3.3 标签决定曝光与受众
3.1 讲标签是语义词汇,3.2 讲品类货架。本节把标签放到分配的视角:标签不只是描述,更是曝光渠道。一个标签页就是一条频道——每天有多少人来逛、有多少游戏在抢注意力、来逛的人里有多少真正想买这类游戏,三个参数决定你从这条频道拿到多少曝光、以及曝光里「有效受众」占多少。
机制含义:标签组合 = 受众选择 = 效率与销量的取舍。纯窄标签组合每千次曝光能转化的销量高,但总曝光量被频道大小锁死;纯宽标签组合总曝光量大,但受众被稀释、每千次曝光的销量低;混合组合居中,绝对销量最高。本节把这三个组合建成数值模型,量化这个取舍。
本章与站内既有内容的分工
| 主题 | 站内既有内容 | 本节做什么 |
|---|---|---|
| Steam 上架操作 | Steam 游戏发行专题 | 操作手册教你怎么选标签;本节把标签即频道的分配机制建成模型 |
| 独立游戏选题 | 独立游戏专题 | 讲选题经验;本节给出「标签组合 → 受众构成」的量化取舍 |
| 独立开发者商业 | 《独立开发者的商业指南》 | 讲收入财务;本节贡献曝光受众这一机制输入 |
| 小游戏出海 | 《跨平台发行与出海》 | 讲多平台流量结构;本节只做 Steam 单平台的标签频道 |
一句话:别人讲标签怎么填,本卷讲每个标签作为一条曝光频道,如何决定你的曝光总量与受众构成。
标签即频道:三个参数
把每个标签看成一个频道,三个参数决定频道价值:
- 频道浏览量:每天有多少用户浏览该标签页。Action 这类大标签的频道浏览量可能是 Roguelite 的十几倍。
- 竞争数:同时抢该标签注意力的游戏数量。大标签竞争者上百,窄标签竞争者个位数。
- in-market 比例:浏览者里真正「在购买状态」的比例。专程来逛肉鸽标签的人,大概率就是要买肉鸽;顺路刷到 Action 标签的人,大多是泛浏览。
单个频道的曝光分配在做法上表现为「频道注意力在竞争者间均分」:浏览量 ÷ 竞争者数。你的标签组合把这些频道的曝光加总,就是你的总曝光;其中 in-market 部分,就是你的核心受众曝光。
受众构成与转化
把三个组合摆在一起看(量级假设的模型参数):
| 组合 | 总曝光/天 | 核心受众曝光/天 | 受众纯度 | 期望销量/天 |
|---|---|---|---|---|
| 纯窄(肉鸽 + 卡牌构筑) | 400 | 90 | 22.5% | 30.1 |
| 混合(窄 + 一个宽) | 1,000 | 114 | 11.4% | 43.1 |
| 纯宽(Action + Indie) | 1,200 | 54 | 4.5% | 27.7 |
读出三个机制事实:
- 纯窄最「纯」也最「小」:受众纯度最高、每千次曝光销量效率最高,但总曝光被频道大小锁死。
- 纯宽「大而不纯」:总曝光最大,但核心受众曝光反而比纯窄还少——大频道的高浏览量被高竞争和低 in-market 比例抵消,绝对销量被低效率拖累。
- 混合「走量」:在窄标签之上加一个宽标签,受众纯度被稀释,但曝光量与绝对销量都上升——这是「效率换规模」的折中。
判断链:标签组合决定为谁做、怎么走量
机制接回开发决策:
- 为谁做:纯窄组合的受众就是你的核心用户,游戏内容与商店页要为他们打磨;纯宽组合吸引的泛浏览者不可能靠文案转化,别为他们写。
- 怎么走量:想要绝对销量,靠「窄标签打底 + 宽标签拉量」的混合组合;想要高转化效率,靠纯窄组合精耕。
- 每个标签都要付「稀释成本」:加一个宽标签,曝光上去了,但每千次曝光的销量掉下来——加标签不是免费的。
lab 会把这套频道模型跑成可复现的数字,并验证竞争线性(竞争者翻倍曝光减半)、in-market 线性(比例翻倍核心曝光翻倍)等基本机制。
数据口径与来源
- 标签浏览页(可实证):https://store.steampowered.com/tags/zh-cn/
- 某标签下的游戏列表与竞争规模(可实证):点击任意标签观察游戏数量
- Steamworks 标签与发现文档(登录后可见):https://partner.steamgames.com/doc/store/tags
- 本仿真中频道浏览量、in-market 比例、竞争数为量级假设,标注为模型输入,非官方数值
以上机制口径撰写时对照 Steamworks 官方文档与 store.steampowered.com 可实证页面核对;登录后可见数据以官方当前为准。
可运行产物:C++ 最小验证
下面的 lab 复现「标签组合 → 曝光量 + 受众构成 → 期望销量」的频道模型:四个标签(两个窄、两个宽)各有浏览量 / in-market 比例 / 竞争数,对纯窄、混合、纯宽三种组合计算总曝光、核心受众、受众纯度与期望销量。它与 src/03-3-tag-exposure-audience.cpp 逐字节一致:
// file: src/03-3-tag-exposure-audience.cpp
// tier: L1
// verify: clang++ -std=c++20 -Wall -I. src/03-3-tag-exposure-audience.cpp -o bin/03-3-tag-exposure-audience && ./bin/03-3-tag-exposure-audience
//
// 复现 Steam 标签对曝光与受众的分配作用:每个标签是一条「频道」,
// 频道有自己的浏览量与 in-market 比例,游戏与竞争者共享频道注意力。
// 本仿真把「标签组合 → 曝光量 + 受众构成」建成数值模型:
// 宽标签带来更大曝光量但受众构成被稀释,窄标签曝光小但受众精准;
// 折算成期望销量后,「纯窄」每千曝光效率最高、「混合」绝对销量最高、
// 「纯宽」总曝光最大但总销量被低效率拖累。独立最小验证,非 Valve 源码。
#include "verify.h"
#include <cmath>
#include <cstdio>
#include <string>
#include <vector>
namespace steam_repro {
struct Tag {
const char* name;
int channelSize; // 每日浏览该标签页的用户数(量级假设)
double inMarketCtr; // 其中真正对该主题「在购买状态」的比例(量级假设)
int competition; // 同时竞争该标签的游戏数(量级假设)
};
struct Exposure {
double impressions; // 从这些标签拿到的总曝光
double core; // 其中 in-market(核心受众)曝光
double composition; // core / impressions,受众纯度
double expectedSales; // 期望销量:核心受众高转化、泛受众低转化
};
// 曝光分配:该标签页注意力按竞争者数均分(1/competition),
// in-market 曝光 = 总曝光 × inMarketCtr。
Exposure evaluate(const std::vector<Tag>& tags, const std::vector<int>& used) {
const double convHigh = 0.30; // 核心受众转化(量级假设)
const double convLow = 0.01; // 泛浏览者转化(量级假设)
Exposure e{0.0, 0.0, 0.0, 0.0};
for (int idx : used) {
const Tag& t = tags[idx];
const double imp = static_cast<double>(t.channelSize) / static_cast<double>(t.competition);
const double core = imp * t.inMarketCtr;
e.impressions += imp;
e.core += core;
e.expectedSales += core * convHigh + (imp - core) * convLow;
}
e.composition = e.impressions > 0.0 ? e.core / e.impressions : 0.0;
return e;
}
} // namespace steam_repro
int main() {
using namespace steam_repro;
const std::vector<Tag> tags = {
{"Roguelite", 9000, 0.20, 45}, // 0 窄标签 1
{"Deckbuilding", 7000, 0.25, 35}, // 1 窄标签 2
{"Action", 180000, 0.04, 300}, // 2 宽标签 1
{"Indie", 150000, 0.05, 250}, // 3 宽标签 2
};
const Exposure pureNiche = evaluate(tags, {0, 1});
const Exposure pureBroad = evaluate(tags, {2, 3});
const Exposure mixed = evaluate(tags, {0, 1, 2}); // 窄 + 一个宽
const Exposure oneNiche = evaluate(tags, {1}); // 单窄标签
// 总曝光:纯宽 > 混合 > 纯窄(宽标签渠道大)
CHECK(pureBroad.impressions > mixed.impressions);
CHECK(mixed.impressions > pureNiche.impressions);
// 受众纯度:纯窄 > 混合 > 纯宽
CHECK(pureNiche.composition > mixed.composition);
CHECK(mixed.composition > pureBroad.composition);
// 绝对销量:混合 > 纯窄 > 纯宽(曝光量补给销量,但纯宽被低效率拖累)
CHECK(mixed.expectedSales > pureNiche.expectedSales);
CHECK(pureNiche.expectedSales > pureBroad.expectedSales);
// 核心受众量:纯窄虽曝光小,核心受众却比纯宽多
CHECK(pureNiche.core > pureBroad.core);
// 每千曝光效率:纯窄 > 混合 > 纯宽
CHECK(pureNiche.expectedSales / pureNiche.impressions >
mixed.expectedSales / mixed.impressions);
CHECK(mixed.expectedSales / mixed.impressions >
pureBroad.expectedSales / pureBroad.impressions);
// 加宽标签稀释受众纯度,但换来更大曝光与更高绝对销量
CHECK(mixed.composition < pureNiche.composition);
CHECK(mixed.impressions > pureNiche.impressions);
CHECK(mixed.expectedSales > pureNiche.expectedSales);
// 频道竞争线性:竞争者翻倍 → 该标签曝光减半(1/competition)
const double impComp35 = static_cast<double>(tags[1].channelSize) / 35.0;
const double impComp70 = static_cast<double>(tags[1].channelSize) / 70.0;
CHECK(std::fabs(impComp70 - impComp35 * 0.5) < 1e-9);
// in-market 比例线性:ctr 翻倍 → core 翻倍
const double coreBaseline = static_cast<double>(tags[1].channelSize) / 35.0 * 0.25;
const double coreDoubled = static_cast<double>(tags[1].channelSize) / 35.0 * 0.50;
CHECK(std::fabs(coreDoubled - 2.0 * coreBaseline) < 1e-9);
// 分量加和:混合游戏的曝光 = 各标签贡献之和
const double sumParts = pureNiche.impressions +
static_cast<double>(tags[2].channelSize) / static_cast<double>(tags[2].competition);
CHECK(std::fabs(mixed.impressions - sumParts) < 1e-9);
// 加第二个窄标签:核心受众与销量都增加(多样化)
CHECK(pureNiche.expectedSales > oneNiche.expectedSales);
CHECK(pureNiche.core > oneNiche.core);
std::printf("pureNiche(imp=%.1f core=%.1f comp=%.3f sales=%.1f) mixed(imp=%.1f core=%.1f comp=%.3f sales=%.1f) pureBroad(imp=%.1f core=%.1f comp=%.3f sales=%.1f)\n",
pureNiche.impressions, pureNiche.core, pureNiche.composition, pureNiche.expectedSales,
mixed.impressions, mixed.core, mixed.composition, mixed.expectedSales,
pureBroad.impressions, pureBroad.core, pureBroad.composition, pureBroad.expectedSales);
return lab::report("03-3 标签决定曝光与受众");
}
模型输出(同机可复现):纯窄组合总曝光 400、核心受众 90、纯度 22.5%、期望销量 30.1;混合组合 1,000 / 114 / 11.4% / 43.1;纯宽组合 1,200 / 54 / 4.5% / 27.7。总曝光递增,纯度递减,绝对销量在混合处最高。
本机实测(Apple clang 16,clang++ -std=c++20 -Wall):编译通过(零警告),断言 17/17 通过。
小结
- 每个标签是一条曝光频道:浏览量、竞争数、in-market 比例三参数决定频道价值。
- 纯窄组合受众最纯、每千曝光效率最高;纯宽组合总曝光最大但绝对销量最低。
- 混合组合用「效率换规模」拿到最高绝对销量。
- 判断链:标签组合 = 受众选择 = 效率与销量的取舍;每个标签都要付稀释成本。
阅读导航:上一节:3.2 品类货架与流派映射 · 下一节:4.1 发现队列与个性化推荐 。
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。