《Steam 游戏平台:开发与商业化》8.1 指标定义

Steamworks 后台提供的浏览量、访问、愿望单、购买与来源数据是分析商店页的原料,但同一批原始事件换一个分母就得到不同数值。本节讲浏览/访问/愿望单/购买四类指标的口径差异,以及「口径决定你优化什么」的判断链。lab 用 C++ 从同一批事件计算会话口径与用户口径的转化率,展示口径差别的量级。

8.1 指标定义

第 6、7 章讲愿望单与社区这两个「放大器」,第 8 章开始讲怎么用数据判断这些机制有没有起作用。Steamworks 后台给开发者提供一批原始读数:浏览量(页面展示)、访问(用户会话)、愿望单添加、购买,以及流量来源。这些数据的口径定义直接决定你读出来的结论——同一批原始事件,换一个分母就得到不同的数值。

本节先把指标定义讲清楚:浏览、访问、愿望单、购买各是什么,转化率的正确分母是什么,来源数据怎么拆。核心判断链是:指标口径决定你优化什么——用「访问→购买」优化页面,用「愿望单→购买」优化蓄水质量,用「来源分布」优化渠道投放,用错口径会优化错对象。

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
转化漏斗8.2 转化漏斗下节把指标串成漏斗做敏感性;本节先把每个指标的口径定清楚
数据反推决策8.3 数据反推设计定价下下节讲数据怎么反推定价;本节是数据使用的地基
发行复盘Steam 发行专题导航发行专题有「数据诊断」实操文;本节讲后台指标的定义与口径,不重复诊断流程

一句话:发行专题教你拿数据做诊断,本节先回答「后台这些数字到底是什么、换口径会差多少」。

四类核心指标与口径

后台指标可以归成四类,各自的计数对象不同:

指标计数对象口径要点
浏览页面展示次数同一用户反复刷新会重复计数,是「曝光量」不是「人数」
访问用户会话(session)会话数大于独立用户数,因为一个用户可能多次访问
愿望单添加添加动作次数关注「添加」而非「当前总数」,总数包含已经删除的
购买售出份数区分「销量」与「净收入」(见第 10 章收入分成)

最容易踩的坑是分母选择。以「访问→愿望单添加」为例:用「会话数」做分母与用「独立用户数」做分母,得到的是两个不同的转化率。lab 里用同一批示意数据算出:

  • 会话口径:4000 添加 / 25000 会话 = 16%
  • 用户口径:4000 添加 / 18000 用户 = 约 22.2%

同一个事实,因为口径不同差出近 40%。后台显示的默认指标往往取其中一种,报告时若不说清分母,「16%」和「22%」会让人得出完全不同的页面健康判断。

转化率的口径树

围绕购买,转化率可以拆成一棵口径树,每一条回答不同问题:

转化率公式回答的问题
浏览→访问(CTR)访问/浏览素材与曝光位吸不吸引点击
访问→愿望单添加/访问或添加/用户页面信息能不能把访客变成兴趣用户
愿望单→购买购买/愿望单蓄水质量与发售提醒的转化
访问→购买购买/访问页面的整体商业效率
用户→购买购买/独立用户排除重复访问噪音后的人头转化

同一条购买数据,除以会话数得 2.4%,除以用户数得约 3.3%。「访问→购买」与「用户→购买」都是合法口径,但它们指向不同的优化动作:前者偏页面体验,后者偏受众匹配。

判断链:指标口径决定你优化什么

把口径树连到决策上,得到第 8 章的第一个判断链:

  • 先定口径,再读数字:任何转化率都必须带分母。带错分母的结论会误导优化方向。
  • 不同的口径对应不同的优化对象:CTR 低优化素材与曝光位;访问→愿望单低优化商店页信息;愿望单→购买低优化蓄水质量与发售提醒。
  • 来源拆解校正总量:总量好看时先看来源——直客、发现队列、搜索、外链各自贡献多少购买。某一来源转化特别低,是受众错配而非页面失败。
  • 指标是机制的回声:第 6、7 章的机制(愿望单提醒、社区社会证明)最终都会反映在某个口径上,用对口径才能验证机制有没有生效。

数据口径与来源

  • Steamworks 后台的浏览/访问/愿望单/购买与来源数据,官方说明与口径定义在 partner.steamgames.com 的 Steamworks 文档与后台(需 Steam 账号,登录后可见);撰写时以官方当前定义为准。
  • 本节的 16%/22%、2.4%/3.3% 等数值为模型示意口径,用于展示分母差异的量级,不代表任何真实游戏的官方数据。
  • 前台可实证部分:商店页的愿望单按钮、评测展示等页面形态可在 store.steampowered.com 直接查看。

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

下面这段仿真复现「口径差异」:给出一批原始事件(浏览 500000、会话 25000、用户 18000、添加 4000、购买 600),分别按会话与用户口径计算转化率,并断言两种口径的差别量级与来源拆解自洽。它与 src/08-1-metrics-definition.cpp 逐字节一致:

// file: src/08-1-metrics-definition.cpp
// tier: L1
// verify: clang++ -std=c++20 -Wall -I. src/08-1-metrics-definition.cpp -o bin/08-1-metrics-definition && ./bin/08-1-metrics-definition
//
// 复现「指标定义」:同一批原始事件(浏览/访问/愿望单添加/购买),
// 换一个分母/口径就会得到不同的指标数值。模型对比「按访问会话」与
// 「按独立用户」两种分母下的转化率,并拆解购买来源。
// 口径一致才能比较,这是后台分析的起点。独立最小验证,非 Valve 官方模型。
#include "verify.h"

#include <cstdio>

namespace steam_repro {

struct FunnelEvents {
  int impressions;   // 浏览(展示次数)
  int sessions;      // 访问(会话)
  int users;         // 独立访问用户
  int wishlistAdds;  // 愿望单添加
  int purchases;     // 购买
};

double ctr(const FunnelEvents& e) { return double(e.sessions) / e.impressions; }
double addsPerSession(const FunnelEvents& e) { return double(e.wishlistAdds) / e.sessions; }
double addsPerUser(const FunnelEvents& e) { return double(e.wishlistAdds) / e.users; }
double wishlistToPurchase(const FunnelEvents& e) { return double(e.purchases) / e.wishlistAdds; }
double sessionToPurchase(const FunnelEvents& e) { return double(e.purchases) / e.sessions; }
double userToPurchase(const FunnelEvents& e) { return double(e.purchases) / e.users; }

struct PurchaseSource {
  int direct;
  int discovery;
  int search;
};

bool near(double a, double b, double eps = 1e-9) {
  return (a > b - eps) && (a < b + eps);
}

}  // namespace steam_repro

int main() {
  using namespace steam_repro;

  // 后台同一条购买事件,按不同来源拆解(示意口径)。
  const FunnelEvents e = {500000, 25000, 18000, 4000, 600};
  const PurchaseSource src = {300, 210, 90};

  // 浏览→访问点击率。
  CHECK(near(ctr(e), 0.05));

  // 访问→愿望单:换分母,16% 变成约 22%,差异近 40%。
  CHECK(near(addsPerSession(e), 0.16));
  CHECK(near(addsPerUser(e), 0.222222, 1e-5));
  CHECK(addsPerUser(e) > addsPerSession(e));

  // 愿望单→购买、访问→购买、用户→购买:口径不同数值不同。
  CHECK(near(wishlistToPurchase(e), 0.15));
  CHECK(near(sessionToPurchase(e), 0.024));
  CHECK(near(userToPurchase(e), 0.033333, 1e-5));
  CHECK(userToPurchase(e) > sessionToPurchase(e));

  // 口径差别的量级:用户口径比会话口径约高 39%。
  CHECK(near(addsPerUser(e) / addsPerSession(e), 1.388889, 1e-4));

  // 来源拆解:三类来源之和等于购买总数;直客占比最高。
  CHECK_EQ(src.direct + src.discovery + src.search, e.purchases);
  CHECK_EQ(src.direct * 100 / e.purchases, 50);
  CHECK_EQ(src.discovery + src.search, e.purchases - src.direct);

  std::printf("同一批数据:会话口径访问转化 %.1f%%,用户口径 %.1f%%\n",
              addsPerSession(e) * 100, addsPerUser(e) * 100);
  return lab::report("8.1 指标定义");
}

本机实测(Apple clang 16,clang++ -std=c++20 -Wall):编译通过(零警告),断言 12/12 通过。运行输出「同一批数据:会话口径访问转化 16.0%,用户口径 22.2%」。

小结

  • 后台四类核心指标(浏览/访问/愿望单/购买)计数对象不同,混用会读错结论。
  • 转化率必须带分母:会话口径与用户口径同一事实可差近 40%。
  • 口径树每一条回答不同问题,指向不同的优化动作。
  • 判断链:指标口径决定你优化什么;来源拆解用于校正总量结论。

阅读导航:上一节:7.3 社区运营与长期可见性 · 下一节:8.2 转化漏斗 。

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