在游戏市场竞争激烈、产品精细化运营的当下，如何快速选定合适的产品模型，并以最小的试错成本，实现产品的合理化、规模化，打造最优的商业化模型？

开心灿烂科技作为一家已经开发了数百款休闲游戏产品，且拥有多年海外发行经验的游戏厂商，将基于自身的产品发行经验，分享高效获取产品商业化「真答案」的优秀实践。

­

---

 

“任何事物都是不断在推演、预测、验证的过程中往复，由数据分析所带来的全面、客观、超出固有认知的数据，能够帮助我们更快、更准地走向目标。”

第 47 期「数数课堂」邀请开心灿烂科技 CEO 李腾飞，聚焦数据价值，结合自身多年海外休闲游戏发行经验，分享企业业务演变过程中，团队该如何让用数据探索产品的商业化价值。

以下为嘉宾分享内容的部分文字稿整理，略有删减和调整。

本期回放与资料详情

扫描下方二维码查看

 

与数据的初相识

开心灿烂主要业务是休闲游戏的发行，每年会发行上百款游戏，整个发行过程就像工厂的流水线，不断地引入，不断地改造，然后以较轻量化的团队模式操作。

一段时间后，我们开始思考如何在这个过程中把效率变高，集中更多的精力做中台或者推广，并联合外部伙伴实现推广的数据化、标准化。在尝试的过程中，因为认知、人员、费用等原因，我们遭遇了一些挑战。

但是，在处理一款产品留存问题时，我们通过数数科技 TE 系统的行为路径分析，解决了新手注册的卡点问题，并有效缓解了注册第一步的流失情况。也就是在那之后，我们才算是真正把数数用起来了，也开始在产品、策划、运营团队中正式引入数据的概念。

 

 

数据与产品的商业化

产品的商业化，是一个需要反复计算的过程，一个需要「算得很明白」的过程。

以创业为例，我们通常会在初始阶段关注人、钱、事三要素。考虑需要投入的人力和资金，以及需要达成的事项。再结合对赛道和方向的深入调研，了解产品的天花板和切入点。此外，无论是 ToB 还是 ToC 企业，这个过程都需要基于大量的计算，才能够最终确定合适的产品。在产品选定之后，团队才能够结合不同的商业模型以及已有资源，获取一定的用户规模和营收。

产品模型的确定与验证

关于产品模型验证，可以通过 MVP、用户访谈、产品迭代等方式展开。我们以前就以一种很极限的方式和 Frog 合作了一款 C 端产品，在仅完成线框图的情况下，就直接在 Facebook 粉丝页进行投放，并基于投放获得的用户确定下一步的转化和埋点。

在验证产品的过程中，我们要不断地反问自己，当前产品所处的阶段是什么？在 0-1 的阶段，需要进行 MVP 模型验证；在 1-10 的阶段，需要找出影响产品商业化的因素；在 10-100 的阶段，可以开始考虑产品的规模化。

也许在上述阶段，会通过一些数据证明该阶段的发展已经达到或者超过极值点，但我们仍需要思考该阶段产品是否能够 10 倍速地放大。无论是运营团队，还是产品团队，都需要进行思考。一旦产品规模能够被 10 倍速放大，才能证明这个产品模型能够被跑通。

一旦产品遇到问题时，可以根据用户的行为路径，了解每一个环节的转化率，定位产品卡点。一些缺少数据中台的小团队或者创业团队，可以借助外界的数据中台，通过行为事件的定义、买量用户的行为路径、ROAS 等，了解每一个行为点的使用率或者转化率。

在卡点解决完之后，可以对产品进行深入分析，确定当前的产品增量和体量，是否能够被放大。

常用的验证方法

1.极值点 & 变化率

极值点可以是市场活动的，也可以是产品某个功能的，是一种产品商业化的衡量标准。如，游戏上线后的数据没有达到极值点，则可根据上线后数据回收，确定实际数据模型与预估的极值模型间的差异，并找到中间可能的原因。通常，极值点可以通过第三方数据机构提供的竞品数据或者用户行为流数据获取。

大部分产品或者运营人员会做很多相关的报表，即使相关人员在每张报表上都把特定指标的变化率标记出来，也还是需要十几、二十分钟，才能够把所有报表过一遍。通常，我们会采取相对简单的模式，把报表的值抽取出来，专注指标的变化率和增量变化情况，便于相关负责人在短时间内快速了解。

相较于以往，产品和运营人员的数据思维已经进化了很多。尤其是现在很多第三方工具也可以简化看报表的工作量，让相关人员第一时间、直观地了解到数据的变化率，将看「极值&变化率」的思维渗透到工作的每一个环节。

以工具变现型产品为例，大部分团队在做这类产品时，会首选清理类产品。但这类产品无论从国内还是海外市场来看，用户需求比较固定，市场规模也很稳定。

当团队选择这类产品时，除考虑市场需求和政策之外，还需要关注产品的商业化，如这款产品的 DAU 和ROI 达成一个怎么样的水平，才是一个值得做的产品。

我们曾经也认为这类产品比较简单，但其最大的挑战在于 eCPM 值。通常这类产品的留存和人群都很固定，需要分析用户行为流，了解产品的核心点，以及能够带来更高 eCPM 值的影响因素。

2.边界值

在引入产品的时候，就需要清楚地掌握产品的边界值及其返回数据，确定特定行为的上下限。尤其是产品在做 A/B 测试的时候，需要提前定义好产品的边界值。这样，就能够对产品的某些指标有一些预估。如 Roguelike 游戏的留存基准，尤其是这类产品的生命周期很长，可以基于其生命周期进行多份的分割，获取不同阶段的边界值，并预演产品的发展趋势，分析边界值和实际数据的差异。

这也是实际产品开发中，需要不断打磨的点。

3.行为漏斗&转化率

行为漏斗，跟转化率强相关。无论是活动还是商业化变现，其本质上都跟用户行为相关。

用户引入产品之后发生的行为漏斗到底分几层？商业化行为何时开展？处于用户行为漏斗的哪个阶段？如何定义用户的行为漏斗？这些都可以通过数据进行推演。

通常，我们会在做行为漏斗时，将数据指标抽象出来，按照用户的主路径或者专题去进行分析。并通过行为分析的结果，反向刺激数据，了解转化率的变化情况。

当我们掌握了前文提及的方法之后，我们始终要回到一个内核，即无论是行为路径分析，还是边界值的上下限分析，我们始终要关注分析样本，也就是分析人群、区域、渠道等任何一个因素的变化。

就像在 Meta 和谷歌上买量一样，用户的行为路径是完全不一样的。如果这个时候对产品进行调整，就需要根据不同渠道的标识，判断不同渠道需要渗透的行为漏斗。这时，还可以反向推导出 Meta 和谷歌上面用户群体的差异性。此外，通过二次调研还能够反向判断市场和调研的精准度。

通常，在看到产品数据和竞品数据差三五个点时，我们还可以选择跳出固有条件，思考当前假设的用户群或者 A/B 测试选择的用户群是否出现问题，并再次验证。这样，就能够不断回溯当初选定的用户样本。

产品商业化的真答案

前文提及的所有方式都是通过推演、预测、分析展开的。其实，无论是在产品迭代，还是做 A/B 测试的时候，我们都在博一个概率。如果我们对这个指标背后的数据了解得越深入，就能更快地接近「真答案」。

以 Tinder 这类产品为例，通常大家会认为这类产品从商业化模型来看，付费率会比较绝对。根据各平台数据，我们基本可以得出这类产品的付费率在 5% 左右。基于这一标准，我们会设置用户行为路径，预设用户开始付费、买会员、买加速、买匹配的阶段。

但是实际上这类产品在局部地区的付费率可以达到 30%，这就颠覆了我们对这个产品的认知模型，从而误导产品、运营人员获取数据变化背后的真实原因。所以，在一些难以解决的分析场景下，我们可以放大地去看，并适当扩大产品的上下限和边界值，验证初始模型的正确性。

在处理业务时，我们通常习惯基于一个数据就展开推演，就像上文提到的付费率，我们大多会去思考如何将其提高至 5%。这是一种自下而上的思维方式。但作为一个管理者，更需要一种自上而下的思维方式。在对产品所处赛道进行分析之后，根据用户群的变化验证产品的模型和运营方案。

当然，这两种思维是相辅相成的，我们既需要惯性思维帮助推演，也需要赛道和模式帮助验证。