《Steam 游戏平台:开发与商业化》4.2 促销频率与日历决策

促销不是越多越好:每次促销的边际提升随频率衰减,频率过高还透支未来全价需求。本节扫描全年 0-4 次促销的累计收入找最优频率,并把促销排进固定节庆窗口,lab 复现第 N 次促销增量转负的边际判断。

4.2 促销频率与日历决策

4.1 回答「一次促销打多深」,本节回答「一年打几次、排在什么时候」。促销频率有一个反直觉的性质:次数越多,单次边际提升越弱——玩家对折扣疲劳,且每次促销都在透支未来全价需求(卷一 12.2)。决策模型:给每次促销一个递减的销量倍数,扫描全年累计收入,找最优频率;再把促销排进固定节庆窗口。

本章与站内既有内容的分工

  • steam-release-window-calendar-planning-2024 讲发行与促销日历的操作排期;steam-theme-sale-eligibility-prep-2023 讲促销资格准备。本节不写排期操作,写「频率与收入的边际关系」。
  • 卷一 12.2 促销季机制互动(机制位)给了「促销季收入 = 增量脉冲 − 透支损失」与保本倍数;本节把单次促销扩展成全年频率扫描。
  • 4.1 提供单次促销的深度;本节的日历输出给 14.1 长尾折扣循环做输入。

边际衰减与最优频率

Steam 季节性促销(春季、夏季、秋季、冬季)与主题促销的窗口是公开可实证的日期。假设每次促销替换一个基准周,第 k 次促销的销量倍数递减(模型假设:600%→360%→216%→130%),以每周 1500 份全价、促销 −30% 为例:

促销次数单次销量倍数单次增量(美分)全年累计收入
0——155,922,000
16.00×+9,592,500165,514,500
23.60×+4,556,100170,070,600
32.16×+1,534,260171,604,860
41.30×−270,450171,334,410

关键读数:

  1. 最优频率是 3 次:第 1、2、3 次促销增量为正,第 4 次增量转负(−270,450)——促销次数加到第 4 次,全年累计收入反而下降。
  2. 第 4 次促销在透支:1.30× 的销量倍数连保本都不到(4.1 的保本线 1.43×),还把未来全价需求提前折价卖掉了。
  3. 日历排布:3 次促销可以对应夏季、秋季、冬季三个季节性窗口,或春季/秋季/冬季;是否再排第 4 次要先看历史促销的真实增量是否还为正。

促销频率决策表

情形决策
首发年、无历史数据排 2–3 次(首发折 + 两个季节性窗口),留余量
历史促销增量稳定为正可加到 4 次,但每次都要复盘增量
某次促销增量转负停掉该档期,把窗口让给内容更新或口碑事件
促销与更新/活动联动频率照旧,但促销要配新理由(Steam销售增长与长期运营手册)

模型参数与数据口径

  • 各次促销销量倍数(600/360/216/130):模型假设,非官方数值;真实边际用历史促销数据回填(第 8 章)。
  • 季节性与主题促销窗口:可实证的公开日期(store.steampowered.com 促销页);官方报名规则以 Steamworks 文档为准(登录后可见)。
  • 金额整数美分;促销深度取 30% 来自 4.1 峰值深度。

可运行产物:C++ 最小验证

下面的仿真把促销频率模型固化成可执行的计算:折后单价、基准周收入、各次促销增量、全年累计收入、最优促销次数。它与 src/steam-launch-04-2-sale-frequency-calendar.cpp 逐字节一致:

// file: src/steam-launch-04-2-sale-frequency-calendar.cpp
// tier: L1
// verify: clang++ -std=c++20 -Wall -I. src/steam-launch-04-2-sale-frequency-calendar.cpp -o bin/steam-launch-04-2-sale-frequency-calendar && ./bin/steam-launch-04-2-sale-frequency-calendar
//
// mock:复现促销频率与日历决策——促销次数越多,单次边际提升越弱
// (折扣疲劳与需求透支),扫描全年 0-4 次促销的累计收入,找最优
// 频率;每次促销按固定节庆窗口排入日历。促销弹性属模型假设,
// 非官方数值;金额用整数美分。
#include "verify.h"

#include <cstdint>
#include <vector>

namespace steam_repro {

// 促销频率模型:单次促销替换一个基准周,按递减的销量倍数计收入。
class MockSaleCalendar {
 public:
  void setBaseline(int64_t weeklyUnits, int64_t priceCents) {
    weeklyUnits_ = weeklyUnits;
    priceCents_ = priceCents;
  }
  void setSaleDiscountPercent(int pct) { saleDiscountPct_ = pct; }
  void setWeeks(int64_t weeks) { weeks_ = weeks; }
  // 第 k 次促销的销量倍数(percent,递减:600/360/216/130)
  void setLifts(const std::vector<int>& lifts) { lifts_ = lifts; }

  // 促销折后单价
  int64_t salePriceCents() const {
    return priceCents_ * (100 - saleDiscountPct_) / 100;
  }

  // 基准周收入 = 周销量 × 全价
  int64_t baselineWeekCents() const { return weeklyUnits_ * priceCents_; }

  // 全年不促销收入 = 周数 × 基准周收入
  int64_t baselineAnnualCents() const {
    return weeks_ * baselineWeekCents();
  }

  // 第 k 次促销的收入:周销量 × 销量倍数 × 折后单价
  int64_t eventRevenueCents(size_t k) const {
    return weeklyUnits_ * lifts_[k] / 100 * salePriceCents();
  }

  // 第 k 次促销相对基准周的增量(可为负 = 透支后没换到量)
  int64_t eventIncrementCents(size_t k) const {
    return eventRevenueCents(k) - baselineWeekCents();
  }

  // 全年 N 次促销的累计收入
  int64_t annualWithEvents(int n) const {
    int64_t total = baselineAnnualCents();
    for (int i = 0; i < n; ++i) total += eventIncrementCents(i);
    return total;
  }

  // 最优促销次数:扫描 0..lifts_.size()
  int bestEventCount() const {
    int best = 0;
    int64_t bestRev = baselineAnnualCents();
    for (size_t i = 0; i <= lifts_.size(); ++i) {
      int64_t r = annualWithEvents(i);
      if (r > bestRev) {
        bestRev = r;
        best = static_cast<int>(i);
      }
    }
    return best;
  }

 private:
  int64_t weeklyUnits_ = 1500;
  int64_t priceCents_ = 1999;
  int saleDiscountPct_ = 30;
  int64_t weeks_ = 52;
  std::vector<int> lifts_ = {600, 360, 216, 130};
};

}  // namespace steam_repro

int main() {
  using namespace steam_repro;
  MockSaleCalendar m;

  // 基线:每周 1500 份全价,全年 52 周;促销 −30%(折后 1399)。
  m.setBaseline(1500, 1999);
  m.setSaleDiscountPercent(30);
  m.setWeeks(52);
  m.setLifts({600, 360, 216, 130});

  // 1. 促销折后单价:1399 美分
  CHECK(m.salePriceCents() == 1399);

  // 2. 基准周收入:1500 × 1999 = 2,998,500
  CHECK(m.baselineWeekCents() == 2998500);

  // 3. 全年不促销收入:52 × 2,998,500 = 155,922,000
  CHECK(m.baselineAnnualCents() == 155922000);

  // 4. 第 1 次促销(6 倍销量):1500×6×1399 = 12,591,000
  CHECK(m.eventRevenueCents(0) == 12591000);

  // 5. 第 1 次促销增量:12,591,000 − 2,998,500 = 9,592,500
  CHECK(m.eventIncrementCents(0) == 9592500);

  // 6. 第 4 次促销(1.30 倍)增量转负:透支后换不到量
  CHECK(m.eventIncrementCents(3) == -270450);

  // 7. 全年 3 次促销累计收入:155,922,000 + 15,682,860
  CHECK(m.annualWithEvents(3) == 171604860);

  // 8. 加到 4 次反而下降:171,334,410
  CHECK(m.annualWithEvents(4) == 171334410);

  // 9. 最优促销次数 = 3(第 4 次边际为负)
  CHECK(m.bestEventCount() == 3);

  // 10. 3 次促销的累计收入高于不促销
  CHECK(m.annualWithEvents(3) > m.baselineAnnualCents());

  return lab::report("04-2 促销频率与日历决策");
}

本机实测(Apple clang 16,clang++ -std=c++20 -Wall):编译通过(零警告),断言 10/10 通过。

小结

  • 促销频率有边际衰减:次数越多单次增量越小,第 4 次可能转负。
  • 扫描全年累计收入找最优频率:示例最优为 3 次,第 4 次反而拉低全年收入。
  • 促销窗口用公开季节性日历排布;真实边际用历史数据回填。
  • 频率决策与 4.1 深度、14.1 长尾折扣政策联动。

阅读导航:上一节:4.1 折扣深度与收入模型 · 下一节:4.3 捆绑与合集定价 。

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。

全部文章 返回首页

「books」更多文章

  1. 《大规模分布式计算深入解析》15.3 落地:从 Neo4j 到自研图引擎
  2. 《大规模分布式计算深入解析·图计算与图数据库内核》 · 目录与学习路径(45 篇)
  3. 《大规模分布式计算深入解析》15.2 十一卷主线:从切分到图