遊戲出海指南：使用者收益拆分助力突破變現瓶頸

9月18日，UPLTV聯合羅斯基在海濱城市——廈門舉辦了“遊戲出海，如何建立使用者為本的商業化模型”的主題沙龍活動，邀請到了Facebook大中華區開發者變現經理Eileen Lee、廈門本地知名的發行商夢加網路發行總監楊金喜、廈門獨立研發團隊青瓷數碼VP呂歐強和UPLTV合夥人蔡以民，與現場來賓分享了他們關於遊戲出海商業化的見解和經驗。（相關閱讀：打造使用者為本的遊戲商業化模式）

活動中，UPLTV合夥人蔡以民圍繞“打通增長閉環，突破變現瓶頸”為主題，進行了分享，以下為整理內容。


“廣告變現+內購”混合變現模式，在全球範圍形成趨勢

2018年，全球使用內購+廣告混合變現模式的遊戲數量比2017年增加了34%，很多頭部中重度的遊戲公司也開始嘗試混合變現模式。但在2018年App Annie全球移動遊戲使用者支出Top 1000中，我們發現中國出海遊戲發行商使用混合變現模式的比例只有15%，遠低於海外其他國家遊戲發行商。


混合變現模式可以讓收益來源更加多元化，讓非付費的使用者有機會通過廣告的方式獲得免費獎勵，提升遊戲內使用者的留存，對遊戲內的付費行為起到一定的促進作用。


三種主要的遊戲廣告型別

在以上三種廣告形式中，激勵視訊佔絕對優勢。因為是使用者自主選擇點選廣告，對使用者干擾較低。但也需注意激勵視訊的獎勵和展示次數不應影響到內購情況。在UPLTV釋出的《移動遊戲廣告變現洞察報告(2019上半年)》中，針對UPLTV接入的2500多款遊戲進行中位數分析，可以看到在美國、日本等地區的激勵視訊整體表現突出，在iOS上也有比安卓稍微高一點的表現。以點選率為導向，使用者主動觀看廣告並點選下載產生收益，當轉化率變高時，收益也會相對增多。激勵視訊廣告因轉化率相比另外兩種廣告形式較高，可以為遊戲帶來更多的收益。


把激勵視訊廣告位放在明顯的位置，可以更好的提升廣告滲透率；展示內容上建議設定為第二貨幣或者是道具，避免影響遊戲內的經濟體系。為了讓玩家更有動力去點選廣告，至少將激勵內容設定內購最低檔的10%到20%。政策方面，廣告位的入口必須和遊戲明顯分開，需要有明顯的廣告標識和二次確認畫面，以防使用者錯誤點選，使用者體驗相對更好，自然也會利於提升廣告收益。

對於插屏廣告而言，如果產生平臺認為的無效點選，就會造成收入下降和封號的可能。所以，我們在設計插屏廣告時，需要注意避開以下誤區：

×出現意外的插屏廣告；

×在使用者選擇退出或最小化應用時展示插屏廣告；

×在獎勵式視訊廣告之後展示插屏廣告；

×使用者拒絕觀看獎勵式視訊廣告後展示插屏廣告。

廣告變現調優

使用聚合工具找到最合適的廣告來源是廣告調優是最常見的辦法。聚合的作用是把最高的收益的廣告挑選出來推送給使用者，為每次的展示選擇最優的eCPM，以此來增加廣告填充，獲取更高的廣告收益。


使用者標籤優化就是將高價值的廣告展示給高價值的使用者。這樣做的原因是廣告使用者之間的差異非常大，有一些使用者點廣告純粹為了獲取遊戲內的金幣或復活機會，但不會點選廣告，即不會產生後續的轉化，因此這部分使用者相對價值也較低；而一部分廣告“大R”使用者對於感興趣的廣告內容會點選廣告。把有限的高價值廣告留給高價值的使用者，進一步變現收益最大化。

突破變現瓶頸

廣告調優就是從方案設計到邏輯分層諸多細節的優化，單個細節的調優並不會帶來本質的變化，但是量變能夠引起質變。當我們把所有的細節優化疊加在一起的時候，廣告收益會出現有效的提升。但是單純依靠廣告變現存在瓶頸，從買量的階段區分渠道的質量，可以進一步提升遊戲收益，從而突破變現瓶頸。


以內購（IAP）為主的重度遊戲買量時，我們可以非常清楚地追蹤到每個渠道的每個使用者花了多少錢。根據每個渠道的使用者創造收益的高低，我們可以區分渠道的質量，從而進行調優為高質量的渠道加量，放棄或減少低質量的渠道，進一步提升內購收益。


而以廣告變現（IAA）為主的遊戲買量情況則複雜許多。因為廣告聯盟回傳的資料都是高度整合，存在眾多資料盲區，因此我們很難知道每個使用者在廣告變現中產生了多少收益。這導致的影響是在以廣告變現（IAA）為主的遊戲買量時，我們無法衡量每一個渠道進入的LTV去指匯出價。針對廣告變現為主的遊戲而言，無法衡量IAA則無法衡量廣告回收。多數情況下，優化師們只能依據CPI和留存情況，判斷後續的優化策略。但如果出現一個渠道是高CPI低留存，另一個渠道是低CPI高留存的情況，這時優化師就無法依據這個傳統標準來判斷。

與此同時，LTV對於以廣告變現（IAA）為主的遊戲和以內購（IAP）為主的重度遊戲而言非常重要。遊戲買量時，一般情況下LTV決定了買量單價的天花板，即LTV=IAP。如果我們考慮LTV的收入，即LTV=內購（IAP）+廣告變現（IAA）。這將提升買量時的出價上限，使整個買量曲線會呈指數級增長。因此，LTV決定了產品規模。

而所有的廣告平臺都清楚的知道遊戲內使用者的LTV。但由於廣告平臺的整體運營，包括對於使用者隱私保護的限制，因此廣告平臺無法提供給我們明確的資料。這是UPLTV通過廣告整合資料和客戶端收集到的使用者行為資料做一個模型，幫助拆分這些資料，反過來推測每個使用者為我們帶來的收益。

“平均拆分”邏輯的誤區

目前市面上廣告收益拆分工具大都是“平均拆分”邏輯，但大都存在明顯的誤區和缺陷，“平均拆分”邏輯存在以下誤區：

誤區1.假設了每次廣告展示的價值是相同的

我們分析了七日內各廣告平臺eCPM的單價，發現價格差異巨大。eCPM的單價最低值為0.01美金，最高值為1500美金，每一次展示的單個差值達到15萬倍。針對同一使用者出價的波動在10倍的佔總使用者的9%，針對同一使用者的出價波動在兩倍的，佔到總使用者的50%，說明每次展示的價格波動非常之大。

誤區2.無視以CPC或CPI模式計費的變現平臺

每個廣告平臺計算廣告收益的演算法都存在差異，Facebook Audience Network大多以CPM計價，Google多以CPC計價，而視訊渠道更多是以CPI計價。我們需要通過廣告主端不同的出價模式，反過來拆分資料，推算出每一個廣告平臺為我們帶來的收益。

誤區3.假設了貢獻更多廣告展示次數的使用者就貢獻了更多收益

這裡我們需要理解廣告收益的構成，比如一個點選計費（CPC）或安裝計費（CPI）的渠道，當使用者觀看廣告沒有產生轉化的時候，即沒有產生收益，即便使用者看了很多遍廣告，在這個渠道里沒有轉化相當於沒有收益。原因在廣告主端以點選計費（CPC）或安裝計費（CPI）計價，所以貢獻更多廣告展示次數的使用者並不等於貢獻了更多的收益，這些都是不完全符合事實的誤區。

非平均拆分法


為了規避“平均拆分”邏輯的誤區，UPLTV建立了一個演算法：針對不同廣告平臺不同的演算法，反推出每個廣告展示的價值或每個使用者的價值。我們可以針對不同渠道的使用者分配不同的廣告Key，廣告平臺的後臺可以看到每個廣告Key的收益，配合AI演算法，從而驗證模型計算的準確性。但這裡存在一個先決條件，我們需要實時知道使用者來自哪個渠道，實時歸因系統和一個動態分配廣告Key的機制，這些UPLTV都可以提供解決辦法。


上圖是一個真實的產品案例，當日美國活躍使用者當中貢獻最大的20%的使用者產生了39%的展示，貢獻了當日77%的收益，越高處使用者產生的收益也越高。當日新使用者人均貢獻遠高於長期使用者，這說明新使用者對於廣告主來說是最有價值的。通過這樣的方式，我們能夠計算完整和準確的LTV/ROI，從而優化UA；推算出每個渠道的展示次數和收益，針對虛擬事件，用廣告高價值使用者種子進行相似受眾投放，幫助我們獲得更多高價值的使用者（即廣告鯨魚使用者），達到提升廣告收益的目的。

總結

1.激勵視訊廣告是使用者自主選擇點選，對使用者干擾低，因此是目前遊戲內變現效果最好，較為推薦的廣告形式之一。但需要注意激勵視訊的獎勵內容和廣告次數設計，避免影響遊戲內購。

2.LTV決定了產品規模，針對包含廣告的內購遊戲考慮廣告收入，將大大增加出價上限，從而提升產品規模。

3.從買量的階段區分渠道的質量，可以進一步提升遊戲收益，從而突破變現瓶頸。

4.“平均拆分”邏輯的存在一定誤區，因此UPLTV針對不同廣告平臺不同的演算法，反推出每個廣告展示的價值或每個使用者的價值。計算出每個campaign的ROI，選取現有的廣告“大R”使用者作為種子，或利用Facebook的Ad Impression和Ad Click App Events打點為種子，生成Lookalike Audience（類似受眾定位）投放廣告，不斷優化campaign，從而不斷高效獲取類似的高廣告價值玩家，實現最大化變現，形成正向迴圈。


來源：羅斯基
原地址：https://mp.weixin.qq.com/s/1Vp3sQ5LLpBdz510phQwcg