《Steam 游戏平台:开发与商业化》8.3 数据反推设计定价

漏斗数据最终要反推到两个决策上:商店页怎么改、价格怎么定。本节用需求弹性模型判断降价与商店页优化的取舍:弹性绝对值大于 1 时降价增收,小于 1 时降价减收;商店页优化是让需求曲线整体外移,通常更稳。lab 用 C++ 仿真降价 vs 页面优化的收入对比,并用网格搜索找出给定弹性下的最优价。

8.3 数据反推设计定价

第 8 章前两节讲了指标口径与漏斗敏感性,这一节把它们用到最终决策上:商店页怎么改、价格怎么定。漏斗数据告诉你瓶颈在哪(8.2),接下来要回答的是「动哪里收益最大」。定价是其中最需要数据的一环,因为降价是一把双刃剑:卖得更多,但每份赚得更少。

本节用一个需求弹性模型分析「降价 vs 优化商店页」的取舍。核心机制是需求弹性:价格变动 1% 带来的需求量变动百分比。弹性绝对值大于 1(弹性品)时降价能增收,小于 1(刚性品)时降价反而减收。商店页优化则是让需求曲线整体外移——不降单价,直接把转化抬高,通常比降价更稳。判断链是:数据反推的不是「降价多少」,而是「当前游戏属于哪种弹性、哪个杠杆最值」。

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
漏斗敏感性8.2 转化漏斗上节找瓶颈;本节把结论落到定价与页面设计
促销季机制12.2 促销季机制互动促销季在 12 章;本节是日常定价决策的弹性框架
定价折扣实操Steam 发行专题导航发行专题有「定价与折扣」实操文(区域定价、折扣节奏);本节不重复,只给弹性判断模型
收入建模10.3 净收入建模第 10 章做分成后的净收入;本节在分成前比较收入取舍

一句话:发行专题教你定多少折、怎么定区域价,本节给「该不该降价」的判断模型——用数据判断游戏是弹性品还是刚性品。

需求弹性:降价是双刃剑

买断制游戏的收入等于 单价 × 销量。降价同时影响两边:单价下降、销量上升,净效果取决于弹性。用相对量级(非官方口径)演示:

场景单价需求弹性销量(相对 20 元基数)收入
原价20—10000200000
降到 1515-0.5(刚性)约 11547约 173000(减收)
降到 1515-1.5(弹性)约 15396约 231000(增收)

同样降到 15 元,刚性品收入下降约 13%,弹性品收入上升约 15%。所以「降价促销能增收」不是普适结论,它只对弹性足够大的游戏成立。数据反推的第一步,就是用历史价格变动与销量变动估计自己的弹性。

商店页优化:让曲线外移

与降价不同,商店页优化(更好的胶囊图、预告片、描述、评测社会证明)不改变单价,而是抬高同价位的转化——相当于需求曲线整体外移。用模型表述:假设优化让转化提升 25%,那么收入直接变成 200000 × 1.25 = 250000,没有降价的单价损失。

把两者放到同一张决策表里,判断就清楚了:

决策收入(相对量级)风险
保持 20 元,优化商店页 +25%约 250000低:不损失单价,改动可回滚
降到 15 元(弹性 -1.5)约 231000中:依赖弹性估计,降价难回退
降到 15 元(弹性 -0.5)约 173000高:弹性误判直接减收

注意商店页优化的收益(250000)甚至超过了「弹性品降价」的方案(231000)。这不是说永远不要降价,而是说:在弹性数据不足时,商店页优化是更稳的第一步——它不押注弹性估计,且迭代成本低。促销季降价则是弹性确认后的放大器(见 12.2)。

判断链:数据反推设计定价

  • 先估计弹性,再谈降价:用后台的价格变动与销量数据估计弹性;弹性绝对值 < 1 时降价是负收益,促销要谨慎。
  • 商店页优化是低风险杠杆:它外移需求曲线、不牺牲单价,且在弹性未知时也有效;漏斗数据(8.2)直接指出该优化哪一环。
  • 网格搜索找最优价:给一组候选价格,用弹性模型分别算收入,找出收入最高的价位——这是「数据反推定价」的最小落地。
  • 弹性会随品类变化:策略/模拟等替代品多的品类更弹性;独特叙事的游戏更刚性。数据反推要结合品类判断,不能套通用折扣。

数据口径与来源

  • 需求弹性:无官方公布值,本节 -0.5/-1.5 为经济学通用示例参数,用于展示机制方向,不代表真实游戏;实际弹性需开发者用自己后台的价格与销量数据估计。
  • 价格与销量数据来自 Steamworks 后台(登录后可见),官方口径以 partner.steamgames.com Steamworks 文档为准;撰写时以官方当前为准。
  • 商店页转化优化的口径树见 8.1,前台的页面形态可在 store.steampowered.com 实证。

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「弹性 × 定价 × 页面优化」:用幂函数需求模型计算不同价格与弹性下的收入,对比降价与页面优化方案,并用网格搜索找出给定弹性下的最优价。它与 src/08-3-data-driven-decisions.cpp 逐字节一致:

// file: src/08-3-data-driven-decisions.cpp
// tier: L1
// verify: clang++ -std=c++20 -Wall -I. src/08-3-data-driven-decisions.cpp -o bin/08-3-data-driven-decisions && ./bin/08-3-data-driven-decisions
//
// 复现「数据反推设计定价」:用需求弹性模型判断降价 vs 优化商店页。
// 弹性绝对值大于 1 时降价能增收,小于 1 时降价反而减收;商店页优化
// 是直接提升转化(相当于需求曲线整体外移)。模型还做价格网格搜索,
// 找出给定弹性下的最优价。独立最小验证,非 Valve 官方模型。
#include "verify.h"

#include <cmath>
#include <cstdio>

namespace steam_repro {

double unitsAt(double baseUnits, double refPrice, double price, double elasticity) {
  return baseUnits * std::pow(price / refPrice, elasticity);
}

double revenueAt(double baseUnits, double refPrice, double price, double elasticity) {
  return price * unitsAt(baseUnits, refPrice, price, elasticity);
}

// 网格搜索 [lo, hi] 内收益最高的价格。
int optimalPrice(double baseUnits, double refPrice, double elasticity, int lo, int hi) {
  int best = lo;
  double bestRev = -1.0;
  for (int p = lo; p <= hi; ++p) {
    const double rev = revenueAt(baseUnits, refPrice, double(p), elasticity);
    if (rev > bestRev) {
      bestRev = rev;
      best = p;
    }
  }
  return best;
}

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;

  constexpr double kBaseUnits = 10000.0;  // 20 元档位下的基础需求
  constexpr double kRefPrice = 20.0;

  // 原价 20 的收入基准。
  CHECK(near(revenueAt(kBaseUnits, kRefPrice, 20.0, -0.5), 200000));

  // 降价到 15:刚性品(弹性 -0.5)减收,弹性品(弹性 -1.5)增收。
  CHECK(near(unitsAt(kBaseUnits, kRefPrice, 15.0, -0.5), 11547.0, 1.0));
  CHECK(revenueAt(kBaseUnits, kRefPrice, 15.0, -0.5) < 200000);
  CHECK(near(unitsAt(kBaseUnits, kRefPrice, 15.0, -1.5), 15396.1, 1.0));
  CHECK(revenueAt(kBaseUnits, kRefPrice, 15.0, -1.5) > 200000);

  // 商店页优化(+25% 转化)不降单价,收入 250000,超过弹性品降价方案。
  CHECK(250000 > revenueAt(kBaseUnits, kRefPrice, 15.0, -1.5));
  CHECK(250000 > 1.4 * revenueAt(kBaseUnits, kRefPrice, 15.0, -0.5));

  // 网格搜索:弹性品最优价在区间下限,刚性品在上限。
  CHECK_EQ(optimalPrice(kBaseUnits, kRefPrice, -1.5, 10, 30), 10);
  CHECK_EQ(optimalPrice(kBaseUnits, kRefPrice, -0.5, 10, 30), 30);

  // 单调方向:弹性品降价增收、刚性品提价增收。
  CHECK(revenueAt(kBaseUnits, kRefPrice, 18.0, -1.5) >
        revenueAt(kBaseUnits, kRefPrice, 19.0, -1.5));
  CHECK(revenueAt(kBaseUnits, kRefPrice, 25.0, -0.5) >
        revenueAt(kBaseUnits, kRefPrice, 24.0, -0.5));

  std::printf("弹性 -0.5 降到 15 元:收入 %.0f;弹性 -1.5:收入 %.0f\n",
              revenueAt(kBaseUnits, kRefPrice, 15.0, -0.5),
              revenueAt(kBaseUnits, kRefPrice, 15.0, -1.5));
  return lab::report("8.3 数据反推设计定价");
}

本机实测(Apple clang 16,clang++ -std=c++20 -Wall):编译通过(零警告),断言 11/11 通过。运行输出「弹性 -0.5 降到 15 元:收入 173205;弹性 -1.5:收入 230940」,商店页优化方案 250000 超过两者。

小结

  • 降价是双刃剑:弹性绝对值 > 1 增收,< 1 减收;数据反推第一步是估计自己的弹性。
  • 商店页优化让需求曲线整体外移、不牺牲单价,是弹性未知时更稳的杠杆。
  • 网格搜索能在给定弹性下找出收入最高的价位,是最小化的「数据反推定价」。
  • 判断链:先估弹性、再谈降价;弹性随品类变化,不能套通用折扣。

阅读导航:上一节:8.2 转化漏斗 · 下一节:9.1 账号体系与客户端 。

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