手游KPI逆推模型.docxVIP

一款游戏准备投入运营， 往往需要对其货币化能力做评估。对于发行商来说，一般会小规模投放进行测试，根据测试结果进行预测，这期间，除了发现游戏本身的 BUG，体验和设计问题，留存和 ARPU 是最需要关注的指标。 测试周期的选择对游戏长期运营有重要的意义！充分的测试和指标采集对 KPI 预测会更准确，然而，耗时太久的测试容易让游戏错过发行的最佳时机，如果多款游戏恰好集中上市，也会让档期拥挤不堪。一方面，不希望错过好的游戏和团队；另一方面，希望流量最优配置以期获得最大化收益。既快又准的 KPI 预测模型是所有人都希望看到的。 笔者的一位做发行运营的朋友上周遇到了这样的难题，需要对一款即将上线的新游戏制定 KPI，该游戏甚至还未经过投放测试。被问到这个问题时，首先想到的是评估出玩家 1~30 天的 LTV 值，再逐步计算其月度收益。要准确得到 30 天 LTV 值，需要每天记录新增玩家的累计 ARPU 值，得到 LTV 数组后，再乘以每天的新增玩家数，就可得出月度收益。 我们需要得出数组 LTV_Set = [ LTV1,LTV2,LTV3 ... LTV30 ] 假设每日放量 N（即新增玩家数量），则： 月收入 = LTV1*N + LTV2*N + … + LTV30*N 预测 显然我们没有足够的时间获取 30 天 LTV。好吧，只能通过有限的已知条件对未来作出预测了。联想到笔者之前的一篇关于 LTV 预测的文章，基于对数曲线对 LTV 变化进行预测，顺带提下，前文发表后，有读者对公式的推导过程尚有不解，这里一并作出解答： 还是熟悉的公式: y=c*ln(x)+b 已知条件：首日和首 2 日 ARPU 值，可以认为是 LTV1，LTV2 将我们已知两个坐标 (1,LTV1), (2,LTV2)，代入公式 LTV1=c*ln(1)+b LTV2=c*ln(2)+b c 和 b 的值通过上述二元一次方程解出 c=(LTV2-LTV1)/(ln(2)-ln(1)) b=LTV1 工具上，可以使用 DataEye 新玩家价值模块，也可以使用 Excel（下文有实现）。 KPI 逆推 我们可以很容易使用公式推导出未来 30 日的 LTV 集合，下面我们对每日需要放出的量进行计算，笔者这里使用 Excel 规划求解等分每天的新增量 Excel 计算模型中，B15，B16 填入新增前两日的 ARPU 值，模型自动计算公式的 c，b值，再通过公式计算出未来 30 日的 LTV 值；通过 Excel 规划求解功能，在 D15 输入希望达到目标 KPI 值，并设定 C15~C44 的条件，这里设置的是等分，读者也可以改成等差数列等方式（即逐步放量）。从结果看出希望达到 100W 的月收入，每日必须引入 9.9W 新增玩家。而要降低新增玩家数量的压力，则可以考虑提高游戏的 ARPU 值。调整 B15，B16 的值 ，相关结果就会有相应变化。 模型的未来与局限 笔者认为，模型能对 KPI 做出初步预测，在已知条件匮乏的情况下，具有一定的指导意义。对于预测结果不理想的游戏可以去检查游戏本身是否存在问题，程序有 BUG？计费点设置不合理？新手任务通过率低？ 而对于符合预期的游戏，可以关注下留存问题，毕竟我们还是希望玩家生命周期更长。总之，KPI 预测在前期对游戏改进能快速给出建议，有利在当下纷乱的手游市场快速改进产品，快速推新，抢占先机。 如果测试时间允许，使用 7 日 LTV 会更准确。 但依然有其局限性，例如：对于一款 长生命周期游戏，比如棋牌，定义 30 日的回本周期是否合适？游戏在日常运营中因活动引 入带来的数值波动如何兼容？如何细化渠道间的差异？