4.2 新品与流行、热销榜口径
Steam 商店有一组「榜单货架」:新品、流行、热销榜,外加「热门愿望单」等变体。它们用不同的时间窗口统计同一件事(收入或关注度),因此会选出不同的赢家。新品栏偏「近期」——谁的近期势头猛谁靠前;热销榜偏「累计」——公开口径常描述为按收入/销量滚动累计。窗口长短决定了这款游戏该「冲首发」还是「养长尾」。
机制含义有两个层次:
- 口径差异:7 天窗口与 30 天窗口在同一个时间点可能选出完全不同的第一名。发售爆款在头几天统治新品栏,但 30 天后会被慢热长尾反超。
- 位置反馈:榜单位置反过来放大曝光——上榜 → 更多曝光 → 更高销量 → 排名更稳。这个「富者愈富」的回路让榜单上的差距随时间扩大。
本节的核心判断:发售窗口的实质是榜单争夺。你要决定首日火力全开冲新品栏,还是压低预期、靠长尾进热销榜。
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 | 操作手册讲怎么准备发售;本节讲榜单窗口口径这一机制 |
| 发售节奏 | 《上线变现与长线运营》 | 讲小游戏上线节奏;本节做 Steam 榜单窗口的数值模型 |
| 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/榜单这一机制输入 |
| 商业化数值 | 《数值平衡与商业化运营》 | 讲内购数值;本卷的榜单机制不碰数值 |
一句话:别人讲发售怎么操作,本卷讲榜单的窗口口径如何决定你该冲首发还是养长尾。
榜单家族与窗口口径
商店里可见的榜单(可实证页面)大致是:
- 新品(New Releases):近期发售的游戏,排序偏「近期势头」。
- 热销(Top Sellers):按收入/销量的滚动累计口径排序,是榜单里最「存量」的一档。
- 流行(Popular):介于两者之间,偏关注度/增长势头。
- 热门愿望单(Popular Wishlist):按被加入愿望单的数量与速度排序,是发售前的「榜单」。
对开发者,榜单家族给出一个关键判断:你的游戏适合在哪个窗口口径下被看见。首发爆款型适合新品栏(近期口径),慢热长尾型适合热销榜(累计口径),发售前的愿望单冲刺适合热门愿望单榜。
窗口选赢家:7 天 vs 30 天
用三款典型游戏看窗口差异:
| 游戏 | 形态 | 第 3 天 7 天窗口 | 第 57 天 30 天窗口 | 60 天累计 |
|---|---|---|---|---|
| A 发售爆款 | 首日 800,指数衰减 | 1969(第 1) | 131(垫底) | 4291 |
| B 慢热长尾 | 线性爬升 | 48 | 2910(第 1) | 4380 |
| C 中庸 | 小尖峰 + 平盘 | — | — | 2084 |
读出两个机制事实:
- 早期看近期:发售第 3 天,7 天窗口的赢家是爆款 A;慢热 B 此时几乎看不见。
- 后期看累计:第 57 天,30 天窗口的赢家换成慢热 B;A 的日收入早已衰减到 5 上下,累计窗口里只剩尾巴。
- 长尾的总量:60 天累计,慢热 B(4380)超过爆款 A(4291)——首日爆款的价值在窗口外会衰减,长尾价值需要累计窗口才能兑现。
位置反馈与门槛断崖
榜单不只是「排名展示」,它反过来影响收入。模型上可以这样理解(量级假设):
- 头名加成:热销榜头名获得更多曝光,其当日收入额外提升(模型取 15%),且加成后的收入计入后续窗口——自我强化。
- 门槛断崖:前 10 名有 1.2 倍曝光加成、第 11 名没有。名次小升跨过门槛,曝光加成立即跳变;反之名次小降跌出门槛,加成瞬间清零。
仿真中,爆款 A 吃到早期头名加成后 60 天累计从 4291 涨到 4919;慢热 B 吃到后期头名加成后从 4380 涨到 4785。同一个 15% 加成,早吃和晚吃都能放大,但能吃到加成的时长取决于你的曲线形态。
判断链:发售窗口的榜单争夺
机制接回开发决策:
- 首日冲刺型:你的游戏若是首日爆发型,目标榜单是新品栏——发售前后几天的曝光争夺决定你能否拿到头名加成。
- 长尾养成型:若你的游戏适合口碑长尾(如肉鸽卡牌,见 3.2),目标榜单是热销榜——它需要的是持续销量而非单日尖峰。
- 愿望单冲刺:发售前冲「热门愿望单」榜,是唯一在没销量数据时就能打的榜单。
- 别押错窗口:把长尾游戏的首日预期押在新品栏,等于用最弱的窗口打最猛的竞争。
lab 会把三款游戏的 60 天曲线、窗口排名与头名加成反馈跑成可复现的数字。
数据口径与来源
- 新品栏(可实证):https://store.steampowered.com/newreleases/
- 热销榜(可实证):https://store.steampowered.com/search/?filter=topsellers
- 流行栏(可实证):https://store.steampowered.com/popular/
- 热门愿望单(可实证):https://store.steampowered.com/search/?filter=popularwishlist
- Steamworks 页面与推广文档(登录后可见):https://partner.steamgames.com/doc/store
- 本仿真中收入曲线、加成率、门槛倍率为量级假设的模型输出;榜单的精确统计窗口与权重非官方公开数值
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「日收入曲线 → 7 天/30 天窗口 → 榜单赢家 → 头名加成反馈」模型:三款游戏 60 天曲线,比较不同时刻不同窗口选出的赢家,再跑热销榜头名 15% 加成与第 10 名门槛断崖。它与 src/04-2-charts-window.cpp 逐字节一致:
// file: src/04-2-charts-window.cpp
// tier: L1
// verify: clang++ -std=c++20 -Wall -I. src/04-2-charts-window.cpp -o bin/04-2-charts-window && ./bin/04-2-charts-window
//
// 复现 Steam 商店榜单的口径差异:新品栏偏「近期」,热销榜偏「累计窗口」,
// 且榜单位置反过来放大曝光(上榜 → 更多曝光 → 更高销量)。本仿真用三款
// 游戏(发售爆款 / 慢热长尾 / 中庸)的 60 天日收入曲线,比较 7 天与 30 天
// 窗口在不同时刻选出的赢家,并仿真「热销榜头名 15% 加成」的反馈放大与
// 前 10 名门槛的断崖效应。所有数值为量级假设的模型输出,非官方口径。
// 独立最小验证,非 Valve 源码。
#include "verify.h"
#include <cmath>
#include <cstdio>
#include <string>
namespace steam_repro {
constexpr int kDays = 60;
// 三款游戏的日收入曲线(量级假设):
// A 发售爆款:首日 800 指数衰减;B 慢热长尾:随口碑线性爬升;C 中庸:小尖峰 + 平盘。
void dailyRevenue(double A[kDays], double B[kDays], double C[kDays]) {
for (int d = 1; d <= kDays; ++d) {
A[d - 1] = 800.0 * std::exp(-0.22 * static_cast<double>(d - 1)) + 4.0;
B[d - 1] = 12.0 + 2.0 * static_cast<double>(d);
C[d - 1] = 100.0 * std::exp(-0.12 * static_cast<double>(d - 1)) + 20.0;
}
}
// 窗口累计:day 为 1 起始,统计最近 w 天(不足 w 天则从第 1 天起)。
double windowSum(const double rev[kDays], int day, int w) {
double sum = 0.0;
for (int j = day - w + 1; j <= day; ++j) {
if (j >= 1) sum += rev[j - 1];
}
return sum;
}
// 在窗口口径下选出的第 1 名(返回 0=A, 1=B, 2=C)。
int winnerByWindow(const double A[kDays], const double B[kDays], const double C[kDays],
int day, int w) {
const double a = windowSum(A, day, w);
const double b = windowSum(B, day, w);
const double c = windowSum(C, day, w);
if (a >= b && a >= c) return 0;
if (b >= c) return 1;
return 2;
}
} // namespace steam_repro
int main() {
using namespace steam_repro;
double A[kDays], B[kDays], C[kDays];
dailyRevenue(A, B, C);
// 口径差异:7 天窗口早期爆款赢,30 天窗口后期慢热赢。
const double a3_7 = windowSum(A, 3, 7);
const double b3_7 = windowSum(B, 3, 7);
CHECK(a3_7 > b3_7); // 第 3 天:爆款 A 的 7 天窗口远大于 B
CHECK_EQ(winnerByWindow(A, B, C, 3, 7), 0);
const double a57_30 = windowSum(A, 57, 30);
const double b57_30 = windowSum(B, 57, 30);
CHECK(b57_30 > a57_30); // 第 57 天:30 天窗口 B 反超 A
CHECK_EQ(winnerByWindow(A, B, C, 57, 30), 1);
// 不同时刻、不同口径给出不同赢家。
const double a30_7 = windowSum(A, 30, 7);
const double b30_7 = windowSum(B, 30, 7);
CHECK(b30_7 > a30_7); // 第 30 天:7 天窗口已是 B 领先
CHECK_EQ(winnerByWindow(A, B, C, 30, 7), 1);
// 慢热游戏在后半程日均收入已远超爆款的尾巴。
CHECK(B[39] > A[39]);
CHECK(B[59] > A[59]);
// 60 天累计:慢热 B 的累计收入超过爆款 A(长尾价值)。
double sumA = 0.0, sumB = 0.0, sumC = 0.0;
for (int i = 0; i < kDays; ++i) {
sumA += A[i];
sumB += B[i];
sumC += C[i];
}
CHECK(sumB > sumA);
CHECK(sumA > sumC);
// 热销榜头名加成:三款联合跑反馈,A 早期霸榜、B 后期霸榜,加成放大累计收入。
double boostA[kDays], boostB[kDays], boostC[kDays];
for (int i = 0; i < kDays; ++i) {
boostA[i] = A[i];
boostB[i] = B[i];
boostC[i] = C[i];
}
const double bonusRate = 0.15;
for (int d = 1; d <= kDays; ++d) {
const double a = windowSum(boostA, d, 30);
const double b = windowSum(boostB, d, 30);
const double c = windowSum(boostC, d, 30);
int top = 0;
if (b > a && b > c) top = 1;
if (c > a && c > b) top = 2;
if (top == 0) boostA[d - 1] += bonusRate * A[d - 1];
if (top == 1) boostB[d - 1] += bonusRate * B[d - 1];
if (top == 2) boostC[d - 1] += bonusRate * C[d - 1];
}
double bsA = 0.0, bsB = 0.0, bsC = 0.0;
for (int i = 0; i < kDays; ++i) {
bsA += boostA[i];
bsB += boostB[i];
bsC += boostC[i];
}
CHECK(bsA > sumA); // 爆款吃到早期头名加成
CHECK(bsB > sumB); // 慢热吃到后期头名加成
CHECK(bsB - sumB > 0.0);
CHECK(bsA - sumA > 0.0);
// 门槛断崖:前 10 名有 1.2 倍曝光加成,第 11 名没有——名次小升跨线即跳变。
const double bonusTop10 = 1.2;
// 100 个竞争者得分在 0..100 均匀分布,游戏排名 = 1 + 更强的竞争者数。
const int competitors2 = 100;
auto rankByScore = [&](int score) { return 1 + competitors2 * (100 - score) / 100; };
CHECK_EQ(rankByScore(92), 9);
CHECK_EQ(rankByScore(54), 47);
CHECK(rankByScore(90) > 10); // 90 分在第 11 名,跨不进前 10
CHECK_EQ(rankByScore(91), 10); // 91 分恰好第 10 名
const double boostOutside = 1.0;
const double boostInside = bonusTop10;
CHECK(boostInside > boostOutside); // 断崖存在:名次跨线即跳变
CHECK_EQ(rankByScore(90) - rankByScore(91), 1);
std::printf("day3(7d): A=%.1f B=%.1f | day57(30d): A=%.1f B=%.1f | cum60: A=%.1f B=%.1f C=%.1f | boosted: A=%.1f B=%.1f C=%.1f\n",
a3_7, b3_7, a57_30, b57_30, sumA, sumB, sumC, bsA, bsB, bsC);
return lab::report("04-2 新品与流行、热销榜口径");
}
模型输出(同机可复现):第 3 天 7 天窗口 A=1969 对 B=48(爆款赢);第 57 天 30 天窗口 A=131 对 B=2910(慢热赢);60 天累计 A=4291、B=4380、C=2084;头名加成后 A=4919、B=4785、C=2084。早期看近期、后期看累计,加成只强化在位者。
本机实测(Apple clang 16,clang++ -std=c++20 -Wall):编译通过(零警告),断言 20/20 通过。
小结
- 榜单家族用不同时间窗口统计:新品偏近期、热销偏累计、热门愿望单偏发售前。
- 7 天与 30 天窗口在同一时刻可能选出不同赢家,慢热长尾在后期反超爆款。
- 榜单位置反馈放大曝光(头名加成),且前 10 名存在门槛断崖。
- 判断链:发售窗口 = 榜单争夺;按游戏曲线选对榜单口径,而不是一个口径打天下。
阅读导航:上一节:4.1 发现队列与个性化推荐 · 下一节:4.3 曝光分配模型 。
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。