6.3 增长预算分配
把固定日预算按最小单位拆份、逐份投给边际新增最高的渠道（贪心水填），用整数几何衰减建模边际收益递减，给出可跑的 Python 分配脚本与 B 层稳健性基准，验证水填优于平均分、且分配大头对 ±20% 参数扰动不敏感，把「一笔钱怎么分」变成一段能跑出数字的决策。
tag
数据分析
共 95 篇文章。
6.2 平台推荐与流量获取
把「平台推荐 / 搜索 / 裂变」与「买量」放进同一张漏斗口径做对照：给出可跑的 Python 对照脚本、同口径的 TypeScript 内核与单文件 HTML 原型，算清不同渠道组合下的混合 CAC 与自然量占比，并把平台推荐算法一律标注为不可复现的 X。
6.1 自然增长与裂变机制
把裂变从「社交设计」搬进「增长模型」：用一个带留存与买量注入的 DAU 递推，算清自然量占比与有效获客成本，给出可跑的 Python 仿真、同口径的 TypeScript 内核与 4 项单元测试，验证 K 越高、自然量占比越高、被摊薄的获客成本越低。
3.3 敏感性分析与收入预测
单点预测是骗人的：把 3.1/3.2 的六个假设逐个 ±20% 扰动，看谁在动结论；再用悲观/基准/乐观三档与每月 +3% 的增长推演 6 个月收入；最后用可播种 LCG 让六个假设同时偏，给出 LTV30 的 p10/p50/p90 区间。示例口径下 LTV30 中位 2.19 元、区间 1.83~2.65 元。
3.2 LTV 建模与回本周期
把 3.1 的 ARPDAU 乘上留存曲线，得到一个安装的累计 LTV；再让 LTV 曲线去撞买量成本 CPA 的水平线，交点就是回本日。给出可跑的 S 层仿真、把同一份内核搬进浏览器的 W 层计算器，示例口径下 LTV30 = 2.30 元、第 8 天回本、LTV30/CPA = 1.533×。
3.1 收入拆解与 ARPDAU 模型
把「日收入 = DAU × ARPDAU」拆成一条可追溯的整数乘法链：ARPDAU 拆成 IAA 与 IAP 两个分量，各由三个假设参数相乘得到。用一份无浮点的 config，让 Python 仿真、TypeScript 内核与浏览器原型三处消费同一份数字并逐位一致，最后给出 13,100 元/日的示例口径与三档 DAU 阶梯。
2.2 混合变现的比例与协同
内购和广告不是两条各算各的收入曲线，它们会互相侵蚀：广告看多了付费就浅，卖出去广告点又砍掉一部分曝光。本节给《合成小岛》一份把两条曲线耦合起来的 config，用一段 P 层内核算 IAA / IAP 的相互抑制与去广告点的净协同，再用一个单文件 HTML 原型把两个滑杆拖起来看比例怎么变。
16.2 全链路仿真验收
装配好的方案要整条链跑得通，才叫可交付。本节把新手漏斗、留存锚点、ARPDAU、LTV 回本与月度预测串成全链路（S 层），逐段用门禁判定、逐段真跑，产出 JSON、CSV 与漏斗图；再用一份跨语言验收内核（P 层）断言 TypeScript 与 Python 逐位一致；最后给出稳健性基准（B 层），看收入参数扰动 ±10% 时哪道硬门禁先翻红。
15.2 买量与留存的典型失败
第二节把镜头转向买量侧与留存侧：素材夸大承诺、低质网盟人群、放量过快、归因虚增、新手漏斗前段漏、D7 断崖。每个失败都拆成一个 patch，喂进第 5 章的买量 ROI 漏斗与第 7 章的留存锚点插值，跑出 CPI、ROAS、回本日与 D30 盈亏，并给出「只看 D1」「只看报表 ROAS」两种最常见的误判诊断。附这套内核的 TypeScript 版。
15.1 玩法、数值与变现的典型失败
前十四章都在讲「怎么做好」，本章反过来讲「怎么翻车」。第一节把玩法、数值、变现三类最典型的失败，各拆成一个可调参数：核心循环太短、难度断崖、离线收益通胀、成长曲线过早封顶、广告频次拉满、过早硬付费墙、定价锚点错位。下面用一段 S 层脚本把这些坏参数喂进第 1、3 章的同一套留存-变现模型，跑出塌掉的 LTV 与回本日，再给一个 W 层失败开关台，一键切换看数字怎么变。
14.3 数据表现与迭代
上线只是起点，数据从第一天起就在自然衰减。这一节把《合成小岛》上线后 12 周的三条核心指标（次日留存、7 日留存、ARPDAU）做成「每周衰减 + 迭代注入」的指数轨迹，用可播种仿真算出每次迭代的边际提升与「每投入一天的产出」，再给一个与 Python 逐位一致的迭代优先级内核，回答「下一版该先做哪件事」。
13.2 内容产能与排期
内容跑步机是长线运营的隐形天花板：玩家消耗内容的速度常常快过团队生产内容的速度。本节给出一份把编制、工时、单件成本与每周需求写成整数的产能配置，一段逐周推进库存、算出自给自足与内容债的 S 层脚本，让「这个团队每周能产出多少、够不够玩家消耗」变成能算出来的数字。
11.3 看板与告警
看板解决「该看什么」，告警解决「什么时候该被吵醒」。本节给出一份看板分区加告警规则配置，用种子化序列仿真告警：连续窗口触发、冷却去重、真阳性 / 假阳性 / 漏报判定，再跑 B 层基准看阈值浮动 10% 时触发次数会不会翻盘——把「告警定太松会漏、定太紧会吵」变成可比较的数字。
11.2 埋点规范与口径统一
同一个「活跃」，产品、运营、投放三份报表给出三个数——这就是口径不统一。本节把埋点拆成事件名、参数类型与口径字典三件套，给出一份可被程序消费的埋点规范，以及一段逐条比对的 S 层校验脚本：事件名是否已知、必填参数是否齐全、类型是否匹配、enum 取值是否合法，并交叉核对 11.1 指标树每个叶子是否都有口径。
11.1 指标树与北极星指标
把「有效活跃」定为北极星，向下拆成留存 / 变现 / 增长 / 体验四条驱动、十二条叶子指标，每条边带权重，同层权重和必须为 1000。本节给出一张可被程序消费的指标树配置、一段做一致性校验与加权回算的 S 层脚本，以及一套与 Python 逐位一致的 TS 求值内核，让「北极星现在多少分」从口号变成能跑出来的数字。
3.3 渲染性能与批处理
把「合批到底省多少」算成可对照的整数模型：一帧耗时拆成固定开销、每批状态切换成本与每精灵顶点成本三项，比较未合批/按纹理合批/图集三种策略的批次数与帧耗时，产 CSV 与纯 Python SVG，再用 B 层扫单批上限看批大小敏感性在哪里趋于平台。
14.3 内存与包体优化
把每项优化写成一对整数增量：有的降包体却升内存，有的反过来。枚举所有子集，在包体 × 内存的平面上求帕累托前沿，找出「无法同时再降两者」的那些点，再用 B 基准扰动最不确定的内存增量看前沿怎么变——显式声明这是解析模型而非真机实测，帮你在取舍曲线上选点。
14.2 帧率与卡顿定位
把一次运行拆成稳定帧与长帧两种：长帧占比极小时，平均帧耗时几乎不动，卡顿感知却直线下滑。用整数模型算出长帧频率、有效帧率与感知评分，再用 B 基准扫长帧频率，看评分在哪一档跌破软底线——全程显式声明这是解析模型而非真机实测，避免被平均值误导。
13.2 引导漏斗埋点与仿真
引导漏斗回答的是另一类问题：一万个玩家走到第几步会掉。用可播种 LCG 逐玩家逐步骤推进，每步含跳过、失败重试、直接流失三条分支，再跑两遍做对照——允许可跳过步骤跳过与强制逐步完成的最终完成率差多少，产出 JSON、CSV 与纯 Python SVG。
11.3 UI 性能与合批
把 UI 性能拆成可算的整数：元素按「纹理 + 材质」合并绘制调用，作者顺序里相邻元素键不同就打断合批；给出收益模型脚本、CSV 与 SVG，再用 B 基准扫元素数看 UI 帧占比在哪一档越过预算——同一份配置跑 Python 仿真，数字全来自本机实跑。