退出

单次展示价格最高相差15万倍 休闲游戏如何做好用户获取与变现

3月14日,由UPLTV、Facebook、优晨泛娱乐国际加速器联合举办,罗斯基作为媒体支持的游戏出海论坛在成都召开。活动邀请了业内多位游戏出海专家分享交流。演讲内容涵盖海外游戏市场,休闲游戏、SLG游戏的研发发行及海外市场的游戏买量变现、数据分析等多个方面。
本次活动上,UPLTV商务VP蔡以民带来了“如何做好休闲游戏用户获取”的主题分享内容,为大家详细解读了游戏买量与效果分析方面的相关问题。
以下为演讲内容整理:
用户获取的本质就是花钱买用户,更简单粗暴的说,就是买流量,也就是我们俗称的“买量”。那么既然有买方就会有卖方,买方希望物美价廉,卖方想要奇货可居,于是出现了广告平台作为公开透明的流量交易市场。对于买方来说,优化的目标就在于如何花更少的钱买到更多、更好的量。
一、买量优化的核心:提升流量竞争力
一个完整的效果广告路径包括展示-点击-下载-安装/激活-登陆/注册,这个层层递进的转化过程中,每一个环节都有相应的衡量指标。其中市场人员最为关注的是CPI,广告主都希望以更低的价格获量。
但在市场经济体系下,无论以何种计价模式,广告平台所出售的资源源头实质是展示,因此广告平台更为关注的并不是广告主最关心的CPI,而是eCPM(千次广告展示成本),它决定了在整个广告平台竞价系统当中所产生的价值是什么。广告平台在决定展示哪个广告时的最基本原则就是:谁的eCPM高,就展示谁的广告。因此这是买方获得广告展示机会的关键数据。比如说在美国市场,不管出价如何,但eCPM小于10美金就很难拿到量。
所谓流量的竞争力其实就是在同等展示的出价或者说略微低的出价上,能够让广告得到更多的展示机会。或在同样的展示数量下,能够让转化率更高从而优化目标效果成本。要提高竞争力,最简单的方法就是直接提高出价。但是,对于那些预算有限的CP来说,并不是能够接受的方式,因此大多数买量人员唯一能做的就是“苦逼”的优化转化,提升流量的质量。
所以整个广告的优化就是合理的运用竞价策略,优化每个环节的转化率,以提升广告eCPM,进而获得更多展示机会和流量,这是买量优化的核心。
二、广告投放优化三板斧:素材、受众、出价和预算
在广告投放上,素材的优化非常重要,主要是广告内容和广告数量方面。对于休闲游戏来说,我们不可能花重金去做非常昂贵的精美视频,所以广告的内容要重于广告的技术。而休闲游戏覆盖的人群非常广泛,竞争种类也繁多,人群可能很快就厌烦某一组广告素材,所以在数量上要尽可能的多,并且要用好的广告素材尽可能的去覆盖整个人群。由于不同广告平台、广告位对于素材的尺寸要求各不相同,这就更加加剧了对素材数量的要求。
在投放受众上,优化的是定位人群,这些受众定向(包括人群属性、兴趣、付费习惯等)对大数据有极高的要求。用户属性定位越精准,用户的规模就会越小,用户质量会越高,反之也异然。因此我们在确定投放受众时,应该首先明确投放的目标,是希望获取大量便宜用户在上线初期冲榜?或是获取高价值的用户提高回收?只有明确了目标,才能有的放矢的选择合适的受众进行投放。
最后是出价和预算的优化,我们需要根据各组广告的表现及KPI不断地调整竞价策略,但不管以什么样的买量策略出价,我们的最终目的还是回收。归根结底, 广告的投入需要结合回收,也就是买入用户的LTV,使得投放ROI为正。
对重度游戏来说,我们可以很非常容易的得到每一个用户的回收。通过内购数据可以很容易算出每一个用户的LTV,进而计算ROI。
而以广告变现为主的轻度休闲游戏,或是加入广告变现的中度游戏,它的分析就没有那么简单了。虽然广告营收占比在整个营收的比重不断加大,却很难得到每个用户准确的广告收入数据。
针对广告变现收入,我们虽然可以通过归因工具明确知道用户来源,但收益数据来自于不同的广告平台。广告平台和用户之间是一个多对多的关系,也就是说每一个用户可能都会看了广告平台的广告,一个广告平台也可能给多个用户展示了广告,在这些错综复杂的关系当中,就没有办法很明确的去区分出每一个用户贡献的广告收益到底是什么样子,进而也不好去判断每一个渠道,甚至每一个用户的LTV到底如何。
三、通过收入拆分模型预测休闲游戏的广告变现LTV
那么为什么广告的LTV如此重要?因为针对以广告变现为主要收益的休闲游戏,无法衡量LTV就无法衡量回收。在没有广告变现的情况下,我们能够测算的数据是哪个渠道的量便宜,哪一个渠道留存质量好。但是能依靠这个建立LTV的模型计算各个渠道的ROI吗?并不能。
而对于包含广告的中重度游戏来说,广告变现收入同样重要。广告部分LTV的收益可以大大提高出价的范围,这也是为什么广告的LTV对于重中度游戏同样的值得我们去探讨。
那么谁知道用户的广告LTV呢?广告平台是知道各个用户所创造的广告收益的,但是广告平台出于种种的原因不会透漏这类数据。
因此,我们只能通过各个广告平台的收入情况,去反向推算出各个用户或者各个渠道之间广告收益情况。在这里面会有一系列的参数,包括广告平台的收入、广告位、用户的国家地区分布、用户数量、展示数量、会话数量、点击、以及预估转化率和预估出价等,通过对这些参数的建模,对广告收入进行拆分。
目前市面上主流的对广告收入拆分的方法,其实都是以平均的方式,有的是按照DAU的方式拆分广告收入,哪个渠道进来的用户多,广告收入就多;有一些是按照Session,会话的次数或时长越多,广告收入就越多;有一些是按照实际展示量的平均,展示越多收入就越高。
基于平均的拆分逻辑,相对细致的做法是先按照国家和地区对广告收入做一个拆分,因为广告平台也会透露各个国家的变现数据,在得到某一个国家的收入数据过后,按照一定的逻辑,无论是DAU,Session或者展示量,去对某一国家或者某个用户的广告收入进行拆分,进而得到一个最后的拆分的值。
四、平均拆分的弊端:单次展示价格最多相差了15万倍
得到拆分的广告收入数据确实会要比一无所知的要强,但是它真的准确吗?我们做了一个验证。我们分析了支持Bidding(实时竞价)的广告平台7天的展示数据,我们发现eCPM最低值和最高值之间差了15万倍,也就是单次展示的价格相差了15万倍。
当我们以平均的方式去拆分展示时,可想而知准确度如何。 如果说单次展示的数据差异是由于用户间不同的属性造成的,那各个广告平台对同一用户的展示价格又如何呢?我们发现针对同一用户,单个广告平台最低出价和最高出价差10倍的占到了整个用户群体的9%。而针对同一用户出价波动在2倍以上的,更是占到了50%,也就是说有50%的用户展示广告所得收益的波动是在2倍以上的。因此,单纯的依靠展示,Session,或者是DAU进行广告收入的拆分并不靠谱。
此外,各个广告平台采用的主要竞价模式也各不相同,对于Facebook Audience Network来说主要是CPM ,对于AdMob来说主要是CPC,对于视频平台来说,主要是CPI的计价。在此情况下,如果想要做准确的广告收益拆分,就要把更多的因素考量进去。
我们希望做的一件事情,就是能够搭建一个算法模型,依据可以获得的信息,包括刚刚提到的广告平台的计价模式、用户的行为权重、用户广告行为分析等要素,通过机器学习来进行费平均的拆分。举例来说,以CPC作为主要竞价模式的平台,任何没有产生点击的展示,都不会给权重去计算广告收益。
同时我们也可以通过用户点击后行为的分析,去预估用户是否进行了下载。例如我们知道一个用户点击了广告跳出游戏,我们可以通过从点击广告到返回游戏的时长去做推测。如果用户在点击后立即回到了游戏,则大概率该用户并未下载广告中的游戏,可能只是一次误点击;但若用户点击广告后很长时间未回到游戏,则有一定可能是他下载并且开始玩另一个游戏了。当然这些推测和预估模型需要大量的数据进行机器学习和验证,才能更为准确的去拆分广告收益。
五、头部10%的用户贡献80%的收入 善用归因工具提高广告变现
根据我们对广告收入的拆分,我们发现:头部10%的用户贡献了超过80%以上的收入,这部分用户就是我们常说的广告鲸鱼(Ad Whales)。也就是说,如果能精准的抓出这10%的用户,配合Facebook Lookalike去投放,对于广告变现来说会有巨大的增长提升。同时我们也发现,事实上大约有50%的用户根本不贡献广告收入,如果某些渠道买进来的用户都是这类用户的话,我们花费的广告投入实际是浪费的。这也是为什么我们要去拆分广告收益的原因,能够帮助我们更好的指导投放。
Adsforce是UPLTV最新推出的第三方追踪工具,比较特色的功能是以一个比较科学、合理的方式帮助开发者拆分广告收入。以广告来变现的游戏可以用数据来指导买量。Adsforce的后台数据统计报表功能强大,可以分不同的国家、渠道、媒体来做各种分析,让开发者能够更好地以数据指导游戏的投放和变现。
市面上其他的归因工具价格都非常高,这为我们的休闲游戏买量增加了不少的成本。我们也希望给广大开发者提供一个物美价廉的归因工具,所以与同类友商的定价相比,Adsforce是性价比很高的。
最后,介绍一下UPLTV。UPLTV自研的聚合平台能帮助开发者提升20%以上变现收益。今年荣获了Facebook在中国区的顶级代理,让我们能够把流量的获取和变现打通,配以最新推出的分析平台,实现完整的数据闭环,从而帮助开发者能够更好地运营游戏,快速提升营收。
许多的中小开发者具备非常好的产品能力,我们希望能够服务到这些中小开发者,帮助大家更好地出海。