10.1 退款率模型
退款率不是随机的,它的结构由 Steam 的退款规则决定:购买后 14 天内、游玩不超过 2 小时,可以自助退款(超过该窗口的请求进入人工审核,通过率大幅下降)。这意味着「游玩时长」几乎是退款的第一预测变量——玩得越短越容易退,玩得越长越不会退。本节的模型把退款率拆成两层:
- 买家按游玩时长分桶:0–0.5h、0.5–1h、1–2h、2–4h、4h+,各占买家的一定比例。
- 每桶一个退款概率:2 小时内的桶概率高(能自动退),2 小时以上的桶概率陡降。
整体退款率就是「分桶占比 × 桶内概率」的加权和。退款率的可预测性来自这里:只要知道玩家长什么样,就知道退款率大概在哪。
本章与站内既有内容的分工
game/publish/steam/的steam-refund-review-data-diagnosis-2024讲「退款与差评怎么复盘诊断」的操作;本节不写诊断步骤,写「退款率从何而来、怎么预测」的结构模型。- 与卷一 10.3 净收入建模划界:卷一已做「分成 + 税 + 退款 + 汇率」的净收入口径;本节只聚焦退款率本身(触发规则、分布、可预测性),退款金额对净收入的影响由 10.2 承接。
- 2 小时/14 天窗口是 Steam 官方退款政策(可实证);分桶占比与桶内概率是模型假设,需用 8 章销售数据校准。
分桶 × 概率的加权模型
以一组默认分桶为例(模型假设):
| 游玩时长桶 | 买家占比 | 桶内退款概率 | 对整体退款率的贡献 |
|---|---|---|---|
| 0–0.5h | 8% | 12% | 96 基点 |
| 0.5–1h | 12% | 8% | 96 |
| 1–2h | 15% | 5% | 75 |
| 2–4h | 20% | 2% | 40 |
| 4h+ | 45% | 1% | 45 |
整体退款率 = 96 + 96 + 75 + 40 + 45 = 352 基点 = 3.52%。三个关键读数:
- 可自动退款人群只占 35%(8+12+15,游玩 ≤ 2 小时),但这群人贡献了 267 基点(96+96+75),占整体退款的 76%——退款主要由「2 小时以内的短玩」驱动。
- 退款概率在 2 小时处断崖:0.5h 桶 12%、2h 后只剩 2%,这是官方规则直接造成的结构。
- 长游玩桶占比越高,退款率越低:若 4h+ 桶从 45% 升到 53%,退款率降到 293 基点(2.93%)。
预警线:退款率是内容匹配的信号
模型给了一条预警线(模型假设默认 5% = 500 基点):退款率超过它,说明商店页承诺与实际体验断裂——玩家「以为什么买了游戏,实际玩起来不是那回事」。这不是要你立刻退款到 0(那不可能),而是触发排查:商店页描述、首小时体验、退款窗口内的关键落差。
| 情景 | 退款率 | 预警 |
|---|---|---|
| 默认分桶 | 352 基点 | 不触发 |
| 首桶概率上调到 30% | 496 基点 | 不触发 |
| 首桶概率上调到 35% | 536 基点 | 触发 |
| 长玩桶占比上升 | 293 基点 | 不触发 |
模型参数与数据口径
- 可实证:退款规则(购买后 14 天内、游玩 ≤ 2 小时可自助退款)为 Steam 官方政策。
- 官方登录后可见:真实游玩时长分布、各桶退款概率,属 partner 后台数据,本节标注「以官方当前为准」。
- 模型假设(非官方数值):五个分桶的占比与概率、预警线 500 基点。结构(短玩驱动、2 小时断崖)由官方规则决定,具体数值需用 8 章数据校准。
可运行产物:C++ 最小验证
下面的仿真把退款率模型固化成可执行的计算:单桶贡献(基点)、整体退款率、可自动退款人群占比与贡献、预警线判定、以及游玩时长后移对退款率的影响。它与 src/steam-launch-10-1-refund-rate-model.cpp 逐字节一致:
// file: src/steam-launch-10-1-refund-rate-model.cpp
// tier: L1
// verify: clang++ -std=c++20 -Wall -I. src/steam-launch-10-1-refund-rate-model.cpp -o bin/steam-launch-10-1-refund-rate-model && ./bin/steam-launch-10-1-refund-rate-model
//
// mock:复现退款率模型——按游玩时长分桶的买家分布与各桶退款概率,
// 加权得到整体退款率;2 小时/14 天窗口决定可自动退款人群占比。
// 分布与概率均属模型假设,非官方数值;退款窗口规则为 Steam 官方政策。
#include "verify.h"
#include <cstdint>
#include <vector>
namespace steam_repro {
// 退款率模型:游玩时长分桶 × 各桶退款概率的加权和。
class MockRefundRateModel {
public:
struct Bucket {
int sharePercent; // 该桶占买家比例(模型假设)
int refundPercent; // 该桶退款概率(模型假设)
};
void load(const std::vector<Bucket>& buckets) { buckets_ = buckets; }
// 单桶对整体退款率的贡献(基点,万分之一):share×prob
int bucketContribution(const Bucket& b) const {
return b.sharePercent * b.refundPercent;
}
// 整体退款率(基点):Σ share×prob;默认表 = 352 基点 = 3.52%
int refundRateBps() const {
int sum = 0;
for (const auto& b : buckets_) sum += bucketContribution(b);
return sum;
}
// 可自动退款人群占比:游玩 ≤ 2 小时的桶合计(官方规则:2 小时内)
int eligibleSharePercent() const {
int sum = 0;
for (size_t i = 0; i < buckets_.size() && i < eligibleBuckets_; ++i) {
sum += buckets_[i].sharePercent;
}
return sum;
}
// 可自动退款桶对退款率的贡献(基点)
int eligibleRefundBps() const {
int sum = 0;
for (size_t i = 0; i < buckets_.size() && i < eligibleBuckets_; ++i) {
sum += bucketContribution(buckets_[i]);
}
return sum;
}
// 退款率预警:超过阈值(默认 500 基点 = 5%)需要排查内容/页面匹配
bool shouldFlag(int thresholdBps = 500) const { return refundRateBps() > thresholdBps; }
// 百分比口径(整数):基点 → 百分数
int bpsToPercent(int bps) const { return bps / 100; }
void setEligibleBuckets(int n) { eligibleBuckets_ = n; }
private:
std::vector<Bucket> buckets_;
int eligibleBuckets_ = 3; // 0-0.5h / 0.5-1h / 1-2h 三个桶 ≤ 2 小时
};
} // namespace steam_repro
int main() {
using namespace steam_repro;
MockRefundRateModel m;
// 默认分桶(模型假设):近 2 小时的三桶退款概率明显高于长游玩桶
m.load({{8, 12}, {12, 8}, {15, 5}, {20, 2}, {45, 1}});
// 1. 单桶贡献:8%×12% = 96 基点
CHECK(m.bucketContribution({8, 12}) == 96);
// 2. 2-4 小时桶贡献:20×2 = 40
CHECK(m.bucketContribution({20, 2}) == 40);
// 3. 整体退款率:96+96+75+40+45 = 352 基点 = 3.52%
CHECK(m.refundRateBps() == 352);
// 4. 可自动退款人群占比(≤2 小时):8+12+15 = 35%
CHECK(m.eligibleSharePercent() == 35);
// 5. 可自动退款桶的贡献:96+96+75 = 267 基点
CHECK(m.eligibleRefundBps() == 267);
// 6. 3.52% 低于 5% 预警线:不触发
CHECK(!m.shouldFlag());
// 7. 高退款情景(首桶概率上调):8×30+12×8+15×5+20×2+45×1 = 496 基点
m.load({{8, 30}, {12, 8}, {15, 5}, {20, 2}, {45, 1}});
CHECK(m.refundRateBps() == 496);
// 8. 496 仍不超 500;再上调到触发预警
CHECK(!m.shouldFlag());
m.load({{8, 35}, {12, 8}, {15, 5}, {20, 2}, {45, 1}});
CHECK(m.shouldFlag());
// 9. 游玩时长后移(长游玩桶占比上升)降低退款率:
// 5×12+10×8+12×5+20×2+53×1 = 293 基点
m.load({{5, 12}, {10, 8}, {12, 5}, {20, 2}, {53, 1}});
CHECK(m.refundRateBps() == 293);
// 10. 百分比口径:352 基点 = 3%
m.load({{8, 12}, {12, 8}, {15, 5}, {20, 2}, {45, 1}});
CHECK(m.bpsToPercent(m.refundRateBps()) == 3);
// 11. 只把 2 小时窗口放宽(前四桶可自动退款):
// 96+96+75+40 = 307 基点
m.setEligibleBuckets(4);
CHECK(m.eligibleRefundBps() == 307);
// 12. 空表退款率 0
m.load({});
CHECK(m.refundRateBps() == 0);
return lab::report("10-1 退款率模型");
}
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
- 退款率的结构由 2 小时/14 天规则决定:游玩越短越容易退,2 小时后概率断崖。
- 整体退款率 = 分桶占比 × 桶内概率的加权和;默认表下 3.52%,其中可自动退款人群(35%)贡献了 76% 的退款。
- 退款率是可预测的结构,不是随机噪声:把游玩时长分布校准好,退款率就在那里。
- 预警线(默认 5%)把退款率变成内容匹配信号——超过即排查商店页承诺与首小时体验的落差;退款金额对净收入的影响见 10.2。
阅读导航:上一节:9.3 DLC 与扩展包经济 · 下一节:10.2 退款对净收入的影响 。
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。