《Steam 游戏平台:开发与商业化》5.2 素材与文案的量化决策

胶囊图、截图、预告片、短描述、标签都能改,但改哪个最划算?本节给每个素材变量一个转化提升与制作成本,算单位成本的收入提升,在预算约束下做最优选择,lab 复现 ROI 排序与贪心选择。

5.2 素材与文案的量化决策

5.1 告诉你购买层最值得改进,本节回答改进的具体抓手:胶囊图、截图、预告片、短描述、标签,改哪个? 素材与文案变量不能凭感觉选,要给每个变量估两样东西——对购买转化率的提升(基点)与制作成本——然后算单位成本的收入提升(ROI),在预算约束下做最优选择。

本章与站内既有内容的分工

  • game/publish/steam/ 的 steam-capsule-trailer-screenshot-guide-2023、steam-capsule-without-publisher-2021、steam-store-first-screen-copy-2023、steam-store-copy-localization-2023 讲素材与文案怎么做(尺寸、构图、文案结构);steam-store-data-experimentation-2025 讲怎么小步验证改动。本节不写做法,写「变量间的量化取舍」。
  • 卷一 2.3 页面元素转化(机制位)讲页面元素对转化的机制;本节把机制换成「提升量 × 成本」的决策输入。
  • 5.1 提供漏斗基数,本节的转化提升叠加在购买层上;5.3 验证这些提升是否显著。

素材变量:转化提升与成本

以访问 5 万、购买转化率 3% 为基数,各素材变量(提升与成本均为模型假设):

变量转化提升成本(美分)销量增量收入增量(美分)ROI
短描述+0.3pp8,000150299,85037×
胶囊图+0.5pp20,000250499,75024×
标签+0.2pp10,000100199,90019×
截图+0.4pp30,000200399,80013×
预告片+1.0pp120,000500999,5008×

关键读数:

  1. 预告片提升最大但 ROI 最低:+1.0pp 换 500 份销量,但成本 1,200 美元把 ROI 拉到 8×——绝对增量诱人,单位成本不划算。
  2. 短描述 ROI 最高:+0.3pp 只花 80 美元,ROI 37×——低成本小变量常常被低估。
  3. 预算约束下做贪心选择:500 美元预算按 ROI 从高到低选(短描述 80 美元 + 胶囊图 200 美元 + 标签 100 美元),总提升 +1.0pp,销量从 1,500 到 2,000——和只做预告片效果相同,但只花 380 美元而不是 1,200 美元。

素材决策表

情形决策
预算小(<500 美元)先做短描述 + 胶囊图 + 标签,ROI 最高的组合
预算中等追加截图,视剩余预算与转化差距
预算充足且转化差距大做预告片,接受低 ROI 换绝对增量
已做过一轮用 5.3 实验验证上次提升是否显著,再决定下一轮

模型参数与数据口径

  • 各变量的转化提升与制作成本:模型假设,非官方数值;真实提升用 5.3 的 A/B 实验或 partner 后台转化数据校准(登录后可见)。
  • 收入按毛口径(单价 × 销量增量),净收入回 1.1;金额整数美分。
  • ROI = 收入增量 / 成本,是简化口径;真实还要叠加开发工时等机会成本。

可运行产物:C++ 最小验证

下面的仿真把素材决策固化成可执行的计算:改进前后销量、各变量增量与 ROI、最优 ROI 变量、预算约束下的贪心选择。它与 src/steam-launch-05-2-asset-copy-decision.cpp 逐字节一致:

// file: src/steam-launch-05-2-asset-copy-decision.cpp
// tier: L1
// verify: clang++ -std=c++20 -Wall -I. src/steam-launch-05-2-asset-copy-decision.cpp -o bin/steam-launch-05-2-asset-copy-decision && ./bin/steam-launch-05-2-asset-copy-decision
//
// mock:复现素材与文案的量化决策——每个素材/文案变量给一个「购买
// 转化率提升(基点)」与「制作成本」,算单位成本带来的收入提升
// (ROI),按 ROI 排序做预算约束下的最优选择。转化提升与成本
// 属模型假设,非官方数值;金额用整数美分。
#include "verify.h"

#include <cstdint>
#include <string>
#include <vector>

namespace steam_repro {

// 素材决策模型:变量 → 转化提升 × 销量 → ROI,预算约束下贪心选择。
class MockAssetDecision {
 public:
  struct Asset {
    std::string name;
    int liftBasisPoint;    // 购买转化率提升(1pp = 100 基点)
    int64_t costCents;     // 制作成本(美分)
  };

  void setVisits(int64_t visits) { visits_ = visits; }
  void setBaseRate(int ratePercent) { baseRatePercent_ = ratePercent; }
  void setPrice(int64_t priceCents) { priceCents_ = priceCents; }
  void load(const std::vector<Asset>& assets) { assets_ = assets; }

  // 改进前销量
  int64_t baseSales() const { return visits_ * baseRatePercent_ / 100; }

  // 应用某素材后的销量:基础转化率 ×100 + 素材提升(基点)
  int64_t salesWith(const Asset& a) const {
    const int64_t liftedBp = baseRatePercent_ * 100 + a.liftBasisPoint;
    return visits_ * liftedBp / 10000;
  }

  // 素材带来的销量增量
  int64_t liftUnits(const Asset& a) const { return salesWith(a) - baseSales(); }

  // 素材带来的收入增量(美分)
  int64_t liftRevenueCents(const Asset& a) const {
    return liftUnits(a) * priceCents_;
  }

  // ROI = 收入增量 / 成本(整数倍)
  int roi(const Asset& a) const {
    if (a.costCents <= 0) return 0;
    return static_cast<int>(liftRevenueCents(a) / a.costCents);
  }

  // ROI 最高的素材
  std::string bestAsset() const {
    if (assets_.empty()) return "";
    const Asset* best = &assets_[0];
    for (const auto& a : assets_) {
      if (roi(a) > roi(*best)) best = &a;
    }
    return best->name;
  }

  // 预算约束下按 ROI 贪心选择,返回选中的总转化提升(pp)
  int totalLiftPpUnderBudget(int64_t budgetCents) const {
    std::vector<const Asset*> sorted(assets_.size());
    for (size_t i = 0; i < assets_.size(); ++i) sorted[i] = &assets_[i];
    for (size_t i = 1; i < sorted.size(); ++i) {
      for (size_t j = i; j > 0 && roi(*sorted[j]) > roi(*sorted[j - 1]); --j) {
        const Asset* t = sorted[j];
        sorted[j] = sorted[j - 1];
        sorted[j - 1] = t;
      }
    }
    int64_t spend = 0;
    int totalBp = 0;
    for (const Asset* a : sorted) {
      if (spend + a->costCents > budgetCents) continue;
      spend += a->costCents;
      totalBp += a->liftBasisPoint;
    }
    return totalBp / 100;
  }

 private:
  int64_t visits_ = 50000;
  int baseRatePercent_ = 3;
  int64_t priceCents_ = 1999;
  std::vector<Asset> assets_;
};

}  // namespace steam_repro

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

  m.setVisits(50000);
  m.setBaseRate(3);        // 访问→购买 3%
  m.setPrice(1999);        // 单价 19.99 美元
  m.load({
      {"胶囊图", 50, 20000},     // +0.5pp,成本 200 美元
      {"截图", 40, 30000},       // +0.4pp
      {"预告片", 100, 120000},   // +1.0pp
      {"短描述", 30, 8000},      // +0.3pp
      {"标签", 20, 10000},       // +0.2pp
  });

  // 1. 改进前销量:50,000 × 3% = 1,500
  CHECK(m.baseSales() == 1500);

  // 2. 预告片把转化提到 4%:销量 2,000
  CHECK(m.salesWith({"预告片", 100, 120000}) == 2000);

  // 3. 预告片增量 500 份
  CHECK(m.liftUnits({"预告片", 100, 120000}) == 500);

  // 4. 预告片收入增量:500 × 1999 = 999,500
  CHECK(m.liftRevenueCents({"预告片", 100, 120000}) == 999500);

  // 5. ROI:短描述 299,850/8000 ≈ 37 倍
  CHECK(m.roi({"短描述", 30, 8000}) == 37);

  // 6. ROI:胶囊图 499,750/20000 ≈ 24 倍
  CHECK(m.roi({"胶囊图", 50, 20000}) == 24);

  // 7. ROI 最高的是短描述(成本低、提升可观)
  CHECK(m.bestAsset() == "短描述");

  // 8. 预算 500 美元下的贪心选择:短描述+胶囊+标签,总 +1.0pp
  CHECK(m.totalLiftPpUnderBudget(50000) == 1);

  // 9. 该选择把销量推到 2,000 份(3%+1.0pp)
  const int liftPp = m.totalLiftPpUnderBudget(50000);
  CHECK(50000 * (3 + liftPp) / 100 == 2000);

  // 10. 零访问边界:销量为 0
  m.setVisits(0);
  CHECK(m.baseSales() == 0);

  return lab::report("05-2 素材与文案的量化决策");
}

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

  • 素材决策 = 转化提升 × 销量 × 单价 vs 成本,ROI 排序决定优先级。
  • 提升大的变量不一定 ROI 高:预告片绝对增量最大但 ROI 最低。
  • 预算约束下按 ROI 贪心选择:低成本小变量的组合可媲美大制作。
  • 提升与成本为模型假设,真实值用 5.3 实验校准;收入折算回 1.1。

阅读导航:上一节:5.1 曝光到转化的漏斗模型 · 下一节:5.3 转化率实验与基准 。

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