近期，我经常会在一些社群碰到许多优化师新人问一些优化思路、基础概念方面的问题，尤其是一些基础性的数据指标、及这些指标之间的关系，如何根据这些指标决定优化方向，解释起来比较繁琐，就想对这些基础性的指标做个简单的梳理。
因为优化师们都有个常识性的思路，分析问题层面由大到小，即产品、渠道、账户、计划、素材、落地页等，具体执行层面则由小到大；所以具体指标的，也就需要从比较基础的层面确定。
在广告层面，优化师们经常会遇到一些问题，诸如没曝光、成本高、不起量、回收低等等，其实从这些问题中就可以具体确定对广告进行分析的数据指标，这里可以具体分为两个方面，一是广告层面，二是素材层面。
一、广告层级数据指标
1.
1.1 广告层级关键数据指标有哪些呢？
其实从甲方乙方对优化师KPI考核中可以知道，乙方考核KPI关键指标主要就是消耗，当然客户会有量级、成本、ROI（Return on Investment 投入产出比）上的要求。
甲方主要考核指标就是ROI和成本，同时兼具量级要求，其实从这里可以得出，广告层级*关键的数据指标就是ROI、成本和回收。
1.2 ROI=回收/成本
什么是成本？根据买量方式不一样，一般来说可以通俗理解为CAC （Client Acquisition Cost 获客成本），即激活成本、创角成本、注册成本等，和付费成本，这两个成本基本决定了一条广告的模型情况。
其次就是回收，所谓回收就是导进的量带来的收益，在IAP（In App Purchase 应用内购）类型游戏中表现为道具内购、付费充值等。
有了成本和回收，就可以具体计算出，一款产品在买量阶段某个具体时间节点的收益情况，以公式表现，即ROI=回收/消耗。
以此公式展开，就可以得到其他几个关键的指标，即ROI=回收/消耗=ARPPU/付费成本=LTV/成本。
因此，优化ROI，可以从回收、成本、ARRPU、付费成本、LTV等方向去进行，各个方向又可以继续往下拆解，从而得到优化思路，但本文仅讲数据指标，不在优化思路方向展开。
2.
以上确定了几个关键指标，消耗、回收、LTV、成本、ARPPU、付费成本。
消耗与回收容易理解，上文也有简单提到，这里会结合投放过程常见问题深度。
分析下，会延伸到互联网广告投放逻辑中几个重要指标，ECPM、CTR、CVR；
LTV其实和产品增长模型联系紧密；
付费相关的有几个数据，arpu与arppu与付费率等。
2.1 ECPM与消耗
首先，我们知道，只有广告曝光出去，才会产生计费，才会有消耗，那么什么会影响到广告曝光呢？
一条广告送到用户面前，会经过定向、流控、用户体验过滤、模型预估、ECPM排队、内容混排，其中*关键的就是ECPM（effective cost per mile 有效的千次展示成本）值。
同赛道的广告，预估ECPM越高，理论上越容易获得曝光，因为ECPM高意味着媒体能从该条广告获得的收益越高，媒体更倾向于它给更多曝光，广告竞争力强，排名自然就越高。
但在实际投放过程中，广告曝光会和产品目标用户群体、广告定向人群覆盖范围、广告创意质量以及探索成本等相关，ECPM高，获得定向人群中的优质曝光越多，但如果系统探索不到更高价值的用户，往往会造成空耗。
同时，ECPM高也意味着，同样是千次展示广告主付出的成本就越高，抓取到的用户注册成本也会很高，产品是否能承受高成本也是需要考虑的。
而ECPM=Bid*ECTR*ECVR*素材质量度*1000，因此广告消耗得出去与否，消耗得快慢，就直接和出价、预估CVR、预估CTR相关。
预估CVR、预估CTR是直接和广告模型接收到的数据样本，或者说数据积累有关的，样本大致分为三类，用户特征、广告特征、上下文特征，即广告系统数据积累、账户数据积累、历史广告数据积累。
2.2 LTV与注册成本
LTV（life time value)）即用户生命周期价值，是玩家从进入游戏到流失所产生的全部收益的总和。
基于此定义可以看出，LTV在周期内是呈增长趋势的，因此也可以由此计算出一个产品某个时间新增用户的LTV，比如某游戏产品在4月1号新增用户的LTV2，就是这批用户在4月1号和2号两天产生的付费与新增用户数的比值。
下图是笔者某条广告在某日的数据及后续增长表现，假设这条广告是4月1号产生的数据，包括量级，注册成本、LTV，那么这条广告3日LTV，就是这142个注册用户，在4月1号、2号、3号，产生的总的付费，平均到这89个人每个人身上。
从上面的定义以及上文提到公式ROI=LTV/成本可以看出，LTV也是计算一款产品回收周期的重要依据，不讨论分成，当ROI大于等于1，产品就是回本赚钱的，那么理论上只要LTV值越大，成本越低，ROI就越高。
但这仅仅是理论上，实际买量过程中，用户质量越高，成本也就越高，LTV也越高，因此可以将LTV数值看做用户质量，买进来的用户只有产生付费，并且是持续付费，*终覆盖成本，ROI才能回正，才能回本，乃至盈利。
关于注册成本，广告在曝光，其实就是被推到用户眼前，用户观看、点击、安装、激活、创角、注册、付费、留存等产生一系列行为。
以注册为例，从用户看到广告到完成注册，这期间广告曝光产生的消耗就是抓取到这个用户的成本，当然也可以以某些行为做节点，计算行为成本，比如点击成本、激活成本、付费成本等。
结合上文LTV来看，如果注册成本为100，但是当日ltv只有10，ROI=10%，后续只有这批用户LTV增长达到10倍，也就是100，才能不亏钱，超过100才能盈利，结合留存数据（留存反映了用户生命周期和LTV增长空间），LTV增长倍数，就可以大致得出产品的增长模型。
下图是笔者某条广告某段时间跑出来的相关数据表现，LTV对比注册成本就是roi的数据，即23/77**=30%；然后这条广告比较稳，累计增长倍数在7倍，即163/23=7，基本达到运营制定的标准。
2.3 ARPU 与 ARPPU、付费成本
ARPU（average revenue per use）即平均用户收益；
ARPPU（average Revenue Per Paying User）即平均付费用户收益；
ARPU =总回收/用户数；
从定义不难看出，ARPU与ARPPU的区别，前者是收益平均到每个注册用户，后者是收益平均到付费用户，往往公司财报上会选择写ARPPU，因为这样数据看起来会好看些。
也许有的同学看到上文的LTV，会觉得和ARPU定义很像，那么二者的区别是什么呢？
笔者这里需要说明他们相关，但不相同。
不同于，看起来LTV和ARPU定义非常接近，都是从用户维度计算收益，但二者本质是不同的，LTV考量的重点在“价值”，是从每个用户身上获取价值的能力，ARPU考量的重点在“注册用户”，是从每个用户身上反馈出来的产品运营情况。
相关在，LTV可以理解位以用户生命周期为单位的ARPU值，即LTV=LT（Life Time）*ARPU。
我们只需要计算用户的平均生命周期，再计算这个周期内的ARPU值，就能得出平均每个用户在此平均生命周期带来的价值。
付费成本，即为获取付费用户付出的成本，比如导进100个用户，获客成本是80，消耗为8000，100个用户里产生20个付费用户。
那么付费成本就是8000/20=400。
结合上文，ROI可以将ARPPU与付费成本串联，即ROI=ARPPU/付费成本。
二、创意层级数据指标
1.播放数据
1.1 黄金3秒
对于创意层级的数据，我们可以从腾讯广告的创意排行榜去看一些行业创意数据指标，具体的步骤跟大家说下：
*步，点击“工具”——“创意排行榜”
第二步，点击“黄金3秒榜”
素材开头历来是兵家必争之地，前3秒是吸引用户点击和停留的重要因素。
往往可以通过一些矛盾冲突强烈的剧情，或者是视觉听觉等感官刺激，来抓住用户。
或者是设计一些前贴文案、或直接引用大盘3秒点击率高的开头，提高点击。
以下图为例，前贴文案加美女背景，就是一种比较好的3秒开头。
1.2 完播率
是*于3秒播放率的评价素材质量度的重要数据，完播率高，素材质量度就高，就有更大概率扩大系统分配的流量池。
优化完播率，可以具体分析素材跳出率比较高的节点，比如文案、剧情等不能引起用户兴趣，或者招致用户反感，做出相应的修改。
1.3 平均播放时长
数据长短可以直接反映出用户对素材是否感兴趣，也影响到用户能否看到素材卖点。
有时候会在实际投放中出现素材平均播放时长长，但是转化率低，这说明用户对素材感兴趣。
但是素材本身在卖点或者说付费点、转化点设置上不合理，不能引起用户转化欲望，需要做出相应的修改。
下面是笔者某款产品某段时间里两个同类素材的播放数据表现，播放率和平均播放时长*的，在消耗和回收上也会表现更佳。
1.4 播放进度率
25%播放进度率、50%播放进度率等，可以和开头结合起来看，有的素材开头很能吸引用，但播放进度率很低，说明这种吸引是不持续的。
可以结合播放进度率异常表现，判断具体素材环节引起用户流失，做出相应修改。
2. 互动数据
2.1 dislike率、点赞、评论、分享等
重点在dislike率，主要被用户标记不感兴趣或者被举报等数据，系统接收到用户负向反馈频次过高，就代表广告模型输入负向数据过多，会影响模型预估，进而影响ECPM预估，拉低广告排名，减少广告曝光。
同理，点赞、分享、评论数据指标高，会给到系统正向反馈，进入更高流量池，获得更多曝光，就像用户经常点赞美女视频，后面就会更高频次接收到美女视频推送。
三、总结
作为刚入行的优化师，尤其是还没有形成自己的投放思路或者总结出自己的投放方法论的时候，多看多分析多复盘总结是快速成长的不二法门。
以上这些数据指标只是在投放中应用到的频次相对高些，并没有囊括到全部，优化师们可以从以上的数据指标入手，从中拓展延伸，开始尝试总结优化思路与方法，希望能对大家有些许帮助。
本文标题：*游戏投手：刚入行的优化师必学的数据分析指标有哪些？
本文链接：https://www.eatui.cn/xinxiliu/30625.html
