“ 游戏广告永远是广告领域中的关注大头。 ”

今年的年注定不会太好过，年前最后一天A股跌了2万亿，科比突然离我们而去的噩耗，活了30年第一次春节放假放了10天，从来没有如此冷清的年夜等等，当然还有全国坚守在一线围绕疫情奋斗的工作者们。

对于我个人来说，除了回乡下跟爸妈还有兄弟几个吃了年夜饭，基本就没有怎么出门，除了“全副武装”出去采购过一次物资（吃喝的），基本上猫在家里。

吃睡随心，手机不离手，昼夜稍微有点偏离，作息也些许混乱。我在想，在这个时候，除了不出门添乱，我还能干些啥，除了看电视玩游戏以外。

或许，混沌了三四天之后，应该稍微调整下心态了，利用好延长的假期，多多学习整理一下自己的知识体系。刚好之前上班没有过多的时间，这不是最好的时机吗。

雨后之后总是会天晴的，还不如多做谋划，多多学习，成长自己。所以也就有了今天这篇，之前一直不敢动笔的东西，之前也确实不够了解，不敢误人子弟。

01

游戏广告

年假开篇，不宜整这么严谨的文章，所以就没有继续之前 《数据与广告系列十五：商业兴趣标签建模&XGboost调优实战》 ，写机器学习在广告应用场景，我们接第八第九篇 《数据与广告系列八：广告与二类电商》 ， 《数据与广告系列九：本地化广告》 ，今天聊的主题是《广告与游戏》。

今天我们测重广告的业务形态，不聊深度的技术，只聊游戏广告形态中涉及的一些特点以及数据分析的一些注意事项和侧重点，以及方式方法。

不管是之前说的电商，还是现在聊的游戏，都是广告领域里的大户/大金主，但他们之间的差异性还是很大的。

02

游戏广告中的ROI

但广告中万变不离其宗的只有一个，那就是投入产出比（ROI），投入就是广告支出投入，而产出的方式跟业务形态就关联度很大了。

以之前的二类电商为例，他的ROI计算非常简单明了，投入直接看广告的消耗金额，产出直接看游戏的付费，即从广告吸引过来的流量中多少人付了多少钱，甚至直接看付费总金额就可以了，只不过这个金额需要加上时间的限制，比如注册之后多长时间周期内。

说到广告游戏的ROI，我们先来了解LTV的概念。LTV，全称是Lifetime Value，中文是用户生命周期价值，更通俗点的翻译是，一个用户从进来到滚蛋，最终付了多少钱。

所以，如果真的要算游戏广告的ROI，那么就直接LTV除于广告消耗，就是实打实的ROI，明面上只要大于1就可以无限投？

其实不是的，里头复杂的东西非常多。

除了硬性的成本，人力成本，服务器成本等等，是不是得折算，这跟二类电商中的人力成本，邮费成本是一个道理，光到1远远不够。

其次，如果LTV的时间周期是1年呢，这意味着你的回款周期是1年，你确信你的公司能撑过1年？更何况，你如何计算每个人的LTV，这是不可能的事。

所以，游戏广告的ROI计算看着简单，实际上没这么容易，很多都只能估算以及进行合理的预估，然后来评估广告是否需要加大或者缩减预算。

当然，通过LTV的方式来评估广告效果肯定是合理的途径，只不过如何衡量LTV是个大学问。一般情况下，不同类型的游戏，其综合平价LTV相差都很大，比如网游，手游，页游，他们之间的用户回本周期差别很大，一般来页游短于手游，手游短于网游。

但又有区别，比如王者荣耀为例，你觉得他的LTV会比一般的网游短吗？所以一般情况下知名游戏的LTV又会长于一般性的游戏。

对于一般性的游戏来说，其更依赖于广告来源的流量，因为其知名度较低，自然流量较小，只能依靠广告来拉流量，这就是硬生生的要算ROI了。

一般运营游戏的公司都采用租用服务器的形式进行运作，除了超大公司没有人会这么重资产的买一堆服务器的，因为太不灵活了，而因此也衍生除了专门为游戏运营公司提供服务器租赁的公司，而服务器是游戏运营的最大成本，这种模式导致了流量的引入，服务器的缩容扩容变得非常灵活。

所以，游戏广告的投放需要严格根据ROI来估算，来提前租用服务器，以提前支撑流量的进来。那么回到LTV上，通常游戏公司会做类似7日LTV或者15日LTV等来评估广告的投放效果，以决定扩大投放规模还是缩减，同样对于后续的服务器租赁等动作就可以同步进行了，以减少损失了。

没有哪个游戏会短命短到7天的，所以，这是一种预估的方式，通过7天的付费流转比例，来估算整个游戏周期的回本能力，从而决定要不要继续投入。

具体到每个公司对于ROI（7日LTV/消耗）的评估，又取决于每个公司的情况。比如，知名游戏的ROI（或者付费成本）可以很低，因为他可以细水长流，用户的整体的留存周期很长，可以慢慢压榨。而小游戏公司不行，出一份钱就需要看到一份成果，要不然心里不踏实，对于公司运营的风险也太大。

不过总体来说，同类游戏的ROI还是有借鉴之处的，大致上会维持在一个相近的范围。

03

游戏广告的类型

除了常规投放的模式（统一媒体流量，比如各种信息流，头条啊公众号啊等等），还有联盟的形式，即整合了各种中长尾APP的流量。除了如上，游戏还非常倚重于各大APP商店，或者游戏中心的流量，比如竞价排名，或者买检索关键词。

当然，在应用商店中，本身对于部分游戏来说，是有自然流量的进入的，但由于会受到别人家商店运营的影响，这部分流量的稳定性是难以保证的，所以哪些游戏公司的投手，经常需要做的事就是维持其游戏整体的流量稳定，自然流量少了，就适当加大广告流量的投入，这样服务器成本才不会亏（服务器租用是有周期的，服务器空跑也是浪费成本），最多少赚点。

除此之外，游戏还有最重要的一个模式就是联运，所谓联运就是跟有流量的主联合运营，采用分成的模式，荣辱共存。我（游戏方）提供好的游戏，你（流量方）来提供流量，赚了钱大家分。

而所谓的流量方，基本上各大有流量的主都会干，这种合作方式对于流量方来说可控性更强点，考验的是你对游戏品质的把控力，以及对于流量的合理分配能力，即能不能把好钢化在好刃上（考验流量的转化能力）。这就对于自己平台上的流量运营考验很大，或者基于算法分配流量的算法研发能力。

总而言之，不管哪种游戏广告的形式，都是真金白银，实打实的钱在流动，非常刺激。

04

游戏广告的投放

所有广告投放的最终逻辑都是找对口人群，只是什么是对口人群，不同的类型的广告情况有所不同，游戏广告也不例外。

其实对于游戏的人群挖掘来说，相对还是比较清晰明了的，我们都知道游戏这东西本身具有较好的粘性以及延续性，所以分析用户过往的游戏行为，再加上商店或者游戏中心本来就自有完整的类目体系，所以，对于用户在这些类目上的行为累积比较容易去梳理或者统计。

从标签定向的角度上看，过往游戏类型的行为统计，在对口游戏广告投放上还是具有不错效果的。

基于游戏APP行为的人群挖掘方式对于那些固有游戏习惯的人群定位相对还是比较精准的，但是同样有几个问题值得大家去思考。举个简单例子，假设我之前并且目前喜欢玩三国类游戏，且固定在玩几款对应游戏，广告给我推荐三国游戏，我就喜欢吗？

这就是涉及到游戏是否有排他性的话题了。我正在玩一款三国游戏，然后广告给我推荐了一款，一般这种情况下，其点击率会高于那些没有在玩的人还是低于？我的诉求已经得到了满足，这种情况下其转化率说不定比那些完全没有接触的人还低。

这就是所谓的排他性，不单纯游戏里有，其他广告同样会存在这个问题。事实证明真的可能存在的，因为追一款游戏其时间周期可能是按周按月计的，这种时候虽然人群挖掘对于人的兴趣行为捕捉的很到位，但是对于商业兴趣转化来说不一定是高的。

而我们要相信一个事实就是，目前广告平台上大部分涉及到游戏相关的人群标签，都是基于用于之前的游戏行为挖掘定位的，所以，具体会不会遇到类似排他的情况，还得看具体游戏而论。

除此之外，游戏与游戏之间是会存在迁移的。还是举个例子，游戏是具有LTV的，这意味着一个用户在对一个游戏是有一个结束周期的，结束之后可能会继续玩同类型的游戏，也可能存在不同类型的游戏之间进行迁移。

而实际上不同类型的游戏之间是存在这种迁移情况的，只不过不同类型的游戏其迁移程度不同。研究游戏的迁移情况，这意味着可投放人群的扩大，假设A类游戏的用户存在大规模的B类游戏的迁移情况，这意味着使用B类型人群标签进行A类型游戏广告的投放是合理的，降低了人群的竞争，扩大了人群的可利用行。

对于游戏人群来说，还有一个显著特性就是付费性，游戏付费人群具有延续性，这意味着我们对于付费人群的捕捉，将有助于提升游戏广告的转化。

同样，我们在第十五篇《数据与广告系列十五：商业兴趣标签建模&XGboost调优实战》中提到的，针对商业转化的商业兴趣挖掘，同样适用于游戏领域，我们完全可以针对大消耗类型的游戏，只针对付费转化用户，进行模型构建，研究用户的行为特征，而非单纯的行为统计特征的应用。

05

总结

游戏在广告行业中长青永驻，一直以来都是大金主，多了解游戏行业的广告投放，有助于我们对于整体广告行业的理解。

不同于电商人群的转化，游戏人群的转化并不是基于短期诉求驱动，更多的是中长期游戏兴趣的驱动，并且不同游戏在转化表现上体现不同。

关于对游戏广告的分析，我们侧重于理解LTV，并结合LTV来评估游戏广告的投放效果，但从广告本质的角度上看，所有的广告追求的都是ROI，哪怕是品牌广告也不例外，只不过ROI的衡量方式不同。

在不同领域的广告类型上，除了我们之前所聊过的二类电商，本地类中小广告，还有现在的游戏广告，还有诸如品牌广告，以及利用于中长尾流量的联盟广告，他们都有不同的特点。

后续我们如果有机会，再来深入了解联盟还有品牌的广告。

而我们后续的围绕广告场景进行机器学习的学习以及梳理依然会是大主基调。

假期很长，人生很短，我们继续持续不断地学习和成长，加油。

OTHER 相关系列文章（数据与广告系列）

《数据与广告系列八：广告与二类电商》

《数据与广告系列九：有意思的本地化广告》

《数据与广告系列十一：从性别预测的CASE开始手撕机器学习代码》

相关文章