​IAA+IAP混合变现趋势下,出海手游广告玩法解析 | TopOn出海干货

news2024/11/23 16:09:42

在这里插入图片描述

3月23日,TopOn 携手罗斯基及汇量科技旗下一站式跨渠道智能投放工具XMP联合主办的“2023游戏出海新机会”上海站线下沙龙成功举办。

本次活动邀请到多位业内知名公司、平台的负责人,分别从海外投放增长策略、产品融合玩法方向、商业混合变现模式、三方安卓流量渠道、AIGC应用、选品立项思考等多个方面,为从业者分享最新的行业趋势观察和经验案例分享。

活动上,TopOn华北区商务总监尚亦婷带来了《IAA+IAP混合变现趋势下,出海手游广告玩法解析》。随着越来越多的开发者入局,混合变现已经成为当下热门的变现策略。那么混合变现效果如何,各市场有哪些参考数据呢?

以下是分享内容整理:

有效提升产品收益,混合变现已成为热门变现策略

混合变现简单来说就是IAA应用广告+IAP内购结合的变现模式,混合变现并不是某类产品特有的变现模式。像前几年比较热门的超休闲游戏,不仅玩法在变化,变现也在变化,从之前的纯IAA向混合变现模式转变,即用户可以选择免费使用有广告的版本,也可以选择内购付费去除广告的版本。以及越来越多中重度游戏在探索及尝试混合变现,中小R用户不花钱,也可通过观看广告得到一些游戏内资源,同时对于开发商来说通过广告让不付费的用户贡献他们的价值。

在此前Meta的采访中,大多数受访者都认为,相比单纯采用应用内购买变现,采用应用内广告+应用内购买的组合策略往往能让游戏 获得更高的日活跃玩家平均收益和玩家 留存率。为应用内购买变现模式引入应用内广告变现后,开发者发现收入和玩家终生价值(LTV)均有所提升:

50%取得日活跃玩家平均收益的上涨
30%取得应用内购买收入的上涨
33%取得玩家终生价值的上

图片

67%的游戏决策者在游戏开发早期就已开始采用兼顾用户获取与变现的 策略构建游戏。在被问到采用组合方案的原因时,大多数受访者认为这有利于:

80%创建用户群/受众群,69%按用户群定制变现方案。若能在游戏开发之初便将应用内广告变现模式整合到游戏中,那么整个变现模式往往能发挥更强的效果。

图片

2022年主流市场广告变现数据一览

下图是2022年中度游戏在主要市场的eCPM表现。可以看到,双端美国、日本、韩国市场激励视频和插屏均表现优异,远高于其他地区;Android端和iOS端激励视频和插屏最高均为美国;两印巴西地区由于设备和网络较为落后,设备较少支持中度游戏,eCPM表现较为一般。

在这里插入图片描述

LTV数据方面,美国在双端LTV表现均最佳,韩国、港澳台、日本排在第二梯队;双端两印地区、巴西的中度游戏表现均比较一般;与2021年对比,安卓端美国日本涨幅趋近,接近于并列第一,LTV30能增长到$0.6附近。但在2022年,美国仍然能达到$0.59;日本的成长则稍微逊色,中度游戏的LTV30仅为$0.51,相比2021年下跌了$0.09。

图片

留存数据方面,日本、韩国的用户留存最好,次留依次为41.36%、39.73%。中度游戏用户在日韩地区的用户粘性较高,相应地,30留也较高,分别为7.51%、4.87%;俄罗斯的次留最低,仅为26.22%;俄罗斯、巴西两印地区的次留和长留表现均一般;2022年中度游戏的留存表现和2021年对比相差不大,仍然是日韩的次留和长留表现较好。
图片
兼顾用户在游戏的体验,一般慎重使用插屏广告,主要使用激励视频,多为采用激励视频提供道具、金币等激励促进玩家继续参与游戏。接入注意事项:

激励视频:提前做预加载;
插屏:可根据实际情况控制展示频次或设置上限;
Banner:设置自动刷新,例如20S。

图片

广告优化策略分享

接下来分享一些广告调优的策略。通常推荐开发者选择3-8家广告平台,可以提高收益和填充率。

图片

我们推荐开发者在不同地区选择合适的平台,下面简单列举了一些主流市场的头部平台。
图片

具体策略上,流量分组功能是开发者使用比较多的,根据一定规则将流量进行划分,并基于流量分组做精细化运营,因为不同分组下用户行为 和广告平台表现均有差异,实施差异化的waterfall排序,可达到提升eCPM的目的。

国家是最需要关注的一个维度,几乎所有广告平台都能提供分国家的数据。其它维度可以使用单独的广告位ID或者按展示来拆分收益。广告平台在不同国家的表现差异很大,重点国家尽量单独做waterfall排序

有无设备ID时,广告平台效果差异很大,部分平台在设备ID为空的流量上几乎没有填充,可以区分来设置Waterfall。后续iOS 14普及,设备ID为空的占比将会大幅提升。

在这里插入图片描述
此外,广告分层也是一个常见的手段。通过设置eCPM底价来对广告分层,可使得广告平台之间排序更合理,有效增加优质offer曝光几率。

有几点需要注意:

eCPM底价越高,填充越低。填充率一般控制在5%以上,最低不少于1%;
平台之间分层,交替排序;
设置1-3个兜底层,不设底价或底价很低,用于提升整体填充率来吃尾量;
展示顺位对eCPM不支持设置有影响,理论上曝光越靠前的展示,其广告效果越好。对于底价的平台,可以通过控制展示频次来实现分层。

图片

作为聚合平台,Topon做的是混合智能排序。Topon会先请求waterfall最高层的价格,同时请求bidding的广告平台。当bidding平台返回价格后,Topon会将其穿插在waterfall中,价高者优先展示。通过这样的逻辑提升开发者广告收益,优先保证价格最高的广告平台得到展示。

图片

A/B Test就是把用户按一定比例分组,控制广告策略的变量,做单一变量的对比测试。例如想要加入新的广告平台,但不确定效果。这时可以使用A/B两个方案,在其中一个方案加入新的广告平台和瀑布流策略,从而对比效果。
图片

广告变现收益提升案例分享

最后分享几个产品案例。《Draw Tactics》是一款休闲类产品,游戏设有开屏广告。开屏广告通常会设置3-5秒的超时时间,如果瀑布流很长的话,可能会错过展示机会。所以我们建议开发者区别冷启动和热启动,冷启动的时候瀑布流不要太长,或者使用bidding。热启动有充足的加载时间,瀑布流长一点也可以。另外一个开屏优化是,增加兜底策略。在聚合里会有兜底的开关,客户端发起请求的时候,是向瀑布流的头层以及兜底的广告源发起请求,尽量保证填充。更保险的方案是客户端写死一个兜底的广告源ID,当产品启动初始化的时候,立刻去请求兜底的广告源,这样可以节省等待聚合初始化的时间。

另一方面,《Draw Tactics》从去年年底开始有大量的俄罗斯自然量进入,但是没有很好地变现平台。通过聚合接入了俄罗斯的广告平台,整体产品的收益提升非常多。

图片

第二个案例是《Devil Lord》,主要做日本本土iOS市场。因为地区比较集中,加之IDFA的政策,产品受影响较大。所以开发者将用户按照是否有IDFA分开,发现有IDFA的用户价值是没有IDFA用户的3倍。

图片

第三个案例《迷你世界》,一款内购为主的产品。我们观察看很多偏内购的产品,虽然设计了很多广告场景,但入口很深,用户到达的频次和频率都非常低。如果将这些广告全部使用单一的ID做优化,那么在启动App初始化时,一定会导致内存消耗。同时还会耗费大量人力,影响效率。在这种情况下,我们建议开发者使用场景管理功能,同一个广告类型使用一套瀑布流,但是可以区分不同的场景ID。这样可以清晰地看到每个场景的数据表现,可以高效地进行优化处理。

图片

最后一个案例是更重度的纯内购产品。这款产品最初增加广告并不是为了提升收入,而是为了提升非付费用户的留存和活跃度。像这种产品,我们建议在首页加入一些小窗口,这样对玩家的影响较小。此外,对于想要提升游戏整体数据的内购产品来说,更需要关注的是上线广告之后数据的实时变化。

图片
**图片**

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1568035.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

C++万物起源:类与对象(三)拷贝构造、赋值重载

目录 一、拷贝构造函数 1.1拷贝构造函数的概念与特征 1.2拷贝构造的实现 1.3默认构造函数 1.4拷贝构造函数典型调用场景 二、赋值运算符重载 2.1赋值运算符重载的格式 一、拷贝构造函数 1.1拷贝构造函数的概念与特征 在c语言语法中,我们可以将一个变量赋值给…

OSPF中配置静态路由备份 实验简述

OSPF中配置静态路由备份 实验简述 静态路由备份是一种网络路由的备份机制,用于提高网络的可靠性和冗余性。而静态路由备份则是在主路由失效时,自动切换到备用路由,以确保网络的连通性。 主路由默认优先级为60,备份路由设置优先级1…

Doris实践——信贷系统日志分析场景的实践应用

目录 前言 一、早期架构演进 1.1 架构1.0 基于Kettle MySQL离线数仓 1.2 架构2.0 基于 Presto / Trino统一查询 二、基于Doris的新一代架构 三、新数仓架构搭建经验 3.1 并发查询加速 3.2 数仓底座建设 四、Doris助力信DolphinScheduler 和 Shell 贷业务场景落地 4.…

前端学习<四>JavaScript基础——03-常量和变量

常量(字面量):数字和字符串 常量也称之为“字面量”,是固定值,不可改变。看见什么,它就是什么。 常量有下面这几种: 数字常量(数值常量) 字符串常量 布尔常量 自定义…

C#编写MQTT客户端软件

主要参考C#MQTT编程06--MQTT服务器和客户端(winform版)_c#mqttserver-CSDN博客 但由于使用的.NET版本和MQTT库版本存在差异,因此有些不同。 MQTT协议内容在此不做描述,仅介绍VS使用C#的实现过程。本次使用VS2015,.netframwork4.6。 C#语言本身…

从零到一:基于 K3s 快速搭建本地化 kubeflow AI 机器学习平台

背景 Kubeflow 是一种开源的 Kubernetes 原生框架,可用于开发、管理和运行机器学习工作负载,支持诸如 PyTorch、TensorFlow 等众多优秀的机器学习框架,本文介绍如何在 Mac 上搭建本地化的 kubeflow 机器学习平台。 注意:本文以 …

STM32单片机智能电表交流电压电流程序设计(电流 电压互感器TV1005M+TA1005M)

资料下载地址:STM32单片机智能电表交流电压电流程序设计(电流 电压互感器TV1005MTA1005M) 1、摘要 5、基于STM32F103单片机智能电表交流电压电流设计 本设计由STM32单片机核心板电路交流电压电流检测模块电路WIFI模块电路指示灯电路组成。 1、通过电压互感器TV100…

【Canavs与艺术】绘制蓝白绶带大卫之星勋章

【图例】 【代码】 <!DOCTYPE html> <html lang"utf-8"> <meta http-equiv"Content-Type" content"text/html; charsetutf-8"/> <head><title>用Canvas绘制蓝白绶带大卫之星勋章</title><style type&quo…

计算机网络—TCP协议详解:特性、应用(2)

&#x1f3ac;慕斯主页&#xff1a;修仙—别有洞天 ♈️今日夜电波&#xff1a;マリンブルーの庭園—ずっと真夜中でいいのに。 0:34━━━━━━️&#x1f49f;──────── 3:34 &#x1f504; ◀️…

我愿把这个网站成为全球最强AI网站!弄100多个AI伺候你??

家人们&#xff0c;你们猜我发现了什么牛逼的AI网站&#xff1f;&#xff1f; 直接上图&#xff1a; 这个网站&#xff0c;聚合了国内外100多个顶尖的AI&#xff0c;包括了OpenAI家的GPT3.5、GPT4、GPT4V、GPT4.5系列&#xff0c;以及Anthropic家的Claude3 Opus、Claude3 Sone…

Spark-Scala语言实战(11)

在之前的文章中&#xff0c;我们学习了如何在spark中使用RDD中的cartesian,subtract最终两种方法。想了解的朋友可以查看这篇文章。同时&#xff0c;希望我的文章能帮助到你&#xff0c;如果觉得我的文章写的不错&#xff0c;请留下你宝贵的点赞&#xff0c;谢谢。 Spark-Scal…

如何系统地自学Python

1、如何系统地自学Python 小白的话可以快速过一下某马&#xff0c;某谷。 主要关注Python有什么集合&#xff0c;里面的集合怎么使用 然后再找一个Python爬虫实战视频&#xff0c;先跟着视频敲一遍代码&#xff0c;然后再尝试自己做一遍 然后再找一个Python服务开发视频&am…

redis乱码\xac\xed\x00\x05t\x00H解决

发现数据库乱码&#xff1a; 这数据库是来自rdids队列list实现的一个简单队列&#xff0c;停止使用该list的服务&#xff0c;查看里面的值&#xff0c;发现 乱码\xac\xed\x00\x05t\x00H&#xff0c;如下图&#xff1a; 很明发送数据端的问题&#xff0c;检查代码&#xff1a; …

如何保持数据一致性

如何保持数据一致性 数据库和缓存&#xff08;比如&#xff1a;redis&#xff09;双写数据一致性问题&#xff0c;是一个跟开发语言无关的公共问题。尤其在高并发的场景下&#xff0c;这个问题变得更加严重。 问题描述&#xff1a; 1.在高并发的场景中&#xff0c;针对同一个…

【python】python新闻内容zhua取分析词云可视化(源码)【独一无二】

&#x1f449;博__主&#x1f448;&#xff1a;米码收割机 &#x1f449;技__能&#x1f448;&#xff1a;C/Python语言 &#x1f449;公众号&#x1f448;&#xff1a;测试开发自动化【获取源码商业合作】 &#x1f449;荣__誉&#x1f448;&#xff1a;阿里云博客专家博主、5…

Redis的基础操作

目录 一、Redis命令工具 1.redis-cli 命令行工具 2.redis-benchmark测试工具 3.Redis数据库五大类型 1、String 2、List 3、Hash&#xff08;散列类型&#xff09; 4、set无序集合 5、sorted set 二、Redis数据库常用命令 1、set与get的使用 2.查看数据库中键的情况…

深度学习:神经网络模型的剪枝和压缩简述

深度学习的神经网路的剪枝和压缩&#xff0c;大致的简述&#xff0c; 主要采用&#xff1a; network slimming&#xff0c;瘦身网络... 深度学习网络&#xff0c;压缩的主要方式&#xff1a; 1.剪枝&#xff0c;nerwork pruing&#xff0c; 2.稀疏表示&#xff0c;sparse rep…

基于向量数据库搭建自己的搜索引擎

前言【基于chatbot】 厌倦了商业搜索引擎搜索引擎没完没了的广告&#xff0c;很多时候&#xff0c;只是需要精准高效地检索信息&#xff0c;而不是和商业广告“斗智斗勇”。以前主要是借助爬虫工具&#xff0c;而随着技术的进步&#xff0c;现在有了更多更方便的解决方案&…

2024-HW --->SSRF

这不是马上准备就要护网了嘛&#xff0c;如火如荼的报名ing&#xff01;&#xff01;&#xff01;那么小编就来查缺补漏一下以前的web漏洞&#xff0c;也顺便去收录一波poc&#xff01;&#xff01;&#xff01;&#xff01; 今天讲的主人公呢就是SSRF&#xff0c;以前学的时候…

QA测试开发工程师面试题满分问答5: 内存溢出和内存泄漏问题

概念阐述 内存溢出&#xff08;Memory Overflow&#xff09;和内存泄漏&#xff08;Memory Leak&#xff09;是与计算机程序中的内存管理相关的问题&#xff0c;它们描述了不同的情况。 内存溢出是指程序在申请内存时&#xff0c;要求的内存超出了系统所能提供的可用内存资源…