《Steam 游戏平台:开发与商业化》8.1 销售漏斗指标体系

5 章把漏斗当成一次转化,8 章要把它变成每周看的指标体系:曝光、访问、愿望单、购买、评测各段的转化率谁在掉、哪里是瓶颈。本节建立销售漏斗指标口径,lab 复现各段转化率、最薄弱环节识别与周环比告警,让「这周哪里不对」变成可复算的判断。

8.1 销售漏斗指标体系

5 章把曝光到购买当成一次性漏斗决策,本节把它升级成持续看的指标体系。买断制游戏发售后,每周都要回答三个问题:流量够不够、转化稳不稳、哪里在漏。答案是同一张漏斗表——曝光、访问、愿望单、购买、评测五层,每层算一段转化率,再找出最薄弱的一环。

曝光 → 访问 → 愿望单 → 购买 → 评测
CTR     愿望单率   商店转化率   评测率

每个率都是一个口径:CTR = 访问 / 曝光,愿望单率 = 愿望单 / 访问,商店转化率 = 购买 / 访问,评测率 = 评测 / 购买。口径定死了,周报才不会各说各话。

本章与站内既有内容的分工

  • 5.1 讲「曝光到购买的漏斗模型」决策;本节把它变成「每周看的指标口径与瓶颈识别」,是 5.1 的运营化。
  • Steam销售增长与长期运营手册.md 讲长期运营的操作;本节给长期运营提供指标骨架与异常判断。
  • 7.1 的评测数倍率影响商店转化率;8.1 的评测率是漏斗末段指标,两节口径互补。
  • 8.3 的仪表盘直接消费本节的指标口径与告警规则。

漏斗指标表与瓶颈识别

一张模型假设的周漏斗:

层数量上一段转化率读法
曝光250,000—平台曝光量
访问25,00010%(CTR)曝光→访问
愿望单3,00012%(愿望单率)访问→愿望单
购买1,5006%(商店转化率)访问→购买
评测1208%(评测率)购买→评测

关键读数:

  1. 最薄弱环节是「访问→购买」6%:四段转化率里最低。5 章素材/文案的量化决策(5.2)就是冲这一段的工具。
  2. 「愿望单率」与「商店转化率」要看合流:愿望单 12% 高于购买 6%,说明玩家愿意收藏但当下不买——他们可能在等打折或攒钱,回 3.1 的愿望单转化模型看后续兑现。
  3. 评测率 8% 不算漏斗事故,但要盯:评测数增长会抬 7.1 的评测数倍率。评测率过低(如 5% 且低于商店转化率)时,瓶颈就转移到评测段。

周环比要带阈值告警:本周访问 25,000 vs 上周 30,000,环比 −16%,超过 15% 告警阈值 → 触发。下降未必是坏事(活动结束后的回落),但必须先确认归因再定性。

决策表

场景判定行动
商店转化率最低瓶颈在访问→购买调 5.2 的素材/文案,做转化实验
访问环比跌 > 15%流量告警先看是否活动结束的自然回落,再查曝光来源
评测率 < 商店转化率瓶颈转移到评测社区引导评测(7.2),拉评测数过 7.1 阈值
愿望单率高但购买低攒着不买回 3.1 看愿望单兑现节奏,必要时促销促成交
各段转化率长期稳定漏斗健康维持节奏,把精力给 8.2 的 LTV

模型参数与数据口径

  • 周漏斗各层数量、告警阈值(15%):模型假设,非官方数值。真实数字以 Steamworks 后台为准。
  • 「访问→购买」「购买→评测」等口径是可复算的指标定义,不依赖官方数值。
  • 转化率用整数百分比;环比用 (本周−上周)/上周,与 8.3 仪表盘共用。

可运行产物:C++ 最小验证

下面的仿真把漏斗指标体系固化成可执行的计算:四段转化率、最薄弱环节识别、周环比与告警阈值判断,以及除零守卫。它与 src/steam-launch-08-1-sales-funnel-metrics.cpp 逐字节一致:

// file: src/steam-launch-08-1-sales-funnel-metrics.cpp
// tier: L1
// verify: clang++ -std=c++20 -Wall -I. src/steam-launch-08-1-sales-funnel-metrics.cpp -o bin/steam-launch-08-1-sales-funnel-metrics && ./bin/steam-launch-08-1-sales-funnel-metrics
//
// mock:复现销售漏斗指标体系——曝光/访问/愿望单/购买/评测各段转化率、
// 最薄弱环节识别,以及周环比变化与告警阈值判断。
// 漏斗数字属模型假设,非官方数值。
#include "verify.h"

#include <cstdint>
#include <string>

namespace steam_repro {

// 销售漏斗模型:各段转化率、瓶颈识别与周报告警。
class MockFunnelMetrics {
 public:
  struct Funnel {
    int64_t impressions;
    int64_t visits;
    int64_t wishlistAdds;
    int64_t purchases;
    int64_t reviews;
  };

  // 通用占比(%);基数为 0 → −1 未定义
  int64_t pct(int64_t part, int64_t whole) const {
    if (whole <= 0) return -1;
    return part * 100 / whole;
  }

  // 各段转化率
  int64_t ctrPct(const Funnel& f) const { return pct(f.visits, f.impressions); }
  int64_t wishlistRatePct(const Funnel& f) const {
    return pct(f.wishlistAdds, f.visits);
  }
  int64_t storeConvPct(const Funnel& f) const {
    return pct(f.purchases, f.visits);
  }
  int64_t reviewRatePct(const Funnel& f) const {
    return pct(f.reviews, f.purchases);
  }

  // 最薄弱环节:四段转化率最低者
  std::string bottleneck(const Funnel& f) const {
    const char* names[] = {"曝光→访问", "访问→愿望单", "访问→购买", "购买→评测"};
    int64_t vals[] = {ctrPct(f), wishlistRatePct(f), storeConvPct(f),
                      reviewRatePct(f)};
    int best = 0;
    for (int i = 1; i < 4; ++i) {
      if (vals[i] >= 0 && (vals[best] < 0 || vals[i] < vals[best])) best = i;
    }
    return names[best];
  }

  // 周环比变化:(cur−prev)×100/prev;prev 为 0 → −999 未定义
  int weekChangePct(int64_t cur, int64_t prev) const {
    if (prev <= 0) return -999;
    return static_cast<int>((cur - prev) * 100 / prev);
  }

  // 告警:负向变化超过阈值
  bool shouldAlert(int changePct, int thresholdPct) const {
    return changePct <= -thresholdPct;
  }
};

}  // namespace steam_repro

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

  // 周漏斗(模型假设):曝光 25 万、访问 2.5 万、愿望单 3,000、购买 1,500、评测 120
  MockFunnelMetrics::Funnel f{250000, 25000, 3000, 1500, 120};

  // 1-4. 各段转化率
  CHECK(m.ctrPct(f) == 10);
  CHECK(m.wishlistRatePct(f) == 12);
  CHECK(m.storeConvPct(f) == 6);
  CHECK(m.reviewRatePct(f) == 8);

  // 5. 最薄弱环节:访问→购买 6% 最低
  CHECK(m.bottleneck(f) == "访问→购买");

  // 6-8. 周环比:访问 30,000→25,000 为 −16%,触发 15% 告警阈值
  CHECK(m.weekChangePct(25000, 30000) == -16);
  CHECK(m.shouldAlert(-16, 15) == true);
  CHECK(m.shouldAlert(-10, 15) == false);

  // 9-11. 不同漏斗形态:曝光 5 万/访问 1 万 → CTR 20%;购买 800 → 转化 8%
  MockFunnelMetrics::Funnel g{50000, 10000, 1500, 800, 40};
  CHECK(m.ctrPct(g) == 20);
  CHECK(m.storeConvPct(g) == 8);
  CHECK(m.reviewRatePct(g) == 5);

  // 12. 评测 40/购买 800:评测率 5%,低于转化 8%,瓶颈转移到评测段
  CHECK(m.bottleneck(g) == "购买→评测");

  // 13. 除零守卫:曝光为 0 → 未定义
  MockFunnelMetrics::Funnel z{0, 0, 0, 0, 0};
  CHECK(m.ctrPct(z) == -1);

  return lab::report("08-1 销售漏斗指标体系");
}

本机实测(Apple clang 16,clang++ -std=c++20 -Wall):编译通过(零警告),断言 13/13 通过。

小结

  • 漏斗指标口径:CTR、愿望单率、商店转化率、评测率,每段 = 后层/前层。
  • 瓶颈 = 四段转化率最低者;评测率跌破商店转化率时瓶颈转移到评测段。
  • 周环比带阈值告警,先确认归因再定性。
  • 各层数字为模型假设,口径定义可复算,真实值以官方后台为准。

阅读导航:上一节:7.3 节庆与活动决策 · 下一节:8.2 买断制 LTV 与单位经济 。

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