《Steam 游戏平台:开发与商业化》5.1 曝光到转化的漏斗模型

商店页的每一次购买都经过曝光、访问、购买三层漏斗,每一层都在损耗。本节把曝光量逐层乘转化率得销量,识别最弱层,量化提升某一层加一百分点的销量影响,lab 复现漏斗损耗与单层提升对比。

5.1 曝光到转化的漏斗模型

Steam 商店页的每一次购买都经过一条漏斗:曝光(被看到)→ 商店页访问(点进来)→ 购买(下单)。每一层都在损耗,最终销量 = 曝光 × 访问转化率 × 购买转化率。漏斗模型的价值在于诊断:哪一层最卡、提升哪一层最划算。 这也承接 3.1 的愿望单折算——曝光与访问是愿望单与购买的上游。

本章与站内既有内容的分工

  • 卷一 8.2 转化漏斗(机制位)把曝光→访问→愿望单→购买串成乘法漏斗做敏感性分析,讲瓶颈逻辑;本节聚焦商店页三层漏斗的诊断决策,并把访问→购买与 3.1 的愿望单折算、第 6 章渠道流量对接。
  • game/publish/steam/ 的 steam-store-page-review-practical-guide-2023、steam-first-store-page-positioning-2021 讲页面怎么做(操作位);steam-discovery-queue-readiness-2023 讲曝光准备。本节不写页面操作,写「各层损耗的量化与改进目标」。
  • 5.2 把「提升购买转化」继续拆成素材变量;5.3 给转化率做实验与基准。

三层漏斗与各层损耗

以曝光 100 万、访问转化率 5%、购买转化率 3% 为例(转化率均为模型假设):

层转化率量损耗
曝光—1,000,000—
访问5%50,00095%
购买3%1,50097%

最弱层是购买层(损耗 97% 大于访问层 95%)。漏斗诊断先找最弱层——因为最终销量对最弱层的改进最敏感,且最弱层卡住时,上层加曝光只是放大浪费。

单层提升的量化对比

提升不同层 +1pp 对最终销量的影响不同:

改动计算最终销量增量
访问率 +1pp1,000,000×6%×3%1,800+300
购买率 +1pp50,000×4%2,000+500

购买层 +1pp 的绝对增量(+500)大于访问层 +1pp(+300)。原因:购买层在漏斗底部,改进直接作用于已经访问的人;访问层改进要先经过购买层再打折。所以底部转化率的改进通常比顶部曝光更有性价比——前提是访问量不构成瓶颈。

漏斗诊断决策表

诊断决策
购买层损耗最大优先改页面承接:素材、文案、价格信息(5.2)
访问层损耗最大优先改曝光质量:标签、胶囊图、曝光位匹配
两层都弱先修购买层(底部杠杆大),再补访问量
目标销量差得远用漏斗反推需要的曝光/访问量,回第 6 章渠道预算

模型参数与数据口径

  • 访问/购买转化率:模型假设,非官方数值;真实值在 partner 后台可见(登录后可见,以官方当前为准)。
  • 曝光量由渠道与平台曝光位决定(第 6 章渠道 ROI、卷一 4 章曝光机制);本节把曝光当作给定输入。
  • 无金额参与本节计算;销量折算成收入时回 1.1。

可运行产物:C++ 最小验证

下面的仿真把漏斗模型固化成可执行的计算:访问数、购买数、各层损耗、最弱层判断、单层 +1pp 对比、达到目标销量所需访问率。它与 src/steam-launch-05-1-store-funnel-model.cpp 逐字节一致:

// file: src/steam-launch-05-1-store-funnel-model.cpp
// tier: L1
// verify: clang++ -std=c++20 -Wall -I. src/steam-launch-05-1-store-funnel-model.cpp -o bin/steam-launch-05-1-store-funnel-model && ./bin/steam-launch-05-1-store-funnel-model
//
// mock:复现曝光→访问→购买漏斗——曝光量逐层乘转化率得销量,识别
// 最弱层(损耗最大),量化「提升某一层 +1pp」对最终销量的影响。
// 转化率属模型假设,非官方数值;无金额参与,用整数运算。
#include "verify.h"

#include <cstdint>

namespace steam_repro {

// 商店页漏斗模型:曝光→访问→购买,诊断最弱层并模拟单层提升。
class MockFunnelModel {
 public:
  void setExposure(int64_t exposure) { exposure_ = exposure; }
  void setVisitRate(int visitPercent) { visitPercent_ = visitPercent; }
  void setPurchaseRate(int purchasePercent) { purchasePercent_ = purchasePercent; }

  // 商店页访问数 = 曝光 × 访问转化率
  int64_t visits() const { return exposure_ * visitPercent_ / 100; }

  // 购买数 = 访问数 × 购买转化率
  int64_t sales() const { return visits() * purchasePercent_ / 100; }

  // 各层损耗(未转化比例,百分数)
  int visitLossPercent() const { return 100 - visitPercent_; }
  int purchaseLossPercent() const { return 100 - purchasePercent_; }

  // 最弱层:损耗更大的那一层
  bool weakerIsPurchase() const {
    return purchaseLossPercent() >= visitLossPercent();
  }

  // 访问转化率提升 lift pp 后的购买数
  int64_t salesAfterVisitLift(int lift) const {
    return exposure_ * (visitPercent_ + lift) / 100 * purchasePercent_ / 100;
  }

  // 购买转化率提升 lift pp 后的购买数
  int64_t salesAfterPurchaseLift(int lift) const {
    return visits() * (purchasePercent_ + lift) / 100;
  }

  // 为达到目标销量,仅靠提升访问率需要的访问率(pp,向上取整)
  int visitRateNeededFor(int64_t targetSales) const {
    const int64_t neededVisits =
        (targetSales * 100 + purchasePercent_ - 1) / purchasePercent_;
    return (neededVisits * 100 + exposure_ - 1) / exposure_;
  }

 private:
  int64_t exposure_ = 1000000;
  int visitPercent_ = 5;
  int purchasePercent_ = 3;
};

}  // namespace steam_repro

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

  m.setExposure(1000000);
  m.setVisitRate(5);       // 曝光 → 访问 5%
  m.setPurchaseRate(3);    // 访问 → 购买 3%

  // 1. 访问数:1,000,000 × 5% = 50,000
  CHECK(m.visits() == 50000);

  // 2. 购买数:50,000 × 3% = 1,500
  CHECK(m.sales() == 1500);

  // 3. 访问层损耗 95%
  CHECK(m.visitLossPercent() == 95);

  // 4. 购买层损耗 97%(最弱层)
  CHECK(m.purchaseLossPercent() == 97);

  // 5. 最弱层是购买层
  CHECK(m.weakerIsPurchase());

  // 6. 访问率 +1pp:60,000 × 3% → 1,800(+300)
  CHECK(m.salesAfterVisitLift(1) == 1800);

  // 7. 购买率 +1pp:50,000 × 4% → 2,000(+500)
  CHECK(m.salesAfterPurchaseLift(1) == 2000);

  // 8. 购买层 +1pp 的绝对增量大于访问层 +1pp
  CHECK(m.salesAfterPurchaseLift(1) > m.salesAfterVisitLift(1));

  // 9. 目标 2000 份,仅靠访问率要提到 7pp
  CHECK(m.visitRateNeededFor(2000) == 7);

  // 10. 零曝光边界:销量为 0
  m.setExposure(0);
  CHECK(m.sales() == 0);

  return lab::report("05-1 曝光到转化的漏斗模型");
}

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

  • 最终销量 = 曝光 × 访问转化率 × 购买转化率;每层都在损耗。
  • 诊断先找最弱层:损耗最大的一层对最终销量最敏感。
  • 底部购买层 +1pp 的绝对增量大于顶部访问层 +1pp——底部杠杆更大。
  • 转化率为模型假设,真实值以 partner 后台为准;收入折算回 1.1。

阅读导航:上一节:4.3 捆绑与合集定价 · 下一节:5.2 素材与文案的量化决策 。

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