16.3 交付物与卷五衔接
本卷最后一节做两件事：把 16 章的交付物列成一张带权重的清单（D 层），再用仿真把完成态折算成整体完成度、判定是否达可交付线（S 层）——当前 930‰ 过线，缺口只剩案例复盘与附录 E；末尾交代与尚未落盘的卷五《跨平台发行与出海》之间的衔接点。
tag
数据分析
共 95 篇文章。
16.2 全链路对账与仿真验收
清单自洽不代表账算得对。本节把前 15 章的账拉到同一张台账，用共享 economy.json 复算：日毛收入、单位 ARPDAU、月净结算、CAC、LTV、月度利润各用两条独立路径算，逐条比残差与容差（S 层）；再用 TypeScript 内核逐位复算同一摘要（P 层），最后扰动关键参数看哪条账先崩（B 层）。
15.3 关键决策对照表
全卷关键决策收成一张对照表：每条决策给出候选选项与带整数权重的评价准则，用加权总分选出推荐项；配可跑的 Python 对拍脚本与可查询的 TypeScript 内核，把出价、放量、归因、聚合、变现、发行、资质、结算八条决策的「该选哪个」变成可复算、可查询的打分。
15.2 投放、结算与资质的典型失败
投放、结算与资质三类典型失败的判定清单：每条失败模式给出可观测指标、阈值与比较方向，用可跑的 Python 仿真逐条判定是否越界，量化越界幅度并按域汇总成一份体检报告，让「这次是不是踩坑了」从感觉变成一条条可对照阈值的判定；真实结算差异与审批结果一律标 X。
15.1 《合成小岛》投放与变现复盘
《合成小岛》半年投放与变现复盘：把投放花费、安装数、留存、ARPDAU、平台扣点接成一条链，逐月算出毛收入、到账净额与单月净贡献，定位唯一的负贡献月与累计转正时点；配可跑的 Python 仿真、真实的输出数字与真实平台机制的 X 层边界说明，把「这半年赚没赚」算清楚。
14.3 止损与再投入决策
止损与再投入决策把 14.1 的单位账与 14.2 的月度账合成一张组合决策表：每条渠道按 D30 ROAS 判成止损、维持或加投，加投渠道求「边际 ROAS 落到回本线」的最优放量倍数，止损渠道算省下的亏损，最后汇总净改善金额；配可跑的 Python 仿真与 TypeScript 内核跨语言对拍。
14.2 月度经营账与现金流
月度经营账把单用户账放大到一门按月运转的生意：逐月算「收入 − 变动成本 − 固定成本 = 营业利润」，再把现金按月滚一遍，给出营业利润转正月份、现金最低点与年度利润；用 Python 仿真跑满 12 个月，并用 B 基准检验转正月份对买量预算的敏感度。
14.1 单用户全链路账：CAC → ARPDAU → LTV → 回本
单用户全链路账把投放侧「买来一个用户花了多少」（CAC）与变现侧「这个用户一辈子赚回多少」（LTV）接在一起，算出每用户的贡献毛利、LTV/CAC 比与回本日；用 Python 仿真对照自然量与三个付费渠道，再用混合口径证明只看单个付费渠道会误判整盘生意，附 TypeScript 内核跨语言对拍。
12.3 税务、发票与跨境收款
税务、发票与跨境收款是《合成小岛》收入落袋的最后一道关：把待结算毛额按增值税、预提所得税、汇兑点差与手续费四道扣减算成整数，得到每条收款路线的到账净额与净额占比，并说明哪些税率、发票口径与合规结论属于不可复现、只能观察、不能当作税务意见的边界。
12.2 现金流与收入确认
现金流与收入确认的核心是「收入在赚到那天确认、现金在账期到那天到账」的时点差：把《合成小岛》每日净收入与结算账期拉成两条累计曲线，算出资金缺口峰值出现在第几天、需要垫多少营运资金，并用 B 基准检验资金缺口对账期天数的敏感度，给出每压一天账期要多垫多少现金。
12.1 平台分成与结算周期
平台分成与结算周期决定《合成小岛》每赚一块钱最终到手多少、多久到手：把毛收入拆成广告扣点、内购扣点与代扣代缴三层，算出每个平台的到账净额、综合扣点率、账期天数与平均在途资金，并用 TypeScript 内核与 Python 仿真跨语言对拍，避免只看扣点漏掉账期。
1.3 冷启动期与学习期
新广告组上线头几天成本总是虚高，跑稳又需要足够的转化样本——这就是学习期。本节把「首日溢价按整数比衰减 + 累计转化达标」写成可跑的 Python 成本曲线仿真，再用 B 基准扰动溢价假设，看学习期完成日稳不稳，判断该忍多久、何时判定跑废。
1.2 出价方式与预算分配
出价方式看起来五花八门——oCPM、CPA、ROI 各有一套话术——但把每组折算到「边际 CPA」这一把尺子上，账户预算的最优分配就退化成一道按 CPA 升序贪心填充的题。本节用可跑的 Python 仿真把 30 万分预算分给四组，再配 TypeScript 内核跨语言对拍，看钱该流向谁。
附录 D 全书公式、参数与数据集索引
《小游戏开发实战》卷三《上线、变现与长线运营》的复现与索引附录：按 16 章列出 pebble/ 下全部 config / sim / core / web 文件，写清本卷工具链的 l<章号>_ 前缀约定（与卷一 ch、卷二 e 前缀区分）、两个 python3 与 Node 26 的环境速查、六层可运行性口径（S/P/W/D/X/B）的逐层复现命令，并给出全书公式与参数索引。
8.3 从实验到决策
显著性只回答「差异是不是真的」，不回答「值不值得上」。这一节把护栏指标（ARPDAU、崩溃率）、显著性、效应量合成一张决策规则表：护栏破了一票否决，不显著继续观察，显著但变差就停，显著但效应不足则迭代，达标才 ship；给出可跑的 Python 决策脚本与一个可交互的 W 层看板。
8.2 显著性、样本量与常见陷阱
分好组之后，怎么判断两组的差异是「真的」还是「碰巧」？这一节自实现两比例 z 检验（不依赖 scipy），按基线率、最小可检测效应、显著性水平与统计功效算出每臂最小样本量，并用布朗运动模拟「每看一次 p 值」如何把假阳性率从名义 50‰ 抬到 70‰ 以上，给出可跑的 Python 仿真与同口径的 TypeScript 内核。
8.1 实验设计与分流
把「做实验」从拍脑袋变成可复现的工程：用 FNV-1a 哈希把用户确定性地分到对照与实验臂，再用带盐哈希模拟日志丢失、用样本比例失衡（SRM）检查把「分流坏了」变成可断言的数字，给出可跑的 Python 仿真、同口径的 TypeScript 内核与 5 项单元测试。
7.3 留存与付费的联合分析
把留存与付费乘在一起：按「留存档 × 付费档」切四段用户，段 ARPU = 活跃日 ×（IAA + 付费率 × ARPPU），算出混合 ARPU 39.3 分、IAA/IAP 占比 32.9%/67.0%，并用可跑的 Python 联合模型、同口径 TypeScript 内核与单文件 HTML 探索器证明「抬留存」比「抬付费率」更能撬动 ARPU。
7.2 流失预警与召回
把「流失」从事后统计变成事前预警：用可播种 LCG 合成一批带真实标签的用户，按加权特征打分、分风险档，算清精确率 84.7% / 召回率 72.2% / 提升 2.38 倍，再对高风险人群算站内推送、短信、回流礼包三条召回渠道的成本-回收-ROI，指出「ROI 最高」与「净收益最高」不是同一条渠道。
7.1 新手漏斗与 D1/D7/D30 留存
把「留存」拆成两件可算的事：首日新手漏斗（启动→加载→引导→首关→合成→离线收益→首日结算）与跨天留存曲线（D1/D7/D30 锚点整数插值）。给出可跑的 Python 漏斗仿真、同口径的 TypeScript 留存内核与 4 项单元测试，并用三档改造对照回答「改哪一步最划算」。