《Steam 游戏平台:开发与商业化》10.1 退款率模型

Steam 的退款窗口是 2 小时/14 天:游玩越短越容易触发自动退款,长游玩玩家的退款概率骤降。本节用游玩时长分桶 × 各桶退款概率的加权和建立退款率模型,lab 复现整体退款率、可自动退款人群占比与预警线,把退款率从「事后数字」变成「可预测的结构」。

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:

  1. 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。
  2. 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
0–0.5h8%12%96 基点
0.5–1h12%8%96
1–2h15%5%75
2–4h20%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:

  1. 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。
  2. 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。
  3. 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。

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