precios Variable dicotómica. 1 si es un videojuego premium (precisa de pago inicial para descargarlo), o si es freemium (la descarga es totalmente gratuita) Steam (https://store.ste ampowered.com /search/?categor y2=35) 0 1 0,49 ,50 Precio Precio de lanzamiento del videojuego en dólares estadounidenses Steamdb (https://steamdb. info) 4,99 99,99 37,66 19,87 3.1.2. Medidas de las variables Las variables dependientes en la base de datos son dos. La primera es “unidades descargadas” y la segunda “ingresos”. Cabe destacar, que estas dos variables se han recogido de la misma fuente, VG Insights, y parten de estimaciones. 19 En cuanto a la variable de “unidades descargadas” se ha estimado usando el método Boxleiter. Este método utiliza un ratio determinado que multiplica a las reviews de un videojuego para estimar las unidades vendidas (Birkett, 2018). En este caso, el ratio utilizado por VG Insights esta customizado para que se adecúe mejor a los tiempos actuales, por lo que tienen en cuenta cuando se han lanzado los videojuegos al mercado. Para los “ingresos”, VG Insights proporciona datos estimados mediante la multiplicación de las Unidades Descargadas Estimadas y el precio en cada momento. Esta estimación incluye la parte que se llevaría Steam por sus servicios de distribución. Sin embargo, si se ajustan las diferencias en los ingresos debido a las monedas locales, los productos devueltos y los descuentos que se hacen a lo largo de la vida del producto en el mercado. La “antigüedad” mide los meses desde la fecha de lanzamiento y abril de 2022 (fecha de recogida) para obtener una variable cuantitativa que se pueda utilizar en el análisis. Se ha utilizado la fecha de lanzamiento presentada por Steam en cada uno de los videojuegos, siempre teniendo en cuenta que estuviera entre abril de 2020 y abril de 2022. En cuanto a “la reputación de la empresa desarrolladora”, se ha utilizado la puntuación obtenida en Metacritic, una página web que agrupa las opiniones sobre videojuegos de críticos sin tener en cuenta a los usuarios. En este caso, la puntuación de la desarrolladora es una media ponderada de la puntuación de los videojuegos que ha lanzado al mercado proporcionada por los críticos. Por esto algunas empresas cuyos videojuegos no cuentan con puntuaciones de críticos carecen de puntuación en reputación de empresa. Las puntuaciones oscilan del 0 al 100. La “estrategia de precios” indica el modelo de monetización del videojuego. Aquellos que necesiten de un pago inicial para poder disfrutar del videojuego se han calificado como videojuegos premium, mientras que aquellos cuya descarga sea gratis se han calificado como videojuego freemium. 20 “Microtransacciones” es una variable dicotómica que implica la ausencia o presencia de micropagos en los videojuegos. Esta información la proporciona la propia plataforma de distribución en las etiquetas de los videojuegos. Se ha codificado para que la presencia de microtransacciones se corresponda con 1, mientras que su ausencia sean un 0. El “user engagement” se puede medir de muchas formas. Puesto que en esta base de datos contamos tanto con videojuegos freemium como premium, se ha optado por utilizar el número de visualizaciones a tiempo real en la plataforma de streaming Twitch. Aquellas personas que se implican más con el videojuego y tienen una participación más activa, no solo pasan tiempo en el videojuego si no también fuera de él, consumiendo o generando contenido. De esta forma, a más personas que vean contenido, por ejemplo, como se ha elegido en este caso, en las plataformas de streaming, más user engagement generará ese videojuego. Esta variable es por lo tanto cuantitativa. Para el “review valence” se han utilizado las puntuaciones de las reseñas que dejan los propios jugadores en la plataforma de distribución Steam. Se miden en porcentaje, por lo que es una variable cuantitativa. La “popularidad” tiene también distintas alternativas de medición. Debido a las cualidades de la base de datos que estamos manejando, se ha decidido utilizar una de las alternativas que proponía Choi et al. (2018) en su trabajo, los seguidores de los videojuegos en cuestión en la plataforma de Steam. La razón es que seguir un videojuego no implica tenerlo descargado en caso de que sea freemium ni tampoco haberlo comprado para el caso de los premium. Es un botón que se utiliza en caso de querer saber cuándo actualizan las versiones o cuando hay ofertas, por lo que los juegos populares, es decir, de los que más gente quiere saber noticias, son aquellos con muchos seguidores. Por lo tanto, esta variable es cuantitativa. El “precio”, al igual que los “paquetes” y los “DLCs” los proporciona la plataforma Steam a través de un agregador de información llamado Steamdb. Todas estas variables son cuantitativas. En el caso del precio, se ha escogido el precio de salida al mercado. 27 Personalidad (no voluntad) Escala Likert de 1 a 7 Organizado (1) desorganizado (7) 3,33 1,73 Autodisciplinado (1) sin fuerzas de voluntad (7) 3,42 1,50 Racional (1) imaginativo (7) 3,88 1,65 Meticuloso (1) chapucero (7) 3,18 1,53 Personalidad (nervioso) Escala Likert de 1 a 7 Relajado (1) nervioso (7) 3,65 1,79 Reflexivo (1) impulsivo (7) 3,22 1,58 Tolerante (1) crítico (7) 3,39 1,73 Personalidad (muchos hobbies) Escala Likert de 1 a 7 Racional (1) imaginativo (7) 3,88 1,65 Muchos hobbies (1) pocos hobbies (7) 3,22 1,71 Tolerante (1) crítico (7) 3,39 1,73 Tipo de jugador (hardcore) Escala Likert de 1 a 7 Considero que invierto mucho dinero en videojuegos 2,92 1,76 Le dedico mucho tiempo a los videojuegos 4,39 1,37 Juego a una gran variedad de videojuegos a la vez 3,57 2,06 Me gusta probar videojuegos de desarrolladoras poco conocidas (videojuegos indie) 3,47 2,07 Me considero un/a jugador/a habitual de videojuegos: 4,99 2,08 Llevo jugando a videojuegos muchos años: 5,97 1,65 Dedico la mayor parte de mi tiempo libre a jugar a videojuegos: 3,99 2,037 Me considero un/a jugador/a experto/a: 4,00 2,15 Me considero un/a jugador/a muy hábil en la mayoría de videojuegos 3,91 1,90 Tengo mucho conocimiento sobre precios y ofertas en videojuegos: 3,49 2,10 Influencia social (externa) Escala Likert de 1 a 7 Consumir contenido publicado en redes externas a las del videojuego me ha animado a realizar compras dentro del videojuego (como pases de batalla, de la propia moneda del videojuego, etc.) 3,81 2,27 Mi entorno de amigos/conocidos me ha animado a realizar más compras de complementos en videojuegos: 3,61 2,21 Estoy dispuesto/a a pagar por contenido en un videojuego si lo recomienda o es una colaboración con un/a streamer que me gusta: 2,87 1,85 Me anima más a probar un videojuego si un creador/a de contenidos promociona o enseña el videojuego en sus plataformas: 4,21 1,96 Influencia social (redes sociales) Escala Likert de 1 a 7 Formo parte de comunidades online en redes sociales sobre mi/s videojuego/s favorito/s: 3,75 2,23 Me informo sobre tácticas y estrategias para ser mejor en los videojuegos: 4,61 2,14 He utilizado las recomendaciones de los creadores de contenido para mejorar mi gameplay: 4,89 1,94 Aquellas variables con más de un indicador se han resumido mediante un análisis factorial. Los análisis factorial se han descrito con detalle en el Anexo IV 3.2.2. Medidas de las variables En este modelo la variable dependiente es la medición del éxito de los videojuegos mediante el “gasto” que realizan los consumidores en estos productos anualmente. Cuenta con una escala de 7 valores para facilitar la respuesta a los encuestados y cada valor cuenta con un intervalo del gasto que podrían realizar al año en videojuegos. 28 Las señales de este análisis las conforman factores que resumen la información obtenida de múltiples preguntas que se realizaron en el cuestionario. En cuanto a las señales extrínsecas incluiremos “review valence” que se mide en una escala Likert y “suscripciones”, una variable dicotómica que únicamente mide si se posee una suscripción a cualquier gaming pass. Como señales intrínsecas, “reputación de la desarrolladora”, que se mide mediante una escalar Likert, “estrategia de precios”, que la conforma un ratio de porcentaje de videojuegos premium entre porcentaje de videojuegos freemium y los videojuegos en “soporte online” y “soporte físico” que se han obtenido mediante análisis factorial de indicadores descritos en la Tabla 4. A mayor puntuación en los factores, mayor frecuencia de compra de ese soporte de videojuegos. Por último, para la caracterización de los consumidores como variables de control se han obtenido las siguientes variables: para realizar un estudio de la “personalidad” y del “estado de flujo” del individuo, se han adaptado los indicadores utilizados en estudios anteriores (Chou y Ting, 2003) para posteriormente crear factores que resuman la información. Para la variable de “tipo de jugador” se han utilizado caracterizaciones extraídas del libro Carrillo y Sebastián (2010) que también se han convertido en factores. Por último, para la “influencia social” se han realizado preguntas con escala Likert para poder abarcar la influencia social de internet, espacio muy relevante sobre todo en el ámbito de los videojuegos. 3.2.3. Estimación del modelo 3 Para este último modelo se realizará de nuevo una regresión lineal, en esta ocasión con las variables presentadas en la Tabla 4 de este trabajo. El modelo empírico que incluye las variables presentadas para esta regresión es el siguiente: 29 Modelo 3 𝐺𝑎𝑠𝑡𝑜 𝑎𝑛𝑢𝑎𝑙𝑖= 𝛼0+ 𝛼1𝑅𝑒𝑝𝑢𝑡𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑑𝑒𝑠𝑎𝑟𝑟𝑜𝑙𝑙𝑎𝑑𝑜𝑟𝑎𝑖+ 𝛼2𝑅𝑒𝑣𝑖𝑒𝑤 𝑣𝑎𝑙𝑒𝑛𝑐𝑒𝑖 + 𝛼3𝐸𝑠𝑡𝑟𝑎𝑡𝑒𝑔𝑖𝑎 𝑑𝑒 𝑝𝑟𝑒𝑐𝑖𝑜𝑠𝑖+ 𝛼4𝐹𝑜𝑟𝑚𝑎𝑡𝑜 𝑑𝑒 𝑐𝑜𝑚𝑝𝑟𝑎 (𝑜𝑛𝑙𝑖𝑛𝑒)𝑖 + 𝛼5𝐹𝑜𝑟𝑚𝑎𝑡𝑜 𝑑𝑒 𝑐𝑜𝑚𝑝𝑟𝑎 (𝑓í𝑠𝑖𝑐𝑜)𝑖+ 𝛼6𝑆𝑢𝑠𝑐𝑟𝑖𝑝𝑐𝑖ó𝑛𝑖+ 𝛼7𝑆𝑒𝑥𝑜𝑖+ 𝛼8𝐸𝑑𝑎𝑑𝑖 + 𝛼9𝐷𝑖𝑛𝑒𝑟𝑜 𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒 𝑝𝑎𝑟𝑎 𝑜𝑐𝑖𝑜 𝑎𝑙 𝑚𝑒𝑠𝑖+ 𝛼10𝐸𝑠𝑡𝑎𝑑𝑜 𝑑𝑒 𝑓𝑙𝑢𝑗𝑜 (𝑡𝑖𝑒𝑚𝑝𝑜)𝑖 + 𝛼11𝐸𝑠𝑡𝑎𝑑𝑜 𝑑𝑒 𝑓𝑙𝑢𝑗𝑜 (𝑒𝑚𝑜𝑐𝑖𝑜𝑛𝑒𝑠)𝑖+ 𝛼12𝑃𝑒𝑟𝑠𝑜𝑛𝑎𝑙𝑖𝑑𝑎𝑑 (𝑛𝑜 𝑠𝑜𝑐𝑖𝑎𝑙)𝑖 + 𝛼13𝑃𝑒𝑟𝑠𝑜𝑛𝑎𝑙𝑖𝑑𝑎𝑑 (𝑛𝑜 𝑣𝑜𝑙𝑢𝑛𝑡𝑎𝑑)𝑖+ 𝛼14𝑃𝑒𝑟𝑠𝑜𝑛𝑎𝑙𝑖𝑑𝑎𝑑 (𝑛𝑒𝑟𝑣𝑖𝑜𝑠𝑜)𝑖 + 𝛼15𝑃𝑒𝑟𝑠𝑜𝑛𝑎𝑙𝑖𝑑𝑎𝑑 (𝑚𝑢𝑐ℎ𝑜𝑠 ℎ𝑜𝑏𝑏𝑖𝑒𝑠)𝑖+ 𝛼16𝑇𝑖𝑝𝑜 𝑑𝑒 𝑗𝑢𝑔𝑎𝑑𝑜𝑟 (ℎ𝑎𝑟𝑑𝑐𝑜𝑟𝑒)𝑖 + 𝛼17𝐼𝑛𝑓𝑙𝑢𝑒𝑛𝑐𝑖𝑎 𝑠𝑜𝑐𝑖𝑎𝑙 (𝑒𝑥𝑡𝑒𝑟𝑛𝑎)𝑖+ 𝛼18𝐼𝑛𝑓𝑙𝑢𝑒𝑛𝑐𝑖𝑎 𝑠𝑜𝑐𝑖𝑎𝑙 (𝑟𝑒𝑑𝑒𝑠 𝑠𝑜𝑐𝑖𝑎𝑙𝑒𝑠)𝑖+ 𝜀𝑖 Los resultados de la regresión lineal del modelo se muestran a continuación en la Tabla 5, tras haber aceptado los supuestos 7 mínimos para poder interpretar los coeficientes. 7 En cuanto al supuesto de normalidad de los residuos, se han analizado tanto gráficamente como estadísticamente (con la prueba de Kolmogórov-Smirnov) y en los dos modelos se cumple la normalidad de los residuos. Además, existe independencia de los errores ya que el estadístico de Durbin-Watson se encuentra entre el 1,5 y el 2,5 en el modelo (Modelo 3 D-W=2,028). Los estadísticos de colinealidad (Tolerancia y VIF) se encuentran todos dentro de los intervalos en los que se puede asegurar el supuesto de no multicolinealidad (Tolerancia > 0,2 y VIF < 5). No se encuentran indicios de heterocedasticidad según la prueba de Levene y, por último, según el análisis ANOVA, la regresión es significativa al 95% en los dos modelos. 30 Tabla 5. Regresión lineal del modelo 3 Modelo 3 (n=89) Var. Dependiente Var. Independientes Gasto anual βi Significación Constante 3,38 0,00 Reputación de la desarrolladora -0,09 0,31 Review valence -0,06 0,42 Estrategia de precios 0,02 0,20 Soporte online 0,14 0,42 Soporte físico 0,21 0,16 Suscripción 0,55 0,07* Sexo C -0,38 0,20 Edad C -0,07 0,03** Dinero disponible para ocio al mes C 0,48 0,00** Estado de flujo (tiempo) C -0,30 0,03** Estado de flujo (emociones) C -0,17 0,27 Personalidad (no social) C 0,13 0,35 Personalidad (no voluntad) C 0,24 0,09* Personalidad (nervioso) C -0,17 0,23 Personalidad (muchos hobbies) C -0,06 0,63 Tipo de jugador (hardcore) C 0,81 0,00** Influencia social (externa) C -0,03 0,84 Influencia social (redes sociales) C -0,03 0,83 R2 / R2 Ajustado 0,646 / 0,545 ** Coeficiente significativo al 95% de confianza * Coeficiente significativo al 90% de confianza C: Variables de control Para este tercer modelo no deberemos tener en cuenta ninguna trasformación ya que no hemos realizado ningún cambio en las variables originales. A partir de esto, se podrán concretar las señales significativas que utilizan los consumidores a la hora de realizar gastos en videojuegos y de esta forma culminar con los objetivos del trabajo. Para el modelo 3, la única señal significativa que afecta al gasto de los consumidores de videojuegos es “suscripción”, pero es significativa al 90%. Si el 31 jugador tiene una suscripción a cualquier gaming pass el gasto aumenta en un 0,55. Aquellos jugadores más con suscripciones a plataformas de videojuegos presentan más gastos, incluidos las suscripciones, que en definitiva les ayuda a conseguir más videojuegos por un menor precio. En cuanto a las variables de control, 5 de ellas son significativas y nos permiten caracterizar a aquellos consumidores con un mayor gasto: Edad: Al aumentar en una unidad la edad de los jugadores, el gasto anual realizado en videojuegos disminuye en un 0,07. Aquellos jugadores entre los 19 y 22 años son los que realizan un gasto mayor en videojuegos anualmente. Dinero disponible para ocio al mes: Al aumentar en una unidad el intervalo de dinero disponible para ocio al mes el gasto de los consumidores en videojuegos anual aumenta en un 0,48. Cuanto mayor es el dinero disponible mayor el gasto que se puede realizar en los hobbies, en este caso en videojuegos. Estado de flujo en cuanto al tiempo: Si el estado de flujo en cuanto al tiempo disminuye en una unidad, es decir, disminuye la facilidad de la perdida de noción del tiempo del jugador y que se acabe jugando más tiempo, el gasto aumenta en 0,30. Cuanto menos tiempo se pasa en los videojuegos, así como en su entorno, más gasto se realizan. Personalidad (no voluntad): Si la no voluntad de los jugadores aumenta en una unidad, el gasto aumenta en un 0,24. Es decir, aquellos individuos con una menor fuerza de voluntad, desorganizada y chapucera realiza mayor es el gasto en videojuegos al año. Tipo de jugador: Cuando se trata de un hardcore gamer, es decir, un consumidor que juega habitualmente, lleva muchos años realizando este tipo de ocio, invierte tiempo y prueba una gran variedad y tipo de juegos, el gasto aumenta en un 0,768. A mayor relación con el producto en cuestión, mayor será el gasto que se realizará en él. 32 4. CONCLUSIONES El objetivo principal de este trabajo era determinar que señales de calidad determinan el éxito de los videojuegos. Tras realizar los análisis correspondientes se detallan las conclusiones que se han podido extraer de los análisis, así como futuras mejoras de la realización de este estudio. 4.1. Señales significativas del éxito de los videojuegos A continuación, se presenta un gráfico resumen de los modelos resultantes del estudio realizado. Gráfico 4. Modelos de señales finales Gráfico realizado con Mural (https://www.mural.co/) En el caso de medir las unidades descargadas de los videojuegos, tres señales son significativas en el modelo. El “user engagement” o espectadores simultáneos pico en Twitch, la “popularidad” o el número de seguidores en la plataforma Steam y la “estrategia de precios”. Los videojuegos freemium que consiguen una gran difusión en Twitch y seguidores en las plataformas de distribución consiguen un mayor número de unidades descargadas debido a que la calidad percibida de los jugadores es mayor. Utilizar el modelo freemium en videojuegos parece una buena estrategia para aumentar las descargas del mismo y conseguir notoriedad en el mercado. Si a esto le sumamos una buena estrategia de comunicación y conseguimos una base de jugadores estable que esté dispuesta a consumir contenido tanto dentro como 33 fuera del videojuego se podrá garantizar una buena posición en las tiendas distribuidoras en la categoría de más descargados. En cuanto a la antigüedad o tiempo transcurrido en el mercado no podemos afirmar nada ya, además de ser únicamente significativa al 90%, no sabemos a que se debe su efecto. Para los ingresos obtenemos cuatro señales significativas. El “user engagement” o espectadores simultáneos pico en Twitch y la “popularidad” o el número de seguidores en la plataforma Steam, el “precio” de los videojuegos y la “antigüedad” o tiempo transcurrido en el mercado. Cuando hablamos únicamente de videojuegos premium las señales de calidad no cambian en gran medida. El user engagement como visualizaciones simultáneas en Twitch es significativo para los ingresos de videojuegos premium. Al realizar streams categorizados con el videojuego en plataformas de streaming esto permite a los usuarios solventar uno de los problemas mencionados con anterioridad, y es que de esta forma pueden ver en tiempo real a una persona probando el videojuego. Además, esto también ayuda a que la popularidad del videojuego aumente, otra de las señales significativas para los ingresos. Por último, tanto la “antigüedad” como el “precio” se ha medido de forma acumulativa en este estudio, lo que no nos permite saber a qué se debe su efecto en este modelos más que a mayor precio y tiempo en el mercado mayores ingresos acumulados. Cabe mencionar también dos variables significativas al 90% de este modelo. La “reputación de la desarrolladora” que, aún no presentando muchos problemas de multicolinealidad, su correlación no es muy elevada con la variable dependiente, por lo que nos se analizarán en el estudio. Por otro lado, “microtransacciones” si presenta una correlación significativa, pero como ya se ha mencionada en apartados anteriores, su signo de correlación es contrario al que resulta de la regresión, lo que implica signos de multicolinealidad. Debido a esto se ha decidido no interpretar esta variable en el modelo Por último, en el modelo 3 jugadores como señal de éxito de los videojuegos, la suscripción a gaming passes. Los jugadores que tienen suscripciones a servicios de distribución de videojuegos realizan un mayor gasto anual, por lo que si un 34 videojuego consigue entrar en estas plataformas de suscripción las posibilidades de que una inversión a mayores sea en un videojuego dentro del gaming pass es alta. Aunque esta variable sea significativa al 90%, su correlación con la variable dependiente si es significativa al 95% y no presenta signos de multicolinealidad, por lo que se ha decidido interpretarla en el análisis. Para las características de los jugadores obtenemos 5 variables significativas: la edad, el dinero disponible para el ocio al mes, el estado de flujo en relación al tiempo que experimenta, la personalidad de no voluntad del jugador (que, aunque sea significativa al 90% tiene una alta correlación con la variable dependiente) y el tipo de jugador hardcore que es el consumidor según unos baremos. Los jugadores denominados hardcore gamers con una relación más estrecha con los videojuegos y una gran variedad de videojuegos en sus bibliotecas, realizan un gasto superior anual en este tipo de productos. Debido a la gran variedad de videojuegos que disfrutan, su estado de flujo en cuanto al tiempo, es decir, la pérdida de noción del tiempo al jugar, disminuye. Esto implica que tengan que realizar un mayor gasto gracias al efecto missing out, ya que al pasar menos tiempo en el videojuego necesitan de gastos como pueden ser microtransacciones para igualarse a aquellos jugadores que invierten todo su tiempo en un videojuego. Además, su gasto también depende de su edad, de su poca fuerza de voluntad y de si dispone de dinero al mes para gastar en ocio. A menor edad, menor fuerza de voluntad y mayores recursos, mayor en el gasto anual. 4.2. Conclusión general Se pueden destacar cuatro conclusiones generadas a partir del presente trabajo. Primeramente, la estrategia de precios freemium implica un aumento en las unidades descargadas del 99,9%. Aunque es verdad que la barrera principal de descarga, que es la compra, no aparece en este tipo de videojuegos, que sea un incremento porcentual tan elevado demuestra que una de las teorías presentadas en el trabajo denominada Loss Leader Strategy permite que aquellas empresas que inician sus primeros pasos en el mercado de los videojuegos puedan darse a 35 conocer y otorgar una prueba de su calidad a los usuarios, aunque esto conlleve unas pérdidas iniciales al ofrecer un producto gratis. En segundo lugar, el análisis de las microtransacciones en este estudio no permite ninguna interpretación. Esto puede deberse a varias razones. Ya que presenta multicolinealidad con “review valence” y “reputación de la desarrolladora”, puede que su medición no sea la adecuada o su papel como señal de calidad no esté tan claro. Sin embargo, lo que si que podemos afirmar es que se trata de una forma de monetización que merece formar parte de las nuevas investigaciones sobre los videojuegos, debido al gran impacto que ha generado tanto en los consumidores como en las empresas. En tercer lugar, las señales que continúan siendo significativas en todos los modelos son las relacionadas con la creación de expectativa y engagement en el mundo de Internet. Uno de los resultados menos sorprendentes pero que reaseguran la importancia de la creación de una comunidad en la era de las interacciones mediante internet para que os consumidores perciban la calidad del producto. Por último, en cuarto lugar, la suscripción a los gaming pass es una señal significativa del éxito de los videojuegos en cuanto al gasto. Concorde a la tendencia actual, los modelos de suscripción están en auge y en este estudio se apoya su crecimiento ya que aquellos consumidores que optan por suscribirse a un plan realizan gastos mayores en videojuegos. Se ha probado realizar análisis con la popularidad y el user engagement como variables proxy de calidad, para así llegar a explicar el éxito de los videojuegos, sin embargo, los resultados dejaban de ser significativos y la explicación que ofrecían era muy pequeña. Las limitaciones observadas en este trabajo son debidas principalmente las medidas del estudio y el aspecto temporal de las variables. Debido a que la información pública que está disponible en internet es escasa y principalmente de variables acumuladas, el estudio se dificulta para incluir señales y variables como 36 precio o antigüedad ya que las medidas del éxito de los videojuegos (unidades descargadas, ingresos y gasto) son también acumuladas. Tanto las conclusiones expuestas como las limitaciones de la investigación nos pueden llevar a constituir nuevas líneas de investigación para esclarecer los resultados presentados. Estos nuevos posibles estudios podrían consistir en: • Realizar un estudio sobre los tipos de microtransacciones que genera un mayor ingreso o gasto en los videojuegos para categorizar aquellos productos con mayor beneficio. • La visión que tienen los jugadores de las suscripciones a gaming passes, como caracterizan los videojuegos que están dentro y las oportunidades de mercado que habría para las nuevas desarrolladoras. • Averiguar las preferencias entre factores como micropagos, estrategias de precios o incluso inclusión en gaming pass para averiguar la combinación de factores ideal para un videojuego. 43 Anexo II. Cuestionario sobre videojuegos 44 45 46 47 48 Anexo III. Composición de la muestra de la encuesta 40% 60% SEXO Mujer Hombre 57% 26% 14% 3% DINERO DISPONIBLE PARA OCIO AL MES De 0€ a 100€ De 101€ a 200€ De 201€ a 300€ De 301€ a 400€ 0 5 10 15 20 25 30 12 18 19 20 21 22 23 24 25 26 27 28 31 32 33 35 37 38 43 46 EDAD 2% 43% 51% 4% NIVEL DE ESTUDIOS MÁXIMO ALCANZADO Estudios Obligatorios Bachillerto o Formación Profesional Graduado o Licenciado Universitario Doctorado y/o Máster 49 Anexo IV. Análisis factorial del modelo 3 Para este análisis realizaremos análisis factorial de las variables que forman bloques para reducir la información en factores. 1) Análisis factorial Debido al gran número de variables que se han obtenido tras la encuesta se llevará a cabo un análisis factorial para reducir la información en las variables que representen las señales tanto intrínsecas como extrínsecas que estamos investigando en la teoría de señales para los videojuegos. Factorial 1 - Forma de compra En este análisis factorial resumiremos la información de 4 variables relacionadas con la forma de compra de los videojuegos: f_compra_online, f_compra_físicas, f_compra_pconsola, f_compra_2mano. Aunque la prueba de KMO supera por poco el mínimo aceptable para realizar un análisis factorial (0,55) la prueba de esfericidad de Bartlett nos permite aceptar la hipótesis nula y aplicar el análisis factorial (p-valor = 0,000) Matriz de cargas de componente rotado Componente 1 2 f_compra_online 0,004 0,840 f_compra_físicas 0,834 0,236 f_compra_pconsola 0,157 0,805 f_compra_2mano 0,888 -0,046 Con dos factores se explica el 73% de la información contenida en esas variables. Estos dos factores serán: • FACTOR 1: Soporte_físico. Con puntuaciones altas para aquellos que compran videojuegos con mayor frecuencia en tiendas físicas o de segunda mano. • FACTOR 2: Soporte_online. Con puntuaciones altas para aquellos que compran videojuegos con mayor frecuencia en plataformas online o en las tiendas online de las propias consolas. Factorial 2 - Intención de gasto En este análisis factorial se incluirán las variables: dispuesto_invertir_premium, dispuesto_invertir_freemium, juego_sobre_metodo_pago y c_metagaming_sobre_estétitcos. 50 Tras realizar un análisis de correlaciones además del análisis factorial se ha comprobado que los individuos están dispuestos a invertir más en cualquier tipo de videojuego sin importar la estrategia de precios que sigan (freemium o premium). Esta información también está implícita en la variable gasto_futuro_en_hardware y gasto_futuro_en_software por lo que no se incluirán en el análisis. Queda fuera del análisis c_metagaming_sobre_estéticos al quedar fuera de todos los factores y se incluirá en la regresión final. Factorial 3- Tipo de jugador En este análisis factorial se han incluido las siguientes variables: habitual_vj, muchos_años_vj, tiempo_libre_vj, experto_vj, hábil_vj, ofertas_vj, invierto_mucho_vj, mucho_tiempo_vj, gran_variedad_vj, probar_vj_indie Tras el análisis se obtuvo un solo factor que explica el 67,96% de la información que ofrecen las variables. Con una medida de KMO de 0,868 y un p-valor de 0,000 en la prueba de Bartlett, interpretamos este factor y lo introducimos en el modelo final. Matriz de cargas de componente rotado Componente 1 invierto_mucho_vj 0,780 mucho_tiempo_vj 0,783 gran_variedad_vj 0,683 probar_vj_indie 0,627 habitual_vj 0,886 muchos_años_vj 0,694 tiempo_libre_vj 0,846 experto_vj 0,836 hábil_vj 0,778 ofertas_vj 0,766 • FACTOR 3: Tipo_jugador. Con puntuaciones altas para los jugadores hardcore o con altos valores en las variables iniciales y puntuaciones bajas para los casual gamer. Factorial 4 - Estado de flujo En este análisis factorial se han incluido las siguientes variables: noción_tiempo_vj, más_jugando_vj, tranquilo_vj, no_cansado_vj. Tras el análisis se obtuvieron dos factores que explican el 83% de la variabilidad de las variables introducidas. Aunque con una medida de KMO de 0,583 podemos 51 continuar con el análisis factorial ya que el p-valor de la prueba de Bartlett nos permite aceptar la hipótesis nula. Matriz de cargas de componente rotado Componente 1 2 noción_tiempo_vj 0,889 0,264 más_jugando_vj 0,942 0,064 tranquilo_vj 0,249 0,838 nocansado_vj 0,063 0,903 • FACTOR 4: estado_flujo_tiempo. Con puntuaciones altas si los videojuegos hacen que pierdan la noción del tiempo y acaben jugando más tiempo. • FATOR 5: estado_flujo_emociones. Con puntuaciones altas si los videojuegos tranquilizan al individuo y no acaban cansados tras jugar. Factorial 5 - Influencia social En este análisis factorial se han incluido las siguientes variables: comunidades_online_vj, tacticas_vj, contenido_externo_compra_ingame_vj, amigos_compra_ingame_vj, dispuesto_compra_ingame_cc_recomienda, probar_vj_cc_promociona. Tras el análisis se obtuvieron dos factores que explican el 70% de la información que ofrecen las variables. Con una medida de KMO de 0,803 y un p-valor de 0,000 en la prueba de Bartlett, interpretamos estos factores y lo introducimos en el modelo final. Matriz de cargas de componente rotado Componente 1 2 comunidades_online_vj 0,232 0,818 tácticas_vj 0,168 0,927 gameplay_cc_vj 0,378 0,794 contenido_externo_compra_ingame_vj 0,821 0,291 amigos_compra_ingame_vj 0,724 0,244 dispuesto_compra_ingame_cc_recomienda 0,810 0,171 probar_vj_cc_promociona 0,704 0,186 • FACTOR 6: influencia_social_externa. Con puntuaciones altas si tienen una gran influencia externa a la hora de realizar decisiones de compra en videojuegos. 52 • FACTOR 7: influencia_social_rrss. Con puntuaciones altas si tienen influencia de las redes sociales online que forman con la comunidad de jugadores. Factorial 6 – Personalidad En este último análisis factorial se han introducido las siguientes variables: organizado_desorganizado, autodisciplinado_sinfuerzasdevoluntad, relajado_nervioso, sociable_retraido, reflexivo_impulsivo, racional_imaginativo, meticuloso_chapucero, hablador_callado, grupo_solitario, mhobbies_phobbies, tolerante_critico. Tras el análisis se obtuvieron cuatro factores que explican el 69,30% de la información que ofrecen las variables. Con una medida de KMO de 0,637 y un pvalor de 0,000 en la prueba de Bartlett interpretamos estos factores y los introducimos en el modelo final. Matriz de cargas de componente rotado Componente 1 2 3 4 organizado_desorganizado -0,014 0,785 0,141 -0,188 autodisciplinado_sinfuerzasdevoluntad 0,115 0,815 0,076 0,144 relajado_nervioso 0,188 -0,003 0,789 -0,353 sociable_retraido 0,911 0,052 0,102 0,059 reflexivo_impulsivo -0,179 0,372 0,560 0,116 racional_imaginativo 0,215 0,557 -0,087 -0,509 meticuloso_chapucero -0,079 0,767 -0,004 0,083 hablador_callado 0,871 -0,039 -0,152 0,026 grupo_solitario 0,801 0,037 0,119 0,074 mhobbies_phobbies 0,211 0,094 -0,044 0,823 tolerante_crítico 0,073 -0,054 0,675 0,502 • FACTOR 8: Personalidad_social. Con puntuaciones altas para los individuos más retraídos, callados y solitarios • FACTOR 9: Personalidad_voluntad. Con puntuaciones altas para los individuos desorganizados, sin fuerza de voluntad, imaginativos y chapuceros. • FACTOR 10: Personalidad_nervioso. Con puntuaciones altas para individuos nerviosos, impulsivos y críticos. • FACTOR 11: Personalidad_hobbies. Con puntuaciones altas para individuos con muchos hobbies, algo críticos y racionales. 2) Análisis descriptivo de las variables finales convertidas en factores