超休閒遊戲的LTV，K-factor與綜合出價模型

之前幾篇文章大致講了一下市場上已經比較成熟的方法論，比如說選品，比如說現金流管理，比如說素材。往期文章：

《超休閒遊戲增長的十個方法論》

《超休閒遊戲選品與調整思路》

《發行一款超休閒遊戲需要多少錢？》

今天討論兩個沒有定論的話題-

LTV和K-Factor。

計算LTV的幾個難點

我們都知道，在任何一個可規模化的產品推廣過程中，一定要講求LTV>CPI。CPI非常好計算，不管是CPM，CPC，CPA投放，只要最後計算消耗/安裝數就可以了。

但隨著越來越多遊戲開始使用廣告變現，計算LTV的難度也越來越大，因為在傳統的分成（Rev-share）的廣告變現商業模式中，開發者無法精確的衡量每個使用者帶來的廣告收益。

精確計算LTV可以釋放巨大的勢能-廣告主可以“Dollar to Dollar”計算回收而不需要用留存/付費率擬合;在變現端也可以更加細緻地優化流量切分與使用者分組，從而提升變現效率。在實現這些優化之前，還有一些難點需要克服。

難點一：使用者級LTV

當廣告收入佔比超過應用的50%之後，可以幫助開發者帶來大量廣告收入的廣告大R和內購大R變得同等重要。計算一個使用者完整LTV的方法如下：

LTV=Sum(每次廣告展示收益)+Sum(分成後每次內購收益）

在廣告網路不按照CPM競價時，無法確認每次廣告展示收益，只能用預估/平均值代替。但隨著廣告流量中展示競價的比例提高，精確計算單個使用者的完整生命週期價值逐漸成為可能。我們預計這種精確計算使用者級LTV的能力應該會在2020年初得到初步普及。

難點二：使用者分組方法和投放自動化

有了單個使用者的LTV曲線，理論上就可以按照下列方程來指導投放了。

CPI=LTV-預期利潤

但是實際操作中這個方程會碰到兩個問題：

1.廣告網路尚未支援針對每個獨立使用者不同的CPI出價，因此需要將使用者聚類至廣告網路能夠支援的出價維度再統計LTV和相關出價

2.在產品上線初期快速找到能夠輸出穩定結果的LTV模型（觀察時間*聚類方法的組合）並不容易。再者，就算有了固定使用的模型，囿於人力也沒有辦法完全的即時調價。

因此，現在多數廣告主採用的是廣告網路建議的優化維度（比如說App*GEO*OS）和廣告平臺的自動優化工具。但是由於大量廣告主在這些維度上進行競價，因此這些維度組合上競爭也會是最激烈的。廣告主如果能圍繞非主流定向維度開發出自己的競價模型和方法論，就可以在不同的維度組合上降維打擊，減小因為競爭而多付出的溢價。


難點三：LTV曲線畫法

目前比較流行的畫法是按照平臺*國家*作業系統的維度組合，計算獲取的使用者的分天平均ARPU，並最終用對數函式擬合。但是，怎麼樣去選取維度，如何選擇最優數學模型來進行擬合還沒有定論。如果企業算力能夠進一步的提高，其實可以通過學習去尋找適合每款遊戲的最優LTV曲線畫法，來輔助生成更容易執行，準確度更高，競價能力更強的競價策略。



難點四：非CPI出價

對於不能CPI出價的廣告平臺來說，廣告主按照LTV曲線在確定CPC/CPM出價的難度又上了一個臺階。不僅是因為在各出價維度上的點選率難以衡量，還因為難以估計自己的展示順位和讓利空間。

真正能夠按照LTV資料幫廣告主最大化利潤的還是廣告平臺，因為廣告平臺有著廣告主所沒有的資訊優勢；使用者級別的ctr/cvr預估，使用者/媒體屬性的聚類，競爭對手的真實報價等等。只有廣告平臺才知道廣告主通過讓利可以獲得多大的增量。我們認為，oCPA的下一個發展階段是完全的ROAS出價-廣告主在投放時只需界定3日/7日/14日/30日回收的下界，讓廣告平臺自行探索專案利潤最大化的策略。

K-Factor


1.什麼是K-Factor

K-Factor原本是個流行病學詞彙，衡量的是傳染病的傳播速度。在市場營銷的語境中，K-Factor主要用來衡量某組獲得的使用者能夠額外吸引多少”自然“的使用者。

在付費推廣的過程中，除了ARPU這部分直觀觀察的收益，付費流量還有其他溢位效益（正外部性），比如社交效益還有榜單效益。部分流量上的使用者可能喜歡/容易分享（比如抖音），只要獲取一定曝光就可以引起規模傳播；部分流量只要略微加價就可以獲得大量額外新增，幫助廣告主提升榜單排行，獲取額外自然量。2019年頻繁衝上美國榜榜首的Saygames就有一套自己的演算法，可以在每個投放維度上計算K-Factor，提高出價能力。


2.為什麼出價的時候要考慮K-Factor

其實在流量競爭不激烈，廣告主憑藉優秀的產品就能獲得遠高於全網平均ECPM的時候，完全可以不考慮K-Factor,畢竟是“自然量”。

計算K-Factor的目的是“更精準的讓利”-由於流量競爭十分激烈，廣告主變得不得不在那些能夠帶來更高總回報（付費量回報+由該付費帶來的自然量回報）的流量源上將可歸因的正外部性內化，通過讓利來保證自己的廣告在優質流量上有足夠的競爭力。

這種外部性內化的一個具體應用就是展示歸因(View-Through Attribution)。在普通的CPI/CPC結算的投放中，那些”看過沒點過，但是最後還是產生了下載“的使用者按理來說屬於廣告主的付費投放行為產生的額外紅利，廣告主是不需要為之買單的。然而，由於流量競爭日益激烈，是否開啟VTA已經成為廣告能不能獲取有競爭力ecpm的關鍵因素。

在CPI投放中，開啟展示歸因大約可以直接提升10%左右的ECPM（因為通過展示歸因而被計為付費流量的安裝數大概會佔總安裝數的10%），而這10%的提升就可以幫助廣告主在競爭最激烈的$8-$20 ECPM區間拉開與競爭對手的差距，獲取遠大於競爭對手的展示量。反之，則會在廣告上線之時就失去10%的出價能力，需要提升CPI才能彌補ECPM上的差距。

同理，如果能把社交傳播或者榜單提升帶來的“自然量”準確的歸因到付費渠道，就可以把正外部性“內化”到帶來這部分使用者的收益中，獲得超過競爭對手的出價能力。而那些沒有辦法將這部分外部性內化的廣告主，雖然可以享受“自然量”帶來的額外收益，但是會在長線競爭中失去市場競爭力。



3.K-Factor如何計算：

看了下坊間的說法，大致有以下幾種：

有給定分享行為的演算法：

K=人均分享量*分享轉化率

適用於那些有介面可以追蹤分享後各轉化環節的推廣活動，比如FB好友分享。

基礎演算法：

K=自然新增/前一時期的付費新增量

通用演算法：

K=（總新增-基礎自然新增-付費新增）/付費新增

=（自然新增-基礎自然新增）/付費新增


這裡需要解釋的自然是“基礎自然量”。基礎自然量的意思是指“在沒有進行任何付費推廣的情況下的自然新增量“，最可行的方法是選一個國家/地區，暫停付費推廣活動，每天的新增即為基礎自然新增，再按各國使用者人數等比推廣到各個市場即可。

但是這些演算法的實用性都不算高-一來休閒遊戲社交屬性不強，除非背靠微信小遊戲等平臺，不然很難對傳播路徑進行追蹤；二來廣告主不大可能為了計算K-Factor去暫停/開啟某地區的投放。

3.休閒遊戲的K-Factor模型

那究竟怎樣才能找到適合自己的模型呢？其實我們可以這樣考慮：我們在非社交渠道投放時，大多數的正外部性來源於付費量所帶來的榜單提升。而榜單提升除了依靠關鍵詞、星級、評論管理之外，還依靠安裝量、留存/開啟次數和使用時長等多個可以量化的指標。

因此，我們的建議是根據榜單參考的指標來搭建如下模型：

K=(1-B)*Q*f(N,R,L,S….)

其中：

B=buffer,緩衝係數；

Q=單位時間內（自然量LTV/付費量LTV）；

N=單位時間下載量；

R=單位時間留存；

L=單位時間使用者時長；

S=單位時間開啟次數…

可以根據商店公開的資訊給模型新增新的特徵。

這樣搭建模型的優點是可以相對全面地將多個特徵量化為對榜單位置的貢獻，又不至於過分強調榜單位置對於自然量的貢獻。

前述K=（自然新增/前一時期的付費新增量）

方程可以視為該模型只考慮下載量時的特例。

綜合出價模型

1.綜合出價模型

結合上述內容，我們可以試圖總結一個出價競爭力更強的一個出價模型：

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

其中：

M=Margin,利潤率

K=K-Factor

X=當前轉化下，獲得該投放維度第一展示順位所需要的最低CPI，由廣告網路提供。

換言之，廣告主在出價時的合意CPI應該是考慮K-Factor之後的CPI出價與當前轉化下獲得第一展示順位所需CPI之間的較小值，這個模型可以幫助廣告主在一定回收目標下獲得最大安裝量。

2.利潤最大化出價模型

如果我們更進一步，以總利潤為優化目標的話，甚至可以把利潤率設定為一個浮動的函式，來確保利潤最大化。

假設利潤率為M時，安裝量為N，

投放總利潤P=LTV*M*N

則合意的M應該為

g(M,N)=M*N

有最大值時M的取值。

這個模型應用的主要難點在於：

廣告主難以獲取完整且實時的g(M,N)

g(M,N)不一定是連續函式（尤其是當媒體有保價需求時），而這部分資訊也沒有辦法批量且自動化的共享給廣告主。

因此，可以預見的是，這部分工作的建設主要會落在擁有更多資訊的廣告平臺的肩上。但與此同時，只要能夠建立起穩定可靠的自動出價模型，您的出價能力就已經超過市場上90%憑直覺/人力計算出價競爭對手了。


作者：Tzwen  
來源：Tzwen資文
原地址：https://mp.weixin.qq.com/s/Y1H87dAzOZtST3DL5NjTYA