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% | 50,000 | 95% |
| 购买 | 3% | 1,500 | 97% |
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 +1pp | 1,000,000×6%×3% | 1,800 | +300 |
| 购买率 +1pp | 50,000×4% | 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。