8.3 小语种取舍
做十个语种的钱只够做三个，哪些小语种该做、哪些该砍？本节用可跑的 Python 仿真把每个候选语言的增量 DAU、月净收益、一次性成本与 ROI 算清楚，在预算约束下贪心选出组合，再用 B 层基准扰动收益假设，暴露取舍结论的脆弱性，附本机实跑输出。
tag
数据分析
共 95 篇文章。
8.1 分语言指标口径
同一批新增事件，按语言分组后算出来的留存和付费指标常常互相矛盾。本节用可跑的 Python 仿真把分语言口径讲清楚：按什么分组、池化与简单平均为什么给出不同的数、小样本为什么会让最差的语言看起来最好，并给出可信度门槛与可复现的归集内核，附本机实跑的 JSON 摘要与产物。
4.3 多平台收入对比与配比
同一款游戏发到多个海外平台，每个平台的分成、ARPDAU、流量都不同，配比决策要回答「优先投谁」。但这个问题有两个答案：按净收入总量，大流量平台占优；按单位效率，高 ARPDAU 平台占优。本节用可跑的 Python 仿真摊平多平台收入，并用 B 层基准验证结论对收入假设的稳健性。
15.3 多平台数据表现与迭代
五平台陆续上线后，案例进入最后一段：看数据、决定往哪加注。本节用可跑的仿真把五平台表现摊平，发现一个陷阱——边际效率最高的 YouTube Playables 样本量最小、指标最不可信。迭代决策必须先用样本门槛筛掉不可信的平台，再谈加注，并给出可播种回放的日收入抖动。
14.3 品类在海外市场的差异
同一个品类在北美、日本、韩国、东南亚的表现差异有多大？本节把「相对偏好」与「绝对盘子」两个口径放在一起，用一段 Python 仿真算每个品类的最优市场、每个市场的首选品类，再用「翻转阈值」检查哪些市场的品类结论稳、哪些一碰就翻，把「同品类不同市场」从直觉变成可复算的表。
14.2 竞品拆解与本地化机会
竞品拆解不是抄，是找「竞品没做、但玩家在等」的本地化缺口。本节把同品类竞品的本地化深度按五个维度打分，再算每个语言的覆盖率与「需求 × 缺口」机会分，用一段可播种的 Python 仿真产出竞品排序与语言机会榜，并对照缺口口径与需求口径的分歧，看清小语种的两难。
13.3 海外投放 ROI 与止损
海外投放最贵的错误不是投错，而是「投错了还不肯停」。本节把五个「地区 × 渠道」投放单元放进一台可播种的日粒度仿真：学习期折损加噪声，再在同一条序列上跑「止损」与「不止损」两种策略，算出止损省下的钱；并用 B 层基准扰动阈值，暴露「该关停谁」这个结论的脆弱边界。
10.3 隐私沙盒与聚合上报
聚合上报不是干净的数据：平台会给计数加噪声、抑制小样本、并按隐私预算限制你能问多少次。本节把这三件事拆成可跑的整数机制——整数离散拉普拉斯噪声（可播种可复现）、最小计数抑制、聚合预算记账——再用 TypeScript 内核跨语言对拍，证明噪声逐位一致，并说明为什么不能拿两个查询的差值当增长。
10.2 无 IDFA 时代的归因替代
IDFA 没了，用户级归因断了，但渠道贡献仍然可估。本节给出两条不依赖设备标识的路：媒体组合模型（MMM）用精确有理数解正规方程反推各渠道边际贡献，地区增量实验（DiD）用双重差分量出广告真正多带来的安装。S 层仿真落 JSON + CSV + SVG，B 层再把噪声与观测周数扫成 20 格矩阵，告诉你 MMM 在什么条件下才还能用。
10.1 ATT、IDFA 与 SKAdNetwork
ATT 不是弹窗，是一台状态机：四种授权状态决定 IDFA 能不能用、能不能再弹、走不走聚合回传。本节把 iOS 归因链路整理成一份可机读的清单（状态 × 用途 × 回传字段 schema），用 D 层校验器把「链路决策」算出来，并用 P 层 TypeScript 内核跨语言对拍，证明 6 位转化值的位掩码编解码逐位一致。
附录 E 全书公式、参数与数据集索引
《小游戏开发实战》卷四《商业运营实战》的复现索引：按 16 章列出 pebble/ 下全部 config、sim、core、web 文件，写清本卷工具链的 o<章号>_ 前缀约定、两个 python3 与 Node 26 的环境速查、六层可运行性口径的逐层复现命令，并给出全书公式、参数与数据集索引。
9.2 联运分成与结算周期
联运分成与结算周期是渠道合作里最容易被忽略的现金流变量：渠道先按分成拿走一部分，剩下的还要等账期滞后才到账。这一节把「逐月毛流水 → 扣分成 → 按账期滞后到账」算成一条现金流，量化峰值资金占用缺口，并用账期扫描给出敏感度对照；配可跑的 Python 仿真。
6.3 填充率与展示率诊断
填充率与展示率诊断回答的是「配置都对了、收入还是上不去」：把请求到完成的五级计数换成四级通过率，按上游优先的诊断树定位唯一瓶颈，并用 B 基准逐条阈值 ±20% 扰动检验诊断对健康线的敏感度；并配可跑的 Python 诊断脚本与可落 JSON 的稳健性基准。
6.2 eCPM 分层与流量分组
eCPM 分层与流量分组解决的是同一个广告位该配几个底价：把请求按预测价值分层、把每层挂到不同网络组合，用「填充率 × eCPM」的整数期望模型为每一层选一个最优底价；配可跑的 Python 分层仿真与 TypeScript 内核跨语言逐位对拍。
4.3 三方归因与渠道数据对账
三方对账是三口径的交叉验证：归因服务商（MMP）、投放平台后台、自有后端各自报一份安装与收入，数字对不上时得判断是谁在骗你。本节用整数公式与可跑的 Python 仿真，把每个渠道的缺口千分比算出来并分类，再用 B 基准扫一遍容差阈值看结论稳不稳，配 TypeScript 内核跨语言对拍。
4.2 ATT、IDFA 与 SKAdNetwork 链路
隐私新政把移动归因切成两条路：已授权用户走 IDFA 精确归因，未授权用户只能靠 SKAdNetwork 的聚合回传。本节用整数公式与可跑的 Python 仿真，算出真实安装里有多少还能被观测到、6 位转化值把收入量化后损失多少，配 TypeScript 内核跨语言对拍，并标明真实同意率与回传阈值属不可复现的 X 层。
3.3 素材衰减与疲劳替换
素材不是上线就一直好用，跑得越久 CTR 越低。本节把疲劳写成整数幂 ctrAt(d)=baseCtr×decayNum^d//decayDen^d，用阈值反推替换日，再拿 no-replace / fixed-K / threshold 三种策略对照 CPI，并用 B 层扫描验证最优周期是否稳健。
3.2 素材测试矩阵与优胜劣汰
上一节产出的素材要小额测、按数据判谁赢。本节把「比 CTR」升级成整数双侧 z 检验：给定曝光与点击，用 d²·n1·n2·100 > 384·p̄·(1000-p̄)·(n1+n2) 判显著，再按增量把放量预算分给胜出者；配 S 层 Python 与 P 层 TypeScript 跨语言对拍。
2.3 止损线与关停规则
放量模型默认了「这个渠道值得继续加」，但现实里很多渠道从第一天就不该继续投。本节把「累计 ROAS 连续低于止损线 N 天就关停」写成一条可跑的整数规则，用 Python 仿真对照优质、平庸、劣质三种流量下规则省下多少亏损，再扫止损线×连续天数的网格并做 LTV 扰动基准，找出那条既不误杀好渠道、又不放跑坏渠道的线。
2.2 放量节奏与预算爬坡
出价方式选对了，预算还得一天一天加上去。本节把「日预算按多少比例爬坡」变成一个整数模型：超过安全步长就触发学习期重置，把有效 CPA 抬到回本线以上；用可跑的 Python 仿真对照保守、稳健、激进三种爬坡节奏，再用 TypeScript 内核跨语言对拍，算出到底该加多快。