站内有一篇 H5 游戏产业全景 ，那是 H5 产业的行业综述；卷三《上线变现与长线运营》 讲的是国内上线与长线运营的完整方法。本章不重做行业综述、也不重做国内运营方法论，只做一件事：把前 14 章的方法装配成《合成小岛》的出海案例。案例的前两段做完了：五平台按时间线 接好、按落地门禁 送审。这一节是最后一段：上线之后，看数据、决定往哪加注。
上线之后：看什么、怎么决定往哪加注
五平台跑起来后，后台会给出每个平台的 DAU、ARPDAU、留存、收入。但**「优先投谁」不是看一个数就能回答的**——第 4 章已经用多平台收入配比 讲清了「总量口径」与「边际口径」的分歧：总量看现收入（大流量平台占优），边际看增长效率（高 ARPDAU 平台占优）。本节不重讲那两个口径，只补上案例里必须多问的一句：边际效率最高的平台，样本够不够？
这正是第 8 章分语言口径 的同一条纪律——小样本的指标方差极大，样本最小的组往往指标最漂亮。把它搬到平台维度：一个平台如果新增样本太少，它的 D7 留存与净 ARPDAU 可能是噪音，不能据此决定加注。
D 层：数据参数配置
下面这段是 D 层配置 config/g15_data_iter.json。它把五平台的 DAU、毛 ARPDAU、分成、观测窗口新增与 D7 活跃写成唯一真源。口径是公开可观察机制的建模假设，不是任何平台后台实测。
{
"version": 1,
"game": "merge-island",
"observedAt": "2026-10",
"note": "多平台数据表现与迭代参数。口径是「公开可观察机制」的建模假设，不是任何平台后台实测。dau=该平台当前日活（建模假设）；arpdauDeciFen=该平台毛 ARPDAU（0.1 分/DAU）；publisherSharePermille=发行方分成千分比；newUsers=观测窗口内新增用户数；d7Active=该窗口新增用户在第 7 日仍活跃数（用于算 D7 与样本方差）；minSampleNewUsers=判定指标可信所需最小新增样本。seed + volatilityPermille 驱动日净收入的确定性抖动。真实 DAU、ARPDAU、留存与平台后台数据需真实业务环境，命令行不可复现（X）。全整数，无浮点。",
"seed": 20261013,
"daysPerMonth": 30,
"minSampleNewUsers": 2000,
"volatilityPermille": 120,
"platforms": [
{ "id": "gamedistribution", "name": "GameDistribution", "dau": 48000, "arpdauDeciFen": 300, "publisherSharePermille": 700, "newUsers": 9000, "d7Active": 2340 },
{ "id": "poki", "name": "Poki", "dau": 84000, "arpdauDeciFen": 460, "publisherSharePermille": 500, "newUsers": 42000, "d7Active": 11760 },
{ "id": "crazygames", "name": "CrazyGames", "dau": 60000, "arpdauDeciFen": 520, "publisherSharePermille": 500, "newUsers": 30000, "d7Active": 8400 },
{ "id": "fb_instant", "name": "Facebook Instant Games", "dau": 52000, "arpdauDeciFen": 540, "publisherSharePermille": 700, "newUsers": 26000, "d7Active": 7280 },
{ "id": "yt_playables", "name": "YouTube Playables", "dau": 20000, "arpdauDeciFen": 700, "publisherSharePermille": 550, "newUsers": 1800, "d7Active": 594 }
]
}
S 层：数据表现与迭代仿真
下面这段是 S 层仿真脚本 sim/g15_data_iter.py。它读上面那份配置，算每个平台的净 ARPDAU、月净收入、收入占比、D7 留存与其 95% 置信半宽，标出样本不足的平台，并用可播种的 64 位 LCG抖动出 30 天日净收入序列，产出 JSON + CSV + SVG。
#!/usr/bin/env python3
# file: sim/g15_data_iter.py
# tier: S
# verify: /opt/homebrew/bin/python3 sim/g15_data_iter.py --config config/ --out out/
"""多平台数据表现与迭代仿真（S 层：数值仿真 + 纯 Python SVG）。
读 config/g15_data_iter.json，把五平台发到海外后的表现摊平到一张表，并给出迭代决策依据：
netArpdauDeciFen(i) = arpdauDeciFen * publisherSharePermille // 1000
monthlyNetFen(i) = dau * netArpdauDeciFen * daysPerMonth // 10
revenueSharePermille(i) = monthlyNetFen(i) * 1000 // Σ monthlyNetFen
d7Permille(i) = d7Active * 1000 // newUsers
ci95HalfPermille(i) = 196 * isqrt(1000000 * a*(n-a) // n**3) // 100 # a=d7Active, n=newUsers
sampleOk(i) = newUsers >= minSampleNewUsers
日净收入用可播种的 64 位 LCG（带输出置换）抖动，确定性可回放：
baseDaily = monthlyNetFen // daysPerMonth
jitter = lcg(seed, i, d) % (2*vol+1) - vol # ∈ [-vol, +vol]
dailyNet = baseDaily * (1000 + jitter) // 1000
两个口径分开：总量排名按 monthlyNetFen（现收入），边际排名按 netArpdauDeciFen（增长效率）；
再给「可信样本下边际最优」，因为小样本平台的边际排名不可据此决策。
口径：全部参数是「公开可观察机制」口径的建模假设，观察时点 2026-10；真实 DAU / ARPDAU /
留存与平台后台数据需真实业务环境，命令行不可复现（X）。产出 JSON + CSV + SVG，全整数，无浮点。
"""
from __future__ import annotations
import argparse
import csv
import json
import math
import os
import xml.etree.ElementTree as ET
MASK = (1 << 64) - 1
def mix(state: int) -> int:
"""LCG 步进 + 输出置换（xorshift+乘），避免低位退化。"""
state = (state * 6364136223846793005 + 1442695040888963407) & MASK
state ^= state >> 33
state = (state * 0xFF51AFD7ED558CCD) & MASK
state ^= state >> 33
return state
def jitter(seed: int, i: int, d: int, vol: int) -> int:
s = (seed * 6364136223846793005 + (i + 1) * 1442695040888963407 + (d + 1) * 2654435761) & MASK
s = mix(s)
return s % (2 * vol + 1) - vol
def evaluate(cfg: dict) -> dict:
n = cfg["daysPerMonth"]
vol = cfg["volatilityPermille"]
rows, total = [], 0
for i, p in enumerate(cfg["platforms"]):
net = p["arpdauDeciFen"] * p["publisherSharePermille"] // 1000
monthly = p["dau"] * net * n // 10
total += monthly
a, nu = p["d7Active"], p["newUsers"]
d7 = a * 1000 // nu
var_mille = 1000000 * a * (nu - a) // (nu ** 3) if nu else 0
ci = 196 * math.isqrt(var_mille) // 100
base_daily = monthly // n
walk = sum(base_daily * (1000 + jitter(cfg["seed"], i, d, vol)) // 1000 for d in range(n))
rows.append({"id": p["id"], "name": p["name"], "dau": p["dau"],
"grossArpdauDeciFen": p["arpdauDeciFen"], "publisherSharePermille": p["publisherSharePermille"],
"netArpdauDeciFen": net, "monthlyNetFen": monthly, "d7Permille": d7,
"ci95HalfPermille": ci, "newUsers": nu, "sampleOk": nu >= cfg["minSampleNewUsers"],
"walkCumFen": walk})
for r in rows:
r["revenueSharePermille"] = r["monthlyNetFen"] * 1000 // total if total else 0
by_total = sorted(rows, key=lambda r: (-r["monthlyNetFen"], r["id"]))
by_marginal = sorted(rows, key=lambda r: (-r["netArpdauDeciFen"], r["id"]))
trusted = [r for r in by_marginal if r["sampleOk"]]
return {"rows": rows, "totalMonthlyNetFen": total,
"topTotal": by_total[0]["id"], "topMarginal": by_marginal[0]["id"],
"trustedTop": trusted[0]["id"] if trusted else None,
"untrusted": [r["id"] for r in rows if not r["sampleOk"]],
"walkTotalFen": sum(r["walkCumFen"] for r in rows)}
def draw_svg(path: str, res: dict) -> int:
"""纯 Python SVG：每平台一条月净收入横条；样本不足的平台标灰。"""
rows = res["rows"]
W, H, PAD, ROW = 800, 74 + 44 * len(rows), 210, 44
root = ET.Element("svg", {"xmlns": "http://www.w3.org/2000/svg", "width": str(W),
"height": str(H), "viewBox": f"0 0 {W} {H}"})
ET.SubElement(root, "rect", {"width": str(W), "height": str(H), "fill": "#ffffff"})
ET.SubElement(root, "text", {"x": "16", "y": "28", "font-size": "15", "fill": "#111827"}).text = (
f'《合成小岛》五平台月净收入（分）：灰=样本不足')
ET.SubElement(root, "text", {"x": "16", "y": "48", "font-size": "12", "fill": "#6b7280"}).text = (
f'总量第一 {res["topTotal"]} · 边际第一 {res["topMarginal"]} · 可信边际第一 {res["trustedTop"]}')
span, hi = W - PAD - 200, max([r["monthlyNetFen"] for r in rows] + [1])
for i, r in enumerate(rows):
y = 66 + i * ROW
ET.SubElement(root, "text", {"x": "16", "y": str(y + 20), "font-size": "12",
"fill": "#374151"}).text = r["name"]
w = span * r["monthlyNetFen"] // hi
ET.SubElement(root, "rect", {"x": str(PAD), "y": str(y + 6), "width": str(w), "height": "18",
"rx": "3", "fill": "#16a34a" if r["sampleOk"] else "#9ca3af"})
ET.SubElement(root, "text", {"x": str(PAD + w + 6), "y": str(y + 20), "font-size": "11",
"fill": "#6b7280"}).text = (
f'{r["monthlyNetFen"]} · 净ARPDAU {r["netArpdauDeciFen"]} · D7 {r["d7Permille"]}‰±{r["ci95HalfPermille"]}')
os.makedirs(os.path.dirname(path), exist_ok=True)
ET.ElementTree(root).write(path, encoding="utf-8", xml_declaration=True)
return len(ET.tostring(root))
def main() -> int:
ap = argparse.ArgumentParser()
ap.add_argument("--config", default="config/")
ap.add_argument("--out", default="out/")
a = ap.parse_args()
with open(os.path.join(a.config, "g15_data_iter.json"), encoding="utf-8") as f:
cfg = json.load(f)
res = evaluate(cfg)
digest = (f'platforms={len(res["rows"])}|total={res["totalMonthlyNetFen"]}'
f'|topTotal={res["topTotal"]}|topMarginal={res["topMarginal"]}'
f'|trustedTop={res["trustedTop"]}|untrusted={len(res["untrusted"])}'
f'|walkCum={res["walkTotalFen"]}')
os.makedirs(a.out, exist_ok=True)
svg_bytes = draw_svg(os.path.join(a.out, "g15_data_iter.svg"), res)
with open(os.path.join(a.out, "g15_data_iter.csv"), "w", encoding="utf-8", newline="") as f:
w = csv.writer(f)
cols = ("id", "name", "dau", "grossArpdauDeciFen", "publisherSharePermille",
"netArpdauDeciFen", "monthlyNetFen", "revenueSharePermille", "d7Permille",
"ci95HalfPermille", "newUsers", "sampleOk", "walkCumFen")
w.writerow(cols)
for r in res["rows"]:
w.writerow([r[k] for k in cols])
rep = {"version": cfg["version"], "game": cfg["game"], "observedAt": cfg["observedAt"],
"seed": cfg["seed"], "daysPerMonth": cfg["daysPerMonth"],
"minSampleNewUsers": cfg["minSampleNewUsers"], "volatilityPermille": cfg["volatilityPermille"],
"totalMonthlyNetFen": res["totalMonthlyNetFen"], "topTotal": res["topTotal"],
"topMarginal": res["topMarginal"], "trustedTop": res["trustedTop"],
"untrusted": res["untrusted"], "walkTotalFen": res["walkTotalFen"],
"platforms": res["rows"], "digest": digest,
"svg": os.path.join(a.out, "g15_data_iter.svg"), "svgBytes": svg_bytes}
with open(os.path.join(a.out, "g15_data_iter.json"), "w", encoding="utf-8") as f:
json.dump(rep, f, ensure_ascii=False, indent=2)
print(json.dumps({"digest": digest, "totalMonthlyNetFen": res["totalMonthlyNetFen"],
"topTotal": res["topTotal"], "topMarginal": res["topMarginal"],
"trustedTop": res["trustedTop"], "untrusted": res["untrusted"],
"walkTotalFen": res["walkTotalFen"],
"platforms": [{k: r[k] for k in ("id", "netArpdauDeciFen", "monthlyNetFen",
"revenueSharePermille", "d7Permille",
"ci95HalfPermille", "sampleOk", "walkCumFen")}
for r in res["rows"]]},
ensure_ascii=False, indent=2))
return 0
if __name__ == "__main__":
raise SystemExit(main())
在本机跑 /opt/homebrew/bin/python3 sim/g15_data_iter.py --config config/ --out out/，五平台表现是（同机相对量级，绝对数值不可移植）：
| 平台 | 净 ARPDAU | 月净收入(分) | 收入占比‰ | D7‰ | D7 95% 半宽 | 样本可信 |
|---|---|---|---|---|---|---|
| GameDistribution | 210 | 30240000 | 139 | 260 | ±7 | ✅ |
| Poki | 230 | 57960000 | 267 | 280 | ±3 | ✅ |
| CrazyGames | 260 | 46800000 | 215 | 280 | ±3 | ✅ |
| Facebook Instant Games | 378 | 58968000 | 271 | 280 | ±3 | ✅ |
| YouTube Playables | 385 | 23100000 | 106 | 330 | ±21 | ❌ |
结果对照：三个排名指向三个平台
把表读成一个决策，要同时握住三把尺子：
- 总量第一 = Facebook Instant Games：月净收入 58968000 分（约 59 万元），收入占比 271‰。它靠 700‰ 的高分成与 378 的净 ARPDAU 拿下头名。
- 边际第一 = YouTube Playables：净 ARPDAU 385 最高，但月净收入垫底（23100000，占比仅 106‰）——因为它的 DAU 只有 20000，流量还没做大。
- 可信边际第一 = Facebook Instant Games：把样本不足的平台筛掉后，边际第一换成 FB（378）。
Playables 是本节的核心陷阱：它的 D7 留存 330‰ 排第一、净 ARPDAU 385 也排第一，看起来是最该加注的平台；但它只有 1800 个新增样本（低于门槛 2000），D7 的 95% 半宽高达 ±21‰，而可信平台只有 ±3‰。指标最漂亮的平台，恰恰是最不可信的那个——它排在边际第一，是「噪音大」不是「质量高」。
所以迭代决策的正确顺序是：先用样本门槛筛掉不可信的平台，再在可信集合里按边际效率排序。结果是先加注 Facebook Instant Games：它既是总量第一，又是可信边际第一，还贴着上一节的时间线关键路径（slack 1）。Playables 的正确定位不是「忽略」，而是先攒样本——它是边际效率最高的平台，值得继续投小量测试把样本做够，再决定是否重仓。
可播种回放：日收入抖动确定性一致
日净收入那一列用了一个可播种的 64 位 LCG（带输出置换），而不是 Math.random——同样的 seed = 20261013，跑多少次都得到同一串数字。本机连跑两次，输出逐字节相同；walkCumFen 合计 216755762 分（约 216.8 万元），与静态月净收入合计 217068000 分相差约 0.14%，正是抖动幅度 volatilityPermille = 120（±12%）在 30 天里的自然涨落。
摘要行把决策的三把尺子钉了下来：
digest = platforms=5|total=217068000|topTotal=fb_instant|topMarginal=yt_playables|trustedTop=fb_instant|untrusted=1|walkCum=216755762
可播种的意义：出海数据迭代经常要「回放上周的决策」——如果收入抖动是随机数，同一个 seed 复现不了，A/B 对比就没有基准。把 seed 写进 config，任何人都能复算这条 30 天序列。
X 层：真实平台后台数据不可复现
边界必须划清。上面算的是数据模型：给定各平台参数，表现表与排名是什么。下面这些属于 X 层，需真实业务环境，命令行不可复现：
- 各平台真实的 DAU、ARPDAU 与留存（受平台用户结构、推荐算法、季节共同影响，只能上线后从后台读）；
- 各平台真实的分成比例与结算口径（不同合作档位、不同地区差异大，且平台侧可调）；
- 真实的样本量（新平台刚上线时新增极少，D7 指标方差极大——这正是本节
sampleOk门槛要拦的东西）。
工程上正确的做法是：把可复现的模型层与不可复现的后台数据分开——模型层固定「怎么算净 ARPDAU、怎么设样本门槛、怎么播种回放」这三条纪律；后台数据在接入后反标定（把平台后台实测的 DAU、ARPDAU、留存填回 config，排名立刻反映现实）。本节所有平台数字都是建模假设，不是任何平台后台的实测。
自检表
| 检查项 | 合格标准 |
|---|---|
| 口径分离 | 总量、边际、可信边际三个排名分开输出，不混成一个 |
| 样本门槛 | 低于 minSampleNewUsers 的平台标为不可信，不进可信排名 |
| 置信可算 | 给出 D7 的 95% 半宽，量化「样本越少越不可信」 |
| 可播种回放 | 日收入抖动用 config 里的 seed，同 seed 输出逐字节一致 |
| 全整数 | 净 ARPDAU 与就绪度用整数地板除，无浮点 |
| 边界清晰 | 真实 DAU / ARPDAU / 留存标 X，不写成「实测」 |
多平台数据迭代最容易被带偏的一点，是追着最漂亮的数字加注。本节把这条教训钉成一个可跑的门槛：先看样本够不够，再看效率高不高。案例到这里装配完了——组合、时间线、落地门禁、数据迭代，四段串成一条真实的出海路径。下一章进入全书收官：把这条路径装配成一份可交付的出海发行方案，并做多平台仿真验收。
阅读导航：上一节：15.2 本地化与合规落地 · 下一节：16.1 出海发行方案装配 。
继续阅读
探索更多技术文章
浏览归档，发现更多关于系统设计、工具链和工程实践的内容。