游戏产品如何做优化（五）：LTV回收拆解

小篱

作者：秋（小烧鸡），英雄互娱产品运营

前文回顾：

游戏产品如何做优化（一）：找准目标用户
游戏产品如何做优化（二）：用“三玩法”捕获大小R
游戏产品如何做优化（三）：游戏商业化的“三个平衡”
游戏产品如何做优化（四）：付费点最优搭配套路

在前面的文章说我们叙述过，一个产品在发行过程中，需要评估是否能够回收，那么今天就详细拆解一下不能部分。

如何降低成本&如何达到回收&调优方向

第一部分：降低成本

在产品立项之初，决定一个产品生死的前提就是流量的来源依靠：

一种是依靠自身强大的推广能力或依托于渠道的评级

一种则是主要依赖于投放推广

第一种在产品的品质达不到第一梯队的情况下，在渠道量级逐渐降低的情况下，资源非常有限，且一旦到了中期，倘若出现一点问题。基本拿不到资源就没有流量；等同于将产品交托给了别人。

因此，在投放推广的需求上，也就越发重要，而在投放推广上，成本优化是一件非常重要的事情。

在投放时，则根据游戏DEMO包的内容制作不同的素材视频或图片进行推广投放，此时我们会得到一个成本值，下载DEMO包的用户，假设为20人，而投放成本为1000元。此时用户获取单价为50元。

此时成本较高，考虑到较难回收，则可能直接PASS掉产品回炉重造。

第二次，整体画风较小众的DEMO出来，最终测试投放数据，成本1000元，下载50人，单用户获取成本为20元。

想要达到20元的LTV还是太难，即便能做整体的盈利层面也较少，待考虑。

第三次，又一款产品出来，由于整体画风更容易接受，最终测试投放数据，成本1000元，下载100人，单用户获取成本为10元。

到了这一步后，我们则考虑进一步选择一些不同的侧重卖点，尝试进一步降低成本，通过分层次的筛选测试后，成本降低到7元，认为这个产品的回收基本问题不大；即开始下一步的步骤。

这里要注意的是，由于国内的渠道属性偏差，没有集中性的统一渠道，单次测试覆盖用户群体有限，整体测试成本太高；而直接在渠道上测试又极容易影响渠道的评级。

因此故只能选择抛弃不同平台的差异化的问题，在信息流推广中进行试水尝试，数据仅作为一定的参考，不能作为主要定论。

第二部分：达到回收

当我们做完了成本预估，或者说内心对整个买量市场有比较深入了解大致数据的情况下，我们需要为产品定制一个目标即：LTV的标准是多少。

LTV在计算了渠道分成后依然需要盈利的话，在假设我们期望达成7日回收的情况下，我们需要掌握的信息是哪些呢？如下图所示：

首先需要基于自己的产品有一个用户阶层的预估，其次则是需要对留存有一个预估，预估这两点的方法论，我并没有一个很好的总结和方法论，目前更多的还是依赖于经验导向，通过对不同类型产品的理解和了解，来预估一款新的SLG，ARPG，回合卡牌大致是怎样的的一个付费梯度和留存率；

第二步我们要制定的就是每日用户的付费拆解，根据我们梳理的用户类型，这里写的是大中小R，但实际上真正拆解的时候，是按照付费结构来划分的：

例如以限购商业化为核心的内容，拆分不同的限购金额作为不同层次用户的付费；

例如以缺口商业化为核心的内容，则拆分月卡，136礼包，首充等不同层级的用户结构。

（预估中，将额外多购买和购买意愿下降的用户平衡，即只考虑所有目标层次的用户都按照规划的路线行进）

到了这个时候，我们就能够将上图的表格填写完毕，得到一个7日内每日的LTV预估。


第三部：调优修改

由于预估数据排除了很多变量的干扰，最终一定会有较大的偏差而偏差数据会体现个三个方面：

1、留存偏差

2、付费结构偏差

3、付费金额偏差

我们在前期对产品的调整，首要考虑的除了完善3玩法、3平衡的结构外，解决LTV回收问题也是重点；基于3个方面的数据如何来调整呢？

针对留存方面，这个方面整体上说也是被研究的最多的，根据要调整的留存，如次留核心拉出来新手引导的逐步留存，分等级的滞留；而在2-3留，则拉取在不同天数时候用户的等级段分布图，找到滞留点分析；而4-7留则通过分析用户的前期目标来考虑。

针对付费结构的偏差，这里要主要最终梳理的时候，一定不是按照大中小R，而是按照梳理的路径，比如月卡党用户，终身卡用户，136礼包用户等等这样的划分形式，如果这个结构出现了偏差，则需要思考在这个阶梯上的设计上，用户的认知度和吸引度是否合理或不足。

而针对付费金额的偏差，则是我们对不同梯度的用户的付费进行不精准的预估，例如136礼包党，根据游戏内的成长节奏，预估用户整体的日均付费是13元，但是实际仅有11元，那么就需要去考虑基于这部分用户，成长节奏的预估付费节奏是否存在什么问题。

当我们把这些问题就尽可能对应的优化并取得了相应的成绩后，就代表我们已经成功的制作了一款能够通过推广稳定回收的产品了。

（当然，具体的修改方案才是关键，这些具象的方案，我们会逐步慢慢来聊）

投放成本

上面说到了投放和产品内的架构，那么接下来就先来说说在进行投放中，可能会遇到的问题。

最重要的一点就是要看回收，那么回收如何来评估呢？

不单单只是看你的成本，因为你导入的新增，可能会由于素材的骗量性等等，导致用户的实际LTV和留存都偏低。

举个例子，A产品的7日LTV为20元，投放成本为15元，算作是官方包投放不计算分成的情况下，利润是5元；但是投放者加大了流量的导入，原本每天10000人，在通过投放者的优化后，变成了20000人，这个时候，利润真的还是5元么？

一般来说，次留会随着新增导入变多而降低，是由于泛用户的占比提升（合适的精准投放可能反而会提升次留）；这里的重点就在于泛用户提升的比例是多少呢，以及这个泛用户如何来体现呢？

我们一般定义次留用户为筛选后用户，因此我们可以把历史数据总结：导入新增为10000时，次留为40%；导入新增为15000时，次留为36%；导入新增为20000时，次留为33%。

这个时候可能就会想到，做一个曲线来表示泛用户（这里为流失用户）的占比提升；但是这个曲线有很多影响因素是没有被考虑到的，例如骗量性的素材和起到了精准吸引的素材，可能一个是降低次留，一个是提升次留；那么我们拿什么来评估呢？

就像上面说的到，我们假定次留用户为筛选后用户；因此，我们只需要算出来我们次留用户单价即可，因为次留用户整体在假定筛选后用户的情况下，和正常的用户相比，LTV不会差异太大，因此我们只需要对比正常投放情况下的次留单价，和加量投放下的次留单价，即可得到我们是否能够盈利的答案。

例如以往正常情况下，单价10元，导入1000新增，次留400人，次留单价就是25元；而当我们替换了骗量素材以后，新增2000，次留550人，次留单价就是36元，这个次留单价远远要高出正常情况，在正常情况下盈利有限的基础下，这波骗量素材就一定是亏损的；

这里最精准的算法，一定是单独看这一批导入用户的7日LTV是否能够回收，之所以不直接去计算用户7日LTV，而选择看次留的核心原因，是在于7日LTV需要投放7天……而次留观察法只需要投放1天即可。

回收调整

上面我们提到了成本的优化，那么例如说，我们最后优化后，用户单价是8元，我们要如何来确认产品的回收周期呢？

最常见的情况是通过体验游戏，尽可能的根据相关工作人员的经验，认为在哪里应该如何来调整；再进一步，则是会拿着一张表，里面列举了几个要点，根据这几个要点来提出意见。

那么今天要来聊聊的就是这表，里面的要点，到底是怎么来的；如果有人认为是拍脑门想出来的，比如XX游戏这个付费点好，那个好，都做一起感觉差不多，把调整商业化设计弄成付费点堆砌，那就太错了。

首先，我们对游戏内的付费阶层有一个设定，例如，基于A游戏，我们为玩家梳理了几种成长路径：

A路径：首充

B路径：首充+月卡

C路径：首充+月卡+终身卡

那么此时，这是我们为玩家定制的最优付费路径。

也许因为经验不足，在这个设计上，从业人员没有发觉有不妥之处。

经过了一轮测试，发现数据呈现这样，250元以上的阶梯用户的人数是远低于预估的；

首先我们的第一步，发现终身卡的购买率较低，说明了这个X%的用户中，有50%的用户没有选择我们设计的最优付费解，这个极大的概率说明了用户宁愿选择其他付费点也没有选择这个终身卡，此时，这个终身卡是没有起到他原有效用的。

因此，我们选择调整终身卡的奖励；

当我们调整完毕后，发现1000-250元这个阶段的用户确实有明显的提升，但250-450这个阶段没有明显的提升，而现有的付费点内容确实已经成为了已付费用户的最优解。

那么我们可以继续加深这三个付费的吸引力度，但这样的做法，是在进一步的增加6-100这个阶段的付费，而当前的数据上，这个阶段的用户的付费路径是OK的；

因此我们发现，250元以上之所以低于预期，其实是因为没有匹配的金额供给用户成长到对应的付费梯队上，导致了低于预期；

因此，经过思考和市场验证的内容，我们添加了用户的付费内容（具体可以加些什么样的内容，不同内容的选择我们后续再聊）

这里其实就回到了第一步，再次进行验证时，我们通过又可以得到一个参与度的数据，比如他长成这样：

同样的，我们就需要再一次进行分析优化， 在小额礼包和基金两个付费点的参与度上，明显不满足付费最优解的概率。

用户消耗在其他地方的情况下，一方面是可能由于用户属性不同带来消耗喜好不同产生的数据偏差，因此参与度基本80%以上即可；一方面是可能是由于投放活动，这方面受到投放力度的影响较大；一方面是可能由于最优解和用户付费内容处于不同养成线，是可能有额外的收益。

因此我们第一步是考虑的进一步优化参与度，在结合产品思考了问题原因后，优化后的整体数据变成了。

如果此时我们发现250元以上用户很难进一步去优化，那么就证明我们原本定义的占比可能存在一些问题，我们需要去考虑调整占比，即计算，450元档位的用户5%的占比需要多少25元用户的占比来抵扣；例如这样：

这时，我们就需要进一步调整月卡的奖励，或是添加一份额外的计费点让25元玩家占比增多。

最终得到一个基于当前产品能够较好的达成LTV的商业化模型，模型表大致如下：

（数据我都清除掉了，所以显示上比较奇怪）