《Steam 游戏平台:开发与商业化》3.3 标签决定曝光与受众

标签不只是语义词汇,还是曝光渠道:每个标签页是一条频道,有浏览量、竞争数与受众纯度。本节讲标签组合如何决定曝光总量与受众构成,纯窄高效、混合走量、纯宽被低效率拖累,lab 用 C++ 仿真标签频道模型并折算期望销量。

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)4009022.5%30.1
混合(窄 + 一个宽)1,00011411.4%43.1
纯宽(Action + Indie)1,200544.5%27.7

读出三个机制事实:

  1. 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。
  2. 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。
  3. 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:

  1. 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。
  2. 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。
  3. 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

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。

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