本文是「放置游戏策划实战」系列第 7 篇。前面六篇（P1~P6）我们从概念、数值、系统三个层面搭起了放置游戏的设计框架。但再好的设计也经不起真实玩家的检验。

这一篇专门讲怎么用数据验证你前面做的所有假设。作为独立开发者，你最大的灵活优势就是"当天拉数据、当天改、当天发"。这篇文章会告诉你：哪些埋点是必埋的、数据怎么看、怎么用 A/B 测试替代大厂的统计学团队。

目录

• 一、埋点不是越多越好，要埋这 5 类
• 二、关卡分布随时间迁移：卡点在哪里
• 三、LTV 推算：不要只看平均值
• 四、付费漏斗：每层转化率都是优化信号
• 五、A/B 测试：用真实玩家验证数值假设
• 六、独立开发者的一周数据闭环工作流
• 七、完整可运行脚本
• 八、总结与下期预告

一、埋点不是越多越好，要埋这 5 类

很多独立开发者误以为埋点 = 什么事件都上报。结果埋了几百个事件，最后看板密密麻麻，决策时反而不知道看哪个。

对放置游戏来说，只要埋这5 类事件就够了：

原则：每个埋点都要回答一个具体问题。如果你不知道这个事件将来会用来算什么，就不要埋。

二、关卡分布随时间迁移：卡点在哪里

问题

TapTap 后台不会自动告诉你"玩家卡在哪一关"。你需要自己拉level_up事件做分布分析。

实验

我模拟了 3000 名玩家的关卡数据，分别看第 1 天、第 7 天、第 14 天的到达关卡分布：

结果

图表解读

这张图是判断卡点的金标准：

• D1 中位数只有 1 关：意味着近一半玩家第一天没推到第 2 关。要么是新手引导太长，要么是第 1 关的失败惩罚太重（第一次推图就失败会劝退）。
• D7 在 19 关出现明显尖峰：大量玩家从 18 关推到 19 关，然后卡在 20 关 Boss 墙前。这是 P4 蒙特卡洛模拟、P3 独立乘区、P6 飞升系统中反复提到的"卡死"现象在真实数据中的体现。
• D14 在 39 关出现尖峰：说明第二道 Boss 墙也太高了。如果第一道墙没解决，第二道只会复制同样的流失。

实操建议

每周拉一次level_up分布，重点看中位数和尖峰位置：

• 中位数不增长 → 整体进度停滞，可能是全局成长速度太慢
• 某关出现尖峰 → 该关的下一关是墙，需要降低 Boss 倍率或增加过渡奖励
• 尖峰随时间右移 → 说明改动有效，继续观察

三、LTV 推算：不要只看平均值

问题

很多独立开发者看 LTV 只算一个平均数。但放置类游戏付费分布极度偏斜：少量鲸鱼贡献大部分收入，只看平均值会严重高估普通玩家的价值。

实验

我模拟了 2000 名玩家 30 天的付费数据，画出平均 LTV、P50（中位数）、P90（头部）三条线：

结果

核心发现

• 平均值 ≈ 中位数（27.2 vs 25.1）——这个信号很好：说明没有极少数超级鲸鱼把平均拉到天上，付费分布相对健康。
• 如果平均 LTV 是中位数的 3~5 倍（比如平均 50，P50 只有 10），你就要警惕：
  • 游戏要么依赖重氪，普通玩家不付费
  • 要么付费点设计太集中在某一个大礼包上
• 健康的放置游戏：P50 应该是平均的 50%~80%，P90 在平均的 1.5~2.5 倍之间。

用 LTV 反推买量成本

投放前必须知道：你的 LTV 天花板在哪里。

假设你 30 天 LTV 是 27 元，那买量成本不能超过 20~25 元（留出利润和渠道费）。如果 TapTap 推广获取一个用户成本是 15 元，你就有盈利空间；如果是 30 元，就停止投放，先优化留存和付费。

四、付费漏斗：每层转化率都是优化信号

问题

付费不是"要么首充要么不充"这么简单。从注册到月卡/高价值用户，中间有很多层转化。每一层转化率的断裂处，就是你应该优化的地方。

实验

我模拟了一个 5000 人的付费漏斗：

结果

优化建议（按漏斗断裂处排序）

1. 首日活跃 → 首充（25.9%）：最大断裂。优化方案：

   • 首充礼包价格降低（如从 30 元降到 6 元）
   • 首充送强力限时英雄/装备，让玩家立刻感受到付费前后的差异
   • 延迟首充弹窗，不要在玩家还没理解游戏价值时就弹出来

2. 注册 → 首日活跃（85.0%）：虽然看起来不错，但仍有 15% 流失。优化：

   • 新手引导前 5 分钟必须让玩家看到"数字上涨"（短循环钩子）
   • 首日离线收益上限设置得慷慨一些，第二天回来有惊喜

3. 第 2 次付费 → ≥5 次付费（42.9%）：说明复购冲动不够。优化：

   • 增加小额限时礼包（如"今日特惠 6 元"）
   • 引入 Battle Pass / 周卡机制，形成周期性付费习惯

漏斗分析的关键：不要盯着总人数，要盯着相邻层转化率。断裂最大的那一层，就是你下一个版本的发力点。

五、A/B 测试：用真实玩家验证数值假设

问题

P4 我们用 Python 模拟预测了"调 M 能减少卡点"，P3 用独立乘区分析预测"调装备乘区能让卡点后移"。但这些只是模拟。真实玩家会不会真的因此留下来？必须用 A/B 测试验证。

实验

我模拟了一个 A/B 测试：

• A 组（对照）：当前版本，关卡 19→20 的过渡奖励不变
• B 组（实验）：提高关卡 19→20 的过渡奖励（对应 P3 的"调装备乘区"、P6 的"过渡期设计"）
• 其他所有数值不变，只改这一个变量

结果

统计学判断：这个结果可信吗？

样本量 3000 vs 3000，14 天留存提升 3.8pp。转化率差异 = 0.038，标准误 ≈ sqrt(0.118×0.882/3000 + 0.156×0.844/3000) ≈ 0.0089。Z 值 ≈ 4.3，p < 0.001。非常显著。

独立开发者做 A/B 的黄金法则：

• 只改一个变量，其他都不动
• 样本量至少 1000 人/组（TapTap 几百日活即可跑）
• 跑满一个完整周期（至少 7 天，最好 14 天）
• 计算 p 值或置信区间，不要凭"看起来变好了"就下结论

和前面文章的呼应

P4 的模拟告诉你调整全局成长速度能改变卡点分布；P3 告诉你"装备乘区翻倍能把卡点后移 19 关"。而 A/B 测试告诉你：这个改动在真实玩家身上到底能不能转化成留存。三者缺一不可：

• 数值模拟 → 快速定位问题
• 独立乘区 → 精准设计改动
• A/B 测试 → 真实数据验证

六、独立开发者的一周数据闭环工作流

把上面所有内容串成一个可执行的每周工作流：

周一：拉上周埋点 ├─ 关卡分布（看卡点和尖峰） ├─ 留存曲线（D1/D7/D14/D30） ├─ LTV 分位数（P50/P90） └─ 付费漏斗（找最大断裂处） 周二：定位问题 ├─ 中位数不增长 → 检查全局成长 M（P4） ├─ 某关卡尖峰 → 检查该关卡下一关的 Boss 倍率或独立乘区系数（P3/P6） ├─ 首充转化率低 → 优化首充礼包（本篇） └─ 活跃用户高但留存低 → 检查损失厌恶/倒计时机制（P5） 周三：设计 A/B 实验 ├─ 只改一个变量 ├─ 确定核心指标（留存 / LTV / 转化率） └─ 计算所需样本量（通常 1000 人/组 × 2 组） 周四：发 A/B 版本（TapTap 可直接灰度） 下周一：看结果 ├─ 胜出版本 → 全量发布 ├─ 平 → 保留原版本，继续设计下一个实验 └─ 负 → 回滚，复盘假设哪里错了

这就是 P1 总纲里说的"每个版本都是一次数值实验"的具体落地方式。

七、完整可运行脚本

保存为data_driven.py，一键生成全部 4 张图表：

# -*- coding: utf-8 -*-"""埋点驱动调优实验器：关卡分布 / LTV / 付费漏斗 / A/B 测试"""importnumpyasnpimportmatplotlib matplotlib.use("Agg")importmatplotlib.pyplotaspltfrommatplotlibimportfont_managerasfmimportos,platform# ── 跨平台中文字体 ──_sys=platform.system()if_sys=="Darwin":FONT="/System/Library/Fonts/STHeiti Medium.ttc"elif_sys=="Windows":FONT="C:/Windows/Fonts/msyh.ttc"else:FONT="/usr/share/fonts/opentype/noto/NotoSansCJK-Regular.ttc"fm.fontManager.addfont(FONT)plt.rcParams["font.family"]=fm.FontProperties(fname=FONT).get_name()plt.rcParams["axes.unicode_minus"]=FalseOUT="./csdn_images/p7"os.makedirs(OUT,exist_ok=True)rng=np.random.default_rng(20240711)deffp(s,b=False):returnfm.FontProperties(fname=FONT,size=s,weight="bold"ifbelse"normal")# ── 1. 关卡分布 ──deflevel_dist():P0,REQ0,R,M=10,12,1.15,1.50n=3000ms=np.clip(rng.normal(M,0.18,n),1.2,1.8)reqs=np.array([REQ0*(R**i)*(1.6ifi%10==0else1.0)foriinrange(1,41)])defrch(d):returnnp.searchsorted(reqs,P0*(ms**d),side="right")d1,d7,d14=rch(1),rch(7),rch(14)bins=np.arange(0,43)-0.5fig,a=plt.subplots(figsize=(9,5),dpi=110)a.hist([d1,d7,d14],bins=bins,label=["第1天","第7天","第14天"],color=["#06B6D4","#4F46E5","#16A34A"],alpha=0.8,edgecolor="white")a.set_xlabel("到达关卡");a.set_ylabel("玩家数")a.set_title("关卡分布随时间迁移（模拟 TapTap 埋点导出）",fontsize=13,weight="bold",fontproperties=fp(13,True))a.legend(fontsize=9)fig.tight_layout()fig.savefig(f"{OUT}/p7_01_关卡分布.png",dpi=110)plt.close(fig)# ── 2. LTV ──defltv():days,n=30,2000paid=rng.random((n,days))<0.18amt=rng.exponential(5.0,(n,days))rev=np.where(paid,amt,0).cumsum(axis=1)avg=rev.mean(axis=0)p50=np.percentile(rev,50,axis=0)p90=np.percentile(rev,90,axis=0)fig,a=plt.subplots(figsize=(8,4.4),dpi=110)a.plot(range(1,days+1),avg,color="#4F46E5",lw=2.6,label="平均 LTV")a.fill_between(range(1,days+1),p50,p90,color="#4F46E5"+"22",label="P50~P90 区间")a.set_xlabel("注册后天数");a.set_ylabel("累计付费金额（元）")a.set_title("LTV 推算：平均 vs 中位数 vs P90",fontsize=13,weight="bold",fontproperties=fp(13,True))a.legend(fontsize=9);a.grid(alpha=.3)fig.tight_layout()fig.savefig(f"{OUT}/p7_02_LTV推算.png",dpi=110)plt.close(fig)# ── 3. 付费漏斗 ──deffunnel():stages=["注册","首日活跃","首充","第2次付费","≥5次付费","月卡用户"]rates=[1.0,0.85,0.22,0.14,0.06,0.025]counts=[int(r*5000)forrinrates]colors=["#4F46E5","#4F46E5"+"AA","#06B6D4","#F59E0B","#16A34A","#DC2626"]fig,a=plt.subplots(figsize=(8,4.8),dpi=110)fori,(s,c,cl)inenumerate(zip(stages,counts,colors)):a.barh(i,c,0.55,color=cl,edgecolor="white",lw=1.5)a.text(c+100,i,f"{c:,}人 ({rates[i]*100:.1f}%)",va="center",fontsize=10.5,fontproperties=fp(10.5))a.set_yticks(range(len(stages)))a.set_yticklabels(stages)a.set_xlabel("人数");a.invert_yaxis()a.set_title("付费漏斗：每层转化率即优化信号",fontsize=13,weight="bold",fontproperties=fp(13,True))a.grid(axis="x",alpha=.3)fig.tight_layout()fig.savefig(f"{OUT}/p7_03_付费漏斗.png",dpi=110)plt.close(fig)# ── 4. A/B 留存 ──defab():days,n=14,3000aa=rng.uniform(0.45,0.85,n)bb=np.clip(aa+0.08,0.45,0.92)alive_a,alive_b=np.ones(n,bool),np.ones(n,bool)ra,rb=[],[]for_inrange(days):a=rng.random(n)<aa b=rng.random(n)<bb ca=np.where(a,0.05,0.35)cb=np.where(b,0.05,0.35)alive_a&=rng.random(n)>ca alive_b&=rng.random(n)>cb ra.append(alive_a.mean());rb.append(alive_b.mean())fig,a=plt.subplots(figsize=(8,4.4),dpi=110)a.plot(range(1,days+1),np.array(ra)*100,color="#DC2626",lw=2.4,marker="o",ms=4,label="A 组（当前版本）")a.plot(range(1,days+1),np.array(rb)*100,color="#16A34A",lw=2.4,marker="s",ms=4,label="B 组（提高过渡奖励）")a.fill_between(range(1,days+1),np.array(ra)*100,np.array(rb)*100,color="#16A34A"+"22",alpha=0.3)a.set_xlabel("天数");a.set_ylabel("留存率 (%)")a.set_title("A/B 测试：提高关卡过渡奖励的留存影响",fontsize=13,weight="bold",fontproperties=fp(13,True))a.legend(fontsize=9);a.grid(alpha=.3)fig.tight_layout()fig.savefig(f"{OUT}/p7_04_AB留存对比.png",dpi=110)plt.close(fig)if__name__=="__main__":level_dist();ltv();funnel();ab()print("✅ 全部图表已保存至",OUT)

八、总结与下期预告

今天我们从数据侧补上了独立开发者最锋利的武器：

这就是独立开发者碾压大厂的真正优势：大厂调一次数值要走流程，你当天拉完数据、晚上就能改一个数字再灰度。把这套流程跑熟，你的成长速度比任何培训班都快。

下一篇（P8）我会回到方法论——讲竞品拆解：如何反推一款 TapTap 放置游戏的数值公式、循环结构、卡点设计。P9 会是书单与 GDC 资源精读，P10 是独立开发者周更工作流。如果你正在做数据埋点但不知道看什么指标，欢迎评论区描述你的后台现状，我帮你列一个最小可行埋点清单。