買量江湖：剛入行的最佳化師必學的資料分析指標有哪些？（遊戲篇）

出品 | 買量江湖 作者 | 一二 架構師 | 海風

大家好，我是一二。

近期，我經常會在一些社群碰到許多最佳化師新人問一些最佳化思路、基礎概念方面的問題，尤其是一些基礎性的資料指標、及這些指標之間的關係，如何根據這些指標決定最佳化方向，解釋起來比較繁瑣，就想對這些基礎性的指標做個簡單的梳理。

因為最佳化師們都有個常識性的思路，分析問題層面由大到小，即產品、渠道、賬戶、計劃、素材、落地頁等，具體執行層面則由小到大；所以具體指標的，也就需要從比較基礎的層面確定。

在廣告層面，最佳化師們經常會遇到一些問題，諸如沒曝光、成本高、不起量、回收低等等，其實從這些問題中就可以具體確定對廣告進行分析的資料指標，這裡可以具體分為兩個方面，一是廣告層面，二是素材層面。

一、廣告層級資料指標

1。

1.1 廣告層級關鍵資料指標有哪些呢？

其實從甲方乙方對最佳化師KPI考核中可以知道，乙方考核KPI關鍵指標主要就是消耗，當然客戶會有量級、成本、ROI（Return on Investment 投入產出比）上的要求。

甲方主要考核指標就是ROI和成本，同時兼具量級要求，其實從這裡可以得出，廣告層級最關鍵的資料指標就是ROI、成本和回收。

1.2 ROI=回收/成本

什麼是成本？根據買量方式不一樣，一般來說可以通俗理解為CAC （Client Acquisition Cost 獲客成本），即啟用成本、創角成本、註冊成本等，和付費成本，這兩個成本基本決定了一條廣告的模型情況。

其次就是回收，所謂回收就是導進的量帶來的收益，在IAP（In App Purchase 應用內購）型別遊戲中表現為道具內購、付費充值等。

有了成本和回收，就可以具體計算出，一款產品在買量階段某個具體時間節點的收益情況，以公式表現，即ROI=回收/消耗。

以此公式展開，就可以得到其他幾個關鍵的指標，即ROI=回收/消耗=ARPPU/付費成本=LTV/成本。

因此，最佳化ROI，可以從回收、成本、ARRPU、付費成本、LTV等方向去進行，各個方向又可以繼續往下拆解，從而得到最佳化思路，但本文僅講資料指標，不在最佳化思路方向展開。

2.

以上確定了幾個關鍵指標，消耗、回收、LTV、成本、ARPPU、付費成本。

消耗與回收容易理解，上文也有簡單提到，這裡會結合投放過程常見問題深度。

分析下，會延伸到廣告投放邏輯中幾個重要指標，ECPM、CTR、CVR；

LTV其實和產品增長模型聯絡緊密；

付費相關的有幾個資料，arpu與arppu與付費率等。

2.1 ECPM與消耗

首先，我們知道，只有廣告曝光出去，才會產生計費，才會有消耗，那麼什麼會影響到廣告曝光呢？

一條廣告送到使用者面前，會經過定向、流控、使用者體驗過濾、模型預估、ECPM排隊、內容混排，其中最關鍵的就是ECPM（effective cost per mile 有效的千次展示成本）值。

同賽道的廣告，預估ECPM越高，理論上越容易獲得曝光，因為

ECPM

高意味著媒體能從該條廣告獲得的收益越高，媒體更傾向於它給更多曝光，廣告競爭力強，排名自然就越高。

但在實際投放過程中，廣告曝光會和產品目標使用者群體、廣告定向人群覆蓋範圍、廣告創意質量以及探索成本等相關，ECPM高，獲得定向人群中的優質曝光越多，但如果系統探索不到更高價值的使用者，往往會造成空耗

。

同時，ECPM高也意味著，同樣是千次展示廣告主付出的成本就越高，抓取到的使用者註冊成本也會很高，產品是否能承受高成本也是需要考慮的。

而ECPM=Bid*ECTR*ECVR*素材質量度*1000，因此廣告消耗得出去與否，消耗得快慢，就直接和出價、預估CVR、預估CTR相關

。

預估CVR、預估CTR是直接和廣告模型接收到的資料樣本，或者說資料積累有關的，樣本大致分為三類，使用者特徵、廣告特徵、上下文特徵，即廣告系統資料積累、賬戶資料積累、歷史廣告資料積累。

2.2 LTV與註冊成本

LTV（life time value））即使用者生命週期價值，是玩家從進入遊戲到流失所產生的全部收益的總和。

基於此定義可以看出，LTV在週期內是呈增長趨勢的，因此也可以由此計算出一個產品某個時間新增使用者的LTV，比如某遊戲產品在4月1號新增使用者的LTV2，就是這批使用者在4月1號和2號兩天產生的付費與新增使用者數的比值。

下圖是筆者某條廣告在某日的資料及後續增長表現，假設這條廣告是4月1號產生的資料，包括量級，註冊成本、LTV，那麼這條廣告3日LTV，就是這142個註冊使用者，在4月1號、2號、3號，產生的總的付費，平均到這89個人每個人身上。

從上面的定義以及上文提到公式ROI=LTV/成本可以看出，LTV也是計算一款產品回收週期的重要依據，不討論分成，當ROI大於等於1，產品就是回本賺錢的，那麼理論上只要LTV值越大，成本越低，ROI就越高

。

但這僅僅是理論上，實際買量過程中，使用者質量越高，成本也就越高，LTV也越高，因此可以將LTV數值看做使用者質量，買進來的使用者只有產生付費，並且是持續付費，最終覆蓋成本，ROI才能回正，才能回本，乃至盈利。

關於註冊成本，廣告在曝光，其實就是被推到使用者眼前，使用者觀看、點選、安裝、啟用、創角、註冊、付費、留存等產生一系列行為

。

以註冊為例，從使用者看到廣告到完成註冊，這期間廣告曝光產生的消耗就是抓取到這個使用者的成本，當然也可以以某些行為做節點，計算行為成本，比如點選成本、啟用成本、付費成本等。

結合上文LTV來看，如果註冊成本為100，但是當日ltv只有10，ROI=10%，後續只有這批使用者LTV增長達到10倍，也就是100，才能不虧錢，超過100才能盈利，結合留存資料（留存反映了使用者生命週期和LTV增長空間），LTV增長倍數，就可以大致得出產品的增長模型。

下圖是筆者某條廣告某段時間跑出來的相關資料表現，LTV對比註冊成本就是roi的資料，即23/77*100%=30%；然後這條廣告比較穩，累計增長倍數在7倍，即163/23=7，基本達到運營制定的標準。

2.3 ARPU 與 ARPPU、付費成本

ARPU（average revenue per use）即平均使用者收益；

ARPPU（average Revenue Per Paying User）即平均付費使用者收益；

ARPU

=總回收/使用者數；

從定義不難看出，ARPU與ARPPU的區別，前者是收益平均到每個註冊使用者，後者是收益平均到付費使用者，往往公司財報上會選擇寫ARPPU，因為這樣資料看起來會好看些。

也許有的同學看到上文的LTV，會覺得和ARPU定義很像，那麼二者的區別是什麼呢？

筆者這裡需要說明他們相關，但不相同。

不同於，看起來LTV和ARPU定義非常接近，都是從使用者維度計算收益，但二者本質是不同的，LTV考量的重點在“價值”，是從每個使用者身上獲取價值的能力，ARPU考量的重點在“註冊使用者”，是從每個使用者身上反饋出來的產品運營情況。

相關在，LTV可以理解位以使用者生命週期為單位的ARPU值，即LTV=LT（Life Time）*ARPU。

我們只需要計算使用者的平均生命週期，再計算這個週期內的ARPU值，就能得出平均每個使用者在此平均生命週期帶來的價值。

付費成本，即為獲取付費使用者付出的成本，比如導進100個使用者，獲客成本是80，消耗為8000，100個使用者裡產生20個付費使用者

。

那麼付費成本就是8000/20=400

。

結合上文，ROI可以將ARPPU與付費成本串聯，即ROI=ARPPU/付費成本。

二、創意層級資料指標

1.播放資料

1.1 黃金3秒

對於創意層級的資料，我們可以從

騰訊廣告的創意排行榜

去看一些行業創意資料指標，具體的步驟跟大家說下：

第一步，點選“工具”——“創意排行榜”

第二步，點選“黃金3秒榜”

素材開頭歷來是兵家必爭之地，前3秒是吸引使用者點選和停留的重要因素。

往往可以透過一些矛盾衝突強烈的劇情，或者是視覺聽覺等感官刺激，來抓住使用者。

或者是設計一些前貼文案、或直接引用大盤3秒點選率高的開頭，提高點選。

以下圖為例，前貼文案加美女背景，就是一種比較好的3秒開頭。

1.2 完播率

是僅此於3秒播放率的評價素材質量度的重要資料，完播率高，素材質量度就高，就有更大機率擴大系統分配的流量池。

最佳化完播率，可以具體分析素材跳出率比較高的節點，比如文案、劇情等不能引起使用者興趣，或者招致使用者反感，做出相應的修改。

1.3 平均播放時長

資料長短可以直接反映出使用者對素材是否感興趣，也影響到使用者能否看到素材賣點。

有時候會在實際投放中出現素材平均播放時長長，但是轉化率低，這說明使用者對素材感興趣。

但是素材本身在賣點或者說付費點、轉化點設定上不合理，不能引起使用者轉化慾望，需要做出相應的修改。

下面是筆者某款產品某段時間裡兩個同類素材的播放資料表現，播放率和平均播放時長優秀的，在消耗和回收上也會表現更佳。

1.4 播放進度率

25%播放進度率、50%播放進度率等，可以和開頭結合起來看，有的素材開頭很能吸引用，但播放進度率很低，說明這種吸引是不持續的。

可以結合播放進度率異常表現，判斷具體素材環節引起使用者流失，做出相應修改。

2. 互動資料

2.1 dislike率、點贊、評論、分享等

重點在dislike率，主要被使用者標記不感興趣或者被舉報等資料，系統接收到使用者負向反饋頻次過高，就代表廣告模型輸入負向資料過多，會影響模型預估，進而影響ECPM預估，拉低廣告排名，減少廣告曝光。

同理，點贊、分享、評論資料指標高，會給到系統正向反饋，進入更高流量池，獲得更多曝光，就像使用者經常點讚美女影片，後面就會更高頻次接收到美女影片推送。

三、總結

作為剛入行的最佳化師，尤其是還沒有形成自己的投放思路或者總結出自己的投放方法論的時候，多看多分析多覆盤總結是快速成長的不二法門。

以上這些資料指標只是在投放中應用到的頻次相對高些，並沒有囊括到全部，最佳化師們可以從以上的資料指標入手，從中拓展延伸，開始嘗試總結最佳化思路與方法，希望能對大家有些許幫助。