超休闲游戏的LTV，K-factor与综合出价模型

作者：Tzwen Tzwen资文 2019-07-11

之前几篇文章大致讲了一下市场上已经比较成熟的方法论，比如说选品，比如说现金流管理，比如说素材。往期文章：

《超休闲游戏增长的十个方法论》

《超休闲游戏选品与调整思路》

《发行一款超休闲游戏需要多少钱？》

今天讨论两个没有定论的话题-

LTV和K-Factor。

计算LTV的几个难点

我们都知道，在任何一个可规模化的产品推广过程中，一定要讲求LTV>CPI。CPI非常好计算，不管是CPM，CPC，CPA投放，只要最后计算消耗/安装数就可以了。

但随着越来越多游戏开始使用广告变现，计算LTV的难度也越来越大，因为在传统的分成（Rev-share）的广告变现商业模式中，开发者无法精确的衡量每个用户带来的广告收益。

精确计算LTV可以释放巨大的势能-广告主可以“Dollar to Dollar”计算回收而不需要用留存/付费率拟合;在变现端也可以更加细致地优化流量切分与用户分组，从而提升变现效率。在实现这些优化之前，还有一些难点需要克服。

难点一：用户级LTV

当广告收入占比超过应用的50%之后，可以帮助开发者带来大量广告收入的广告大R和内购大R变得同等重要。计算一个用户完整LTV的方法如下：

LTV=Sum(每次广告展示收益)+Sum(分成后每次内购收益）

在广告网络不按照CPM竞价时，无法确认每次广告展示收益，只能用预估/平均值代替。但随着广告流量中展示竞价的比例提高，精确计算单个用户的完整生命周期价值逐渐成为可能。我们预计这种精确计算用户级LTV的能力应该会在2020年初得到初步普及。

难点二：用户分组方法和投放自动化

有了单个用户的LTV曲线，理论上就可以按照下列方程来指导投放了。

CPI=LTV-预期利润

但是实际操作中这个方程会碰到两个问题：

1.广告网络尚未支持针对每个独立用户不同的CPI出价，因此需要将用户聚类至广告网络能够支持的出价维度再统计LTV和相关出价

2.在产品上线初期快速找到能够输出稳定结果的LTV模型（观察时间*聚类方法的组合）并不容易。再者，就算有了固定使用的模型，囿于人力也没有办法完全的即时调价。

因此，现在多数广告主采用的是广告网络建议的优化维度（比如说App*GEO*OS）和广告平台的自动优化工具。但是由于大量广告主在这些维度上进行竞价，因此这些维度组合上竞争也会是最激烈的。广告主如果能围绕非主流定向维度开发出自己的竞价模型和方法论，就可以在不同的维度组合上降维打击，减小因为竞争而多付出的溢价。


难点三：LTV曲线画法

目前比较流行的画法是按照平台*国家*操作系统的维度组合，计算获取的用户的分天平均ARPU，并最终用对数函数拟合。但是，怎么样去选取维度，如何选择最优数学模型来进行拟合还没有定论。如果企业算力能够进一步的提高，其实可以通过学习去寻找适合每款游戏的最优LTV曲线画法，来辅助生成更容易执行，准确度更高，竞价能力更强的竞价策略。



难点四：非CPI出价

对于不能CPI出价的广告平台来说，广告主按照LTV曲线在确定CPC/CPM出价的难度又上了一个台阶。不仅是因为在各出价维度上的点击率难以衡量，还因为难以估计自己的展示顺位和让利空间。

真正能够按照LTV数据帮广告主最大化利润的还是广告平台，因为广告平台有着广告主所没有的信息优势；用户级别的ctr/cvr预估，用户/媒体属性的聚类，竞争对手的真实报价等等。只有广告平台才知道广告主通过让利可以获得多大的增量。我们认为，oCPA的下一个发展阶段是完全的ROAS出价-广告主在投放时只需界定3日/7日/14日/30日回收的下界，让广告平台自行探索项目利润最大化的策略。

K-Factor


1.什么是K-Factor

K-Factor原本是个流行病学词汇，衡量的是传染病的传播速度。在市场营销的语境中，K-Factor主要用来衡量某组获得的用户能够额外吸引多少”自然“的用户。

在付费推广的过程中，除了ARPU这部分直观观察的收益，付费流量还有其他溢出效益（正外部性），比如社交效益还有榜单效益。部分流量上的用户可能喜欢/容易分享（比如抖音），只要获取一定曝光就可以引起规模传播；部分流量只要略微加价就可以获得大量额外新增，帮助广告主提升榜单排行，获取额外自然量。2019年频繁冲上美国榜榜首的Saygames就有一套自己的算法，可以在每个投放维度上计算K-Factor，提高出价能力。


2.为什么出价的时候要考虑K-Factor

其实在流量竞争不激烈，广告主凭借优秀的产品就能获得远高于全网平均ECPM的时候，完全可以不考虑K-Factor,毕竟是“自然量”。

计算K-Factor的目的是“更精准的让利”-由于流量竞争十分激烈，广告主变得不得不在那些能够带来更高总回报（付费量回报+由该付费带来的自然量回报）的流量源上将可归因的正外部性内化，通过让利来保证自己的广告在优质流量上有足够的竞争力。

这种外部性内化的一个具体应用就是展示归因(View-Through Attribution)。在普通的CPI/CPC结算的投放中，那些”看过没点过，但是最后还是产生了下载“的用户按理来说属于广告主的付费投放行为产生的额外红利，广告主是不需要为之买单的。然而，由于流量竞争日益激烈，是否开启VTA已经成为广告能不能获取有竞争力ecpm的关键因素。

在CPI投放中，开启展示归因大约可以直接提升10%左右的ECPM（因为通过展示归因而被计为付费流量的安装数大概会占总安装数的10%），而这10%的提升就可以帮助广告主在竞争最激烈的$8-$20 ECPM区间拉开与竞争对手的差距，获取远大于竞争对手的展示量。反之，则会在广告上线之时就失去10%的出价能力，需要提升CPI才能弥补ECPM上的差距。

同理，如果能把社交传播或者榜单提升带来的“自然量”准确的归因到付费渠道，就可以把正外部性“内化”到带来这部分用户的收益中，获得超过竞争对手的出价能力。而那些没有办法将这部分外部性内化的广告主，虽然可以享受“自然量”带来的额外收益，但是会在长线竞争中失去市场竞争力。



3.K-Factor如何计算：

看了下坊间的说法，大致有以下几种：

有给定分享行为的算法：

K=人均分享量*分享转化率

适用于那些有接口可以追踪分享后各转化环节的推广活动，比如FB好友分享。

基础算法：

K=自然新增/前一时期的付费新增量

通用算法：

K=（总新增-基础自然新增-付费新增）/付费新增

=（自然新增-基础自然新增）/付费新增


这里需要解释的自然是“基础自然量”。基础自然量的意思是指“在没有进行任何付费推广的情况下的自然新增量“，最可行的方法是选一个国家/地区，暂停付费推广活动，每天的新增即为基础自然新增，再按各国用户人数等比推广到各个市场即可。

但是这些算法的实用性都不算高-一来休闲游戏社交属性不强，除非背靠微信小游戏等平台，不然很难对传播路径进行追踪；二来广告主不大可能为了计算K-Factor去暂停/开启某地区的投放。

3.休闲游戏的K-Factor模型

那究竟怎样才能找到适合自己的模型呢？其实我们可以这样考虑：我们在非社交渠道投放时，大多数的正外部性来源于付费量所带来的榜单提升。而榜单提升除了依靠关键词、星级、评论管理之外，还依靠安装量、留存/打开次数和使用时长等多个可以量化的指标。

因此，我们的建议是根据榜单参考的指标来搭建如下模型：

K=(1-B)*Q*f(N,R,L,S….)

其中：

B=buffer,缓冲系数；

Q=单位时间内（自然量LTV/付费量LTV）；

N=单位时间下载量；

R=单位时间留存；

L=单位时间用户时长；

S=单位时间打开次数…

可以根据商店公开的信息给模型添加新的特征。

这样搭建模型的优点是可以相对全面地将多个特征量化为对榜单位置的贡献，又不至于过分强调榜单位置对于自然量的贡献。

前述K=（自然新增/前一时期的付费新增量）

方程可以视为该模型只考虑下载量时的特例。

综合出价模型

1.综合出价模型

结合上述内容，我们可以试图总结一个出价竞争力更强的一个出价模型：

CPI=Min[LTV*(1-M)*(1+K),X]

其中：

M=Margin,利润率

K=K-Factor

X=当前转化下，获得该投放维度第一展示顺位所需要的最低CPI，由广告网络提供。

换言之，广告主在出价时的合意CPI应该是考虑K-Factor之后的CPI出价与当前转化下获得第一展示顺位所需CPI之间的较小值，这个模型可以帮助广告主在一定回收目标下获得最大安装量。

2.利润最大化出价模型

如果我们更进一步，以总利润为优化目标的话，甚至可以把利润率设定为一个浮动的函数，来确保利润最大化。

假设利润率为M时，安装量为N，

投放总利润P=LTV*M*N

则合意的M应该为

g(M,N)=M*N

有最大值时M的取值。

这个模型应用的主要难点在于：

广告主难以获取完整且实时的g(M,N)

g(M,N)不一定是连续函数（尤其是当媒体有保价需求时），而这部分信息也没有办法批量且自动化的共享给广告主。

因此，可以预见的是，这部分工作的建设主要会落在拥有更多信息的广告平台的肩上。但与此同时，只要能够建立起稳定可靠的自动出价模型，您的出价能力就已经超过市场上90%凭直觉/人力计算出价竞争对手了。


相关阅读


超休闲游戏增长的十个方法论
超休闲游戏选品与调整思路
发行一款超休闲游戏需要多少钱？
超休闲游戏的LTV，K-factor与综合出价模型
超休闲游戏崛起的商业背景


作者：Tzwen  
来源：Tzwen资文
原地址：https://mp.weixin.qq.com/s/Y1H87dAzOZtST3DL5NjTYA

参与评论