这里是全站文章的归档入口，下面是按时间倒序排列的全部文章。若想按主题浏览，请从首页的专题分类进入。
6.3 填充率与展示率诊断
填充率与展示率诊断回答的是「配置都对了、收入还是上不去」：把请求到完成的五级计数换成四级通过率，按上游优先的诊断树定位唯一瓶颈，并用 B 基准逐条阈值 ±20% 扰动检验诊断对健康线的敏感度；并配可跑的 Python 诊断脚本与可落 JSON 的稳健性基准。
posts
文章归档
PlumePHP 全站文章的归档入口，按时间倒序汇总各专题的技术文章，并提供按主题浏览的专题分类入口。
6.2 eCPM 分层与流量分组
eCPM 分层与流量分组解决的是同一个广告位该配几个底价：把请求按预测价值分层、把每层挂到不同网络组合，用「填充率 × eCPM」的整数期望模型为每一层选一个最优底价；配可跑的 Python 分层仿真与 TypeScript 内核跨语言逐位对拍。
6.1 广告位 ID 体系与配置下发
广告位 ID 体系与配置下发是广告变现的工程底座：把远端规则表解析成当前端该用哪个广告位，用特异性打分消解冲突、用可播种 LCG 做 A/B 分桶、用兜底规则防配置缺失；配可跑的 Python 解析矩阵与 TypeScript 内核跨语言对拍。
5.3 瀑布流与竞价配置
瀑布流按顺序找填充、实时竞价让所有买家同时出价，两种撮合方式在同一批广告请求上算出来的收入并不相同。本节讲瀑布与竞价的机制差异与配置取舍，用可跑的 Python 双模式仿真、TypeScript 内核跨语言对拍与 B 层扰动基准，算清竞价相对瀑布的收入差从哪里来、又受哪些参数约束。
5.2 穿山甲、优量汇与 AdMob 的接入差异
三家主流广告网络的接入差异，决定了聚合层要写多少个适配器、每个适配器要填多少额外字段。本节把穿山甲、优量汇与 AdMob 的初始化步骤、额外字段、SDK 体积与能力位摊成一张可对照的矩阵，用可跑的 Python 评分脚本与 TypeScript 适配器内核把差异折成一个可比较的接入成本分。
5.1 聚合架构：SDK、适配器与瀑布流
广告聚合层是小游戏 IAA 收入的中枢：它把一次广告请求沿瀑布流自上而下逐层找填充，把多家网络的 SDK、适配器与配置折叠成一条可算账的链。本节讲聚合架构的三层分工，用可跑的 Python 瀑布流仿真与 TypeScript 内核跨语言对拍，算出填充率、平均 eCPM 与当日广告收入。
4.3 三方归因与渠道数据对账
三方对账是三口径的交叉验证：归因服务商（MMP）、投放平台后台、自有后端各自报一份安装与收入，数字对不上时得判断是谁在骗你。本节用整数公式与可跑的 Python 仿真，把每个渠道的缺口千分比算出来并分类，再用 B 基准扫一遍容差阈值看结论稳不稳，配 TypeScript 内核跨语言对拍。
4.2 ATT、IDFA 与 SKAdNetwork 链路
隐私新政把移动归因切成两条路：已授权用户走 IDFA 精确归因，未授权用户只能靠 SKAdNetwork 的聚合回传。本节用整数公式与可跑的 Python 仿真，算出真实安装里有多少还能被观测到、6 位转化值把收入量化后损失多少，配 TypeScript 内核跨语言对拍，并标明真实同意率与回传阈值属不可复现的 X 层。
4.1 归因窗口、点击归因与展示归因
移动归因的第一步是定义窗口：点击归因与展示归因各给多长回看期，决定同一批转化在渠道之间怎么分。本节用整数公式与可跑的 Python 仿真，把确定性触点流在 last-click、last-touch、first-click、linear 四种模型下逐一归因，配 TypeScript 内核跨语言对拍，并划清与站内 AI 特征归因（SHAP）无关的边界。
3.3 素材衰减与疲劳替换
素材不是上线就一直好用，跑得越久 CTR 越低。本节把疲劳写成整数幂 ctrAt(d)=baseCtr×decayNum^d//decayDen^d，用阈值反推替换日，再拿 no-replace / fixed-K / threshold 三种策略对照 CPI，并用 B 层扫描验证最优周期是否稳健。
3.2 素材测试矩阵与优胜劣汰
上一节产出的素材要小额测、按数据判谁赢。本节把「比 CTR」升级成整数双侧 z 检验：给定曝光与点击，用 d²·n1·n2·100 > 384·p̄·(1000-p̄)·(n1+n2) 判显著，再按增量把放量预算分给胜出者；配 S 层 Python 与 P 层 TypeScript 跨语言对拍。
3.1 素材生产线与批量产出
素材设计框架已在卷三 5 章写完，本节只做工业化产线：把钩子、场景、CTA、版式四个维度做笛卡尔积，用整数优先级裁剪到产能上限，再排出逐日交付计划；配 S 层 Python 仿真与 P 层 TypeScript 内核跨语言对拍同一份 config。
2.3 止损线与关停规则
放量模型默认了「这个渠道值得继续加」，但现实里很多渠道从第一天就不该继续投。本节把「累计 ROAS 连续低于止损线 N 天就关停」写成一条可跑的整数规则，用 Python 仿真对照优质、平庸、劣质三种流量下规则省下多少亏损，再扫止损线×连续天数的网格并做 LTV 扰动基准，找出那条既不误杀好渠道、又不放跑坏渠道的线。
2.2 放量节奏与预算爬坡
出价方式选对了，预算还得一天一天加上去。本节把「日预算按多少比例爬坡」变成一个整数模型：超过安全步长就触发学习期重置，把有效 CPA 抬到回本线以上；用可跑的 Python 仿真对照保守、稳健、激进三种爬坡节奏，再用 TypeScript 内核跨语言对拍，算出到底该加多快。
2.1 oCPM、CPA 与 ROI 出价的选择
三种出价方式不是玄学：oCPM 按曝光竞价、CPA 按安装结算、ROI 按目标回报反推成本。本节把它们折算到同一条「成本 → 回收」链，用整数公式算出每种方式的 CPI、D30 ROAS 与同预算下的绝对利润，配可跑的 Python 仿真与 TypeScript 内核跨语言对拍，回答这笔预算该用哪种出价。
16.3 交付物与卷五衔接
本卷最后一节做两件事：把 16 章的交付物列成一张带权重的清单（D 层），再用仿真把完成态折算成整体完成度、判定是否达可交付线（S 层）——当前 930‰ 过线，缺口只剩案例复盘与附录 E；末尾交代与尚未落盘的卷五《跨平台发行与出海》之间的衔接点。
16.2 全链路对账与仿真验收
清单自洽不代表账算得对。本节把前 15 章的账拉到同一张台账，用共享 economy.json 复算：日毛收入、单位 ARPDAU、月净结算、CAC、LTV、月度利润各用两条独立路径算，逐条比残差与容差（S 层）；再用 TypeScript 内核逐位复算同一摘要（P 层），最后扰动关键参数看哪条账先崩（B 层）。
16.1 装配成一份操盘手册
前 15 章各写了一份交付物，收官第一件事是把它们装订成一册操盘手册：目录、每章验收清单与配置汇总三件事缺一不可。本节给出手册的装配清单（D 层），再用一份 TypeScript 内核校验「16 章齐全、章号唯一、三要素不缺、登记的配置真实存在」，并给出一枚可跨语言对拍的清单指纹。
15.3 关键决策对照表
全卷关键决策收成一张对照表：每条决策给出候选选项与带整数权重的评价准则，用加权总分选出推荐项；配可跑的 Python 对拍脚本与可查询的 TypeScript 内核，把出价、放量、归因、聚合、变现、发行、资质、结算八条决策的「该选哪个」变成可复算、可查询的打分。
15.2 投放、结算与资质的典型失败
投放、结算与资质三类典型失败的判定清单：每条失败模式给出可观测指标、阈值与比较方向，用可跑的 Python 仿真逐条判定是否越界，量化越界幅度并按域汇总成一份体检报告，让「这次是不是踩坑了」从感觉变成一条条可对照阈值的判定；真实结算差异与审批结果一律标 X。