在独立出海联合体携手TradPlus主办的“2022游戏出海如何打赢精细化运营突围战”主题线上直播活动中，TradPlus CEO王秋实围绕着休闲游戏在出海过程中，广告变现相关事宜以及Bidding模式的详细分析做出了精彩演讲。

独联体特此将分享内容整理如下，以供读者参考。

【资料图】

大家好，我是TradPlus的王秋实。今天我为大家带来的演讲主题是《Bidding时代降临，出海休闲游戏如何创造广告变现收益》。这个演讲大概分为四个部分，分别是休闲游戏出海的趋势与现状、广告变现如何获得收益最大化、Bidding的机遇与挑战和出海游戏广告变现案例分享四个部分。

首先简单介绍一下TradPlus，我们是一家广告变现平台。旨在为客户提供广告变现精细化运营的SaaS产品和最大化收益解决方案。同时我们也是Meta全球的Bidding Partner，并在今年3月的时候与Meta官宣合作，这是Meta在亚太地区官宣合作的第一家平台。目前我们在出海TOP100的开发者中，覆盖超过20%。我们的合作伙伴包括心动、迷你玩、博乐科技等游戏企业。

出海广告变现行业现状

在本章开始的时候，先让我们来看两组数据。来自于Data.ai在2019年发布的数据显示在全球下载量和月活跃用户排名前一千的游戏中。广告变现的覆盖度高达90%。而在用户支出排名前一千的产品中，这一数字也达到了67%。

而在2020年，IDC公布的数据显示预计到2024年，移动游戏广告变现的年复合增长率将达到17%。预计到2022年移动游戏内广告变现的收入将达到439亿美金。而这个数字从当前我们了解到的情况来看与市场的实际情况相差不大。

接下来再看一下国内的情况。中国市场从2017年到2020年广告变现的收入年复合增长率达到了180%。截止至2020年这方面的收入已经超过了180亿元。两厢对比我们不难发现，2017年移动游戏的广告变现在国内仍是一个很小的数字。但到了2020年之后，这个数字已经有了十倍的增长。

以上几组数据基本表明了在当前的游戏市场上，广告变现无论是在中度、轻度还是重度游戏中，都有了比较高的覆盖率。但细究一下，我们会发现这种覆盖率也是通过不同的阶段来完成的。比如说在2018年之前，伴随着超休闲游戏的兴起使得广告变现对于此类游戏成为了刚需。而休闲游戏受此影响也关注到了广告变现，但其最初接入的目的仍是为了提升非付费玩家的收入。基于超休闲游戏与休闲游戏中非付费玩家的比例高达70%以上，使得各家厂商都在思考如何在ROI有限的情况下提升收益。在这种情况下，他们都引入了广告变现。但在引入之后他们会发现不但非付费玩家的收入提升了，同时其留存也有了显著的提升，这是以前没有想到的地方。而从应用场景上来看，这一阶段的开发者仍然是停留在增加广告场景之上，并有限地开始尝试聚合平台。他们开始意识到使用广告平台能够更好地提升产品的CPM。但由于彼时超休闲游戏突然爆发，整个市场仍有较大的红利，因此开发者们更多的精力仍然投入在广告场景的设置之上。至于聚合平台，大家的诉求是只要简单易用，易于上手就可以了。

第二个阶段发生在2018至2019年，这一阶段的特点是超休闲游戏和休闲游戏都进入了一个蓬勃的发展期。同时广告变现受此影响在方法论上也逐步成熟，受这种成熟方法论的影响。不但是超休闲游戏和休闲游戏，甚至一些收入上遇到了瓶颈的中重度游戏也开始引入广告变现。在这一阶段很多超休闲游戏发现产品在引入广告变现之后非但有助于提升ROI，并且这种提升是远远超过预期的。受此影响也使得开发者在所有的品类中都开始加入广告变现。

广告变现在这一阶段让大家意识到了其对于产品的增收能力。我们了解到的数据是在一些中重度游戏中，广告变现的收入占比可以达到10%至30%。休闲游戏能够达到40%至50%。而超休闲则几乎达到了100%。这种情况使得越来越多的开发者开始研究广告变现，他们乐于利用广告变现达成在不影响原有付费用户的情况下却使得非付费用户的留存和收入提高的效果。与此同时，由于广告变现的存在允许一部分非付费用户尝试到付费道具的效果，使得这部分用户也有机会转化成为付费用户，从而达成了付费用户比提升的效果——尽管这部分转化过来的用户仍是以小额用户为主，但10%至20%的数据仍然对于很多开发者来讲非常可观。

基于这种原因，使得聚合平台在这一阶段逐渐演变成了一套对于广告变现的完善的解决方案，而非是一个单一的产品。在这种情况下我们在2019年开始进入这个市场，目的就是为了给开发者提升一整套的解决方案以及配套的SaaS产品，并且我们在行业中首次提出了漏斗模型的方法论。

第三阶段是2020到现在，这一阶段随着竞争的加剧，开发者开始意识到精细化运营能够给广告变现收入带来大幅度的提升。因此他们开始尝试围绕此的精细化运营的方法论研究，毕竟这种方法论可以在市场上给予他们良好的回报。在此基础上大量的开发者意识到：如果我在广告变现上比竞品更出色，并得到一个更好的.ROI。那么完全可以在此基础上扩大投放规模，并且收获一个更好的优势。这种因素促进了大家对此的深入研究。

但在这诞生了几个新的需求：

首先是开发者更广范围的市场需求，大家不再满足于自身产品的广告变现信息。同时也希望能够看到当前市场上头部产品围绕此的成绩与方法论，希望看到渠道间策略的变化以及相关信息。

第二是广告的数据分析，而数据分析的大前提是建立漏斗模型。这部分在TradPlus正式提出漏斗模型之前是没有人提出相应的概念的。但是通过实战，大家发现漏斗模型有助于我们精准定位流失。而不是像传统的分析三方数据一样，我们可以通过漏斗模型看到用户在广告行为的每一步，看到用户在哪一步真正流失，并以此做出针对性的优化。而我们的数据也显示在使用TradPlus的客户中，有80%的客户在使用漏斗模型作为优化的核心工具。

而从2021年开始，客户的需求进一步升级。相较于以往大家仅仅去了解广告变现的逻辑，从这一阶段开始大家需要的是从用户获取、留存到内购、变现的一套完整的闭环管理的方法论，而这套方法某些头部开发者已经颇有心得，并且由他们的产品开始在行业中进行普及。但这套闭环的逻辑是什么？过往我们的做法往往是将买量数据和用户数据直接灌到BI系统中，并且得出不同渠道、不同维度购买的流量所具体呈现出的行为是什么？但在广告变现被引入后，它的关键点就变成了广告数据能否被引入其中，这决定了其最后一块版图是能否能够拼接成功。过往的三方广告平台对此通常是无能为力，但聚合平台则不然，它可以将最终的广告变现收益拆分到每用户级别，开发者因而可以将这部分数据导入到BI之中。在这种情况下BI平台得以呈现从用户获取到留存到内购的呈现，而通过这种完整的呈现，也可以更好地展现游戏的ROI，并以此为指导优化整体产品的买量策略。这是广告变现在2021年最大的变化。

而当时间发展到2022年之后，我们会发现广告变现呈现出如下几个趋势：

第一是中重度游戏中进一步普及广告变现，很多游戏在设计之初即引入了广告变现。而不是像此前几年，在游戏上线之后有一定的基础量才尝试引入广告变现。而在这种情况下也衍生出了一些比较巧妙的方法论，比如说有一些CP会将广告变现作为最小付费单元，以往我们知道中重度游戏最小的付费单元是6元。而在今天IAA被引入之后可以设置为一毛钱甚至更低，通过这种方式让用户试用一些昂贵的道具。通过这种设计广告本身变得更为平滑和自然，也可以有效地与道具付费完美结合。

第二是不同领域开发者的进一步融合，即重度游戏CP也开始做中度，中度游戏CP会去做休闲。在这种情况下他们更注意广告变现的重要性。因为这几个品类的广告变现比例更大，为什么会出现这种趋势，我认为有如下几点：

首先是一步放大IP的价值。

其次是IDFA政策的实施，由于定位不够精准，整体的买量效率是在下降的。这使得中重度游戏在买量时ROI压力更大，所以我们可以利用休闲游戏和中度游戏进一步扩大我们的用户规模。因为这个品类是以泛用户为主，并不需要过于精准的定位，而通过广告变现作为补充，扩大我们的用户基数。并以此作为BI分析的基石，找到其中较为偏重度的用户并将之导入到重度游戏中去，这是最根本的一个原因。并且这个趋势在当下仍在发展。

最后是因为Bidding的到来对于整个广告变现的一个升级。以今日眼光来看，Bidding模式相较于过往的瀑布流模式有很多的优点，并且大大节省了人力。但和大多数的技术一样，其不能完全适用于每个应用场景，在个别的应用场景中如果想用好Bidding，它需要更多的聚合平台提供更高的功能，而不是像以往的瀑布流模式简单的提供价格PK。这在之后我们会详细讲到。

广告变现如何获得收益最大化

在本章中，让我们以开始一个业务流程来探讨广告变现如何获得收益最大化的问题。当我们开启任何一个业务的时候，都要经历图中绿色部分这五个步骤：首先，我在开始之前要了解一些行业信息。

其次在了解行业信息之后，我要了解当前业务的方法论，而这个方法论的高度决定了我们的成功概率。第三，当方法论确定之后，我们要找到合适的工作来做这件事而不是重新开发一个工具。接下来有了工具还不行，还要会用。我们需要通过这个工具有效地将我们的方法论落地，当这四步都有效执行之后这件事情或这个业务已经被推进到一个高度了。那接下来我们要考虑的是就这个环节做好了，能否去赋能其它环节，所以我要拓展一下边界。

再来看蓝色部分。这是每个步骤我们要达成的目的，比如说收获行业信息之后，我们可以了解到这个业务有哪些坑，而这其中哪些坑是我们可以绕过去的。但我们需要声明的一点是，行业信息并非仅停留在业务开始阶段。事实上这种需求伴随着行业发展的不同阶段都存在着，当我们在业务推进到一个阶段之后，同样需要行业信息来丰富我们的知识储备。同时从业务层面来说，我们也需要与时俱进，知道行业当前有了什么新的打法？与此同时做得最好的有哪些？我们需要围绕此制定新的，更高的目标。

接下来是方法论，方法论的目的是知其所以然，好的方法论是成功的前提。顾名思义大家都理解。而优秀的工具要求的是功能强大、高效还要易用。尤其是在初期刚上手的时候，我有可能只能实行方法论的70%，而在后期我需要突破的时候要使用的功能越来越多。所以在这种情况下，好的工具的标准要达到其对于刚上手和高级玩家能够同样的高效和易用。

服务指的是如何帮助方法论落地。

拓展边界指的是赋能关联业务，相互间形成正向的循环。

从TradPlus的角度出发，我们是这样认知这套流程的。首先，我们有行业信息，有大盘数据。与此同时我们能够提供的是分品类的广告变现解决方案。不管客户的产品是射击、解迷还是益智，我们都可以给它一个准确的解决方案。这个变现方案包括场景，如何选择三方平台，怎么配置区域间的流量分配。

而在方法论阶段，我们认为广告变现的本质是一个数据分析工作。因此它需要以漏斗模型为核心展开方法论，这个数据漏斗模型可以展开足够的细节。它可以体验用户从启动到观看完广告的整个行为是怎样的？我们会将这个环节分为二十个步骤，并且去抓六十个指标。

这个特色也就涉及到了接下来的工具部分，在这里我们除了提供常规服务之外，还有一些特色服务。比如说漏斗报表，AB测试、自动优化以及自动监控报警。最后一项是当前TradPlus平台独家拥有的功能，其可以让开发者的运营人员从日常数据对比中解放出来。

在服务上我们有运营支持和方案介绍，这些都有专业的团队来进行支持。

当这一切做好之后，我们可以看到两个大事件可以起到拓展边界的作用。一是数据报表，我们可以通过API将之导入出去。并且让开发者构建整个数据运营的闭环，并进一步优化买量策略。

通过这张图可以看的更为明显，我们对于开发者的支持是全方位的。包括设计变现方案，选择三方平台，这其中还包括如何设计流量分配方案。瀑布流和Bidding应该如何去分配。使用聚合就可以将方法论实现，这里面我们有几个有特色的点。以我们过往的经验来说，很多开发者的收益损耗发生在广告加载的过程中，因为对于相当一部分的用户来说，广告加载并非是一次就能加载到广告的。

与此同时，广告加载的时机也非常重要，究竟是开屏加载还是快进入页面时加载？如果这个地方出现一些错误，比如说我这个地方加载完毕但是没有观察加载结果那么其就并没有加载成功。而在这种情况下如果不重试的话后续的广告加载都不会成功。针对于这种情况我们开发了一个自动加载功能——当开发者启动聚合之后，只要将其初始化一遍，随后聚合就会自动做一些策略去加载广告。只要一消耗，就会自动补充以保证始终有广告可以用。而除此之外，我们还提供自动测试功能。

在聚合平台接入完毕之后，就进入了最核心的漏斗模型环节。我们有一套围绕此完善的报表和数据模型。当用漏斗调完数据模型之后，就进入到了数据监控和报警环节，与此同时我们也会持续地分享行业的动态数据。

接下来我详细的讲一讲我们围绕这五点提供的解决方案是怎样的？

首先图上的这组数据来源于我们去年推出的《全球手游广告白皮书》，这其中包括不同品类的游戏中的广告变现收入占比，其次还有广告场景的设置和变现方案。我们把它们分为了几个细致的类别。

在这套方案中包含如下几个细致的点：第一是广告场景的类型与设计，以及它如何优化？

第二是各广告场景的使用占比。具体来说就是TOP100或者是TOP50中的产品有多少是使用这种广告场景的？以及这个场景的收入占比又大概占了多少？通过这种方式我们让开发者直观的看到当前在他们的产品还有哪些场景和方式是可以补充的？

接下来是不同国家和区域市场的广告平台，eCPM，填充时长等指标。这块的指标来源于两类，一类是大盘的数据，它是我们基于漏斗模型抓取的这些指标。比如说在美国，一次广告填充也许在一至两秒，在某些特定品类中我们也可以见到八至十秒的填充。但大部分品类是在一两秒，东南亚是在三秒左右。因此在设置广告点的时候我们要考虑瀑布流的层次和Bidding时的每一次时间。这样我才能预估出来多长时间能够拿到这个广告，以及我设置的广告点是不是需要比这个时间靠后，以确保当用户到达后能够有广告展示出来。

在往后就是各个平台的合规政策和使用说明，以及行业大盘的漏斗数据，这是我们可以提供的每个品类的广告变现解决方案。

其次是我们选择的平台，这张图表是我们所列举的一个比较粗放的各区域我们比较具有优势的三方平台。而接下来这张图是不同区域的分区域广告表现eCPM示意图，但事实上我们还有更细致的，分品类的，分国家区域的数据。

而说到使用聚合，我们也有几个特点：

第一个是SDK端有几个特点，比如说三个接口能接入，并且广告支持全自动加载。在这种情况下开发人员可以省去大部分的代码，你只要初始化聚合，并在要广告的时候展示一下就可以了。其它的工作都由聚合平台自动做完，它的功能很全面，各种报表也都支持，全程也有技术支持服务。

另外一个维度是我们在高效智能这个层面，首先是我们在广告平台的资源上，有五十多个广告平台，并且还有上百家DSP，还有自己的ABX系统都可以供大家使用。漏斗模型可以看到流失点在哪里？如何优化？流量细分、精细化运营提升eCPM等等围绕流量分组的一些功能。同时我们还支持自动优化广告源的配置，监控报警以提高运营的精细度和实时性。

这里我们围绕漏斗模型展开说一下，广告变现的原理实际上是由人均展现次数和eCPM所决定的。这两个指数从应用和聚合的角度来说分别指向的是什么？从开发者的角度来说一定是用户想看广告的次数与场景，用户看多少次广告实际上是到场景多少次。而CPM又是谁决定的？它是由三方平台对于用户价值的判断所决定的。那么聚合在这个过程中首先解决的问题即是当用户想要看广告的时候，我永远有一个广告处于蓄势待发的状态。则在eCPM这块它则是根据不同的流量策略给出“究竟这次我曝光谁的广告”是最优的解决方案？聚合的核心在我们看来即是解决这两个问题。说的直接一点即是“当用户想要看广告的时候，有一个广告是准备好播放的。与此同时这个广告是CPM最高的。”

TradPlus在解决这两个问题的时候，首先在人均展示次数这个阶段我们是通过漏斗模型来查看观看损失，而通过Bidding和瀑布流的流量分组来决定优化CPM。这类场景的核心在于提高填充率，优先使用头部的广告平台，多层并行优先满足填充率。比如说在进入游戏开屏和马上弹的应用场景，如果你选择的广告平台不是头部的那你可能会面临一些收益上的损失。而慢速场景则是另外一种情况，在这一阶段填充率已经不是问题，所以目标即是提升CPM。

我们通过在各个广告平台间的尝试，最终得出最优的eCPM，一个典型的案例即是应用在启动二三十秒以上的场景。

今天的时间有限，我们围绕此讲一个简单的漏斗模型。这张图是我们列的九层漏斗模型的示意图，可以看到它从启动应用出发，经过读取策略，应用向聚合请求广告并填充，这时聚合在中间会多次基于后台配置的策略还有串并行策略填充。之后就到达了用户达到场景的环节，他们触发展示之后评判是否展示成功？这一点非常重要但却容易为开发者所忽略，因为很多开发者的广告仅仅是进行了调取，但是三方是否真正认可这个展示是一个问题。而这些是可以从三方的SDK中拿到相应的数据的。

在这个漏斗模型的不同步骤中，有几个比较重要的比例。比如说我们看到右边的应用填充率，众所周知广告需要填充。但是否广告有填充就好？答案是未必，因为广告变现的核心在于到达场景的时候有填充。这个衡量指标叫广告Ready率，在到达场景的时候我们会记录下来当前的广告场景是否准备好了？在这块我们追求的指标是接近100%，这代表用户只要想看广告时他永远会收获一个广告。

拥有广告之后接下来要看的是广告的触发，触发之后是否又真正的展示成功？展示成功之后开发者才真正能够拿到收益。因此这些是比较重要的指标，以上仅是一个粗略的漏斗模型，而我们的漏斗模型实际上是有二十几层。搭配指标有近六十个，包括每次请求三方的时长，三方有什么报错原因？用户到达场景的时长分布等等。

接下来我们讲一个大家关心的话题，即瀑布流和Bidding究竟应该如何整合？毕竟尽管Bidding足够先进，但在今天的市场环境下仍然有不少平台不支持Bidding模式。事实上这里的原理是当广告展示之前先请示一下Bidding，而后Bidding拿到一个或多个报价比较高的广告并将之插入瀑布流，从而再形成一个新的瀑布流。而后再根据这个新的瀑布流去请求广告，等于是根据你的后台配置进行一些串并行的策略。

再来看这张图，刚才我们曾经提到了数据闭环的运营。那么什么是数据闭环？这张图体现的非常直观，推广数据指的是用户是如何获取的？运营数据则指的是应用内用户的行为，到了这一步往往已经打通了一个闭环。在此基础上我们可以提供的是一个变现的API，开发者可以将每个用户的日收益打到自己的BI系统之中。在这种情况下，每个用户的ROI就非常清楚了。特别是考虑到当下iOS的IDFA政策公布之后拿不到的问题，我们还支持用户自定义功能。开发者可以在启动聚合的时候将user ID主动上传，在IDFA有所影响的情况下将用户的拼图做完整。

接下来这张图则更为直观，我们会观测买量、变现数据，而后通过聚合平台将这部分数据导入到开发者的BI系统中。而开发者在算完ROI之后得已做一些聚合性的统一，围绕我们得以去做一些素材层面的ROI优化。这就使得我们对于聚合平台的每个流程都看的比较清楚，这种变化是较为明显的。举例来讲，过往我们评估买量效果时通常会说，我们花十万美金买来了十万个用户，并且最终贡献了12万美元的收益。粗听起来的确是可以接受的，但是在今天的环境下你会发现也许这十万用户中的一万人就贡献了十二万美金的收益，因此这部分用户是应该加大投入。而一些ROI相对来讲较差的用户我们则应该放弃。这个功能其实是非常强大的，它可以把精细化运营的精度进一步有效提升。

那么我们是怎样支持这个功能的？我们会同时支持C2S和S2S两种方案。一方面我们会与开发者的BI打通，另一方面也和国内一些主流的平台如AppsFlyer、ADjust等打通，开发者在使用这项功能时只要配置下就可以有效地使用了。

最后我在介绍一下监控报警功能，当开发者用漏斗模型把数据调优之后这时就已经到了一百分，后期大量的工作将投入到数据监测，防止大范围的波动之上。所以我们的广场监控功能就是为此而生，通过将近二十个层面的指标进行监控，当开发者发现每天，或者与周同期亦或是开发者所设置的时间阶段出现数据异常时，就可以通过首页通知栏或邮件告知开发者，这一功能将极大程度地将开发者从日常数据对比工作中解放出来。而在开发者旗下产品较多的时候，这种效率的提升是极为明显的。

我们应该如何看待Bidding

接下来我来和大家聊一下我对Bidding的看法，在这张图表中我列举了Bidding的优势和劣势。

首先，Bidding的优势已经非常明显了。比如说它不用配置广告底价，可以有效地减少运营工作。其次各平台间的竞价更为公平，毕竟在传统的模式之下价格分的不够细致导致了还是有一些不公平的情况存在。操作简单，以前我们配置广告底价配置的广告平台可能有四五十个甚至是更多，这使得我们按区域来拆分的情况下工作量就非常大，这使得很多开发者只使用几个少数的大平台，一些中小平台在这种情况下被放弃。但Bidding由于其不用配置广告比价因此对中小平台更为友好。最后就是它能够减少请求次数，毕竟瀑布流的层数较多，因此相对来讲Bidding的速度更快，注意这里仅是相对而言，在个别的场景之下，它的速度可能是更慢的，一会我们会讲到。

尽管Bidding能够给我们带来如此之多的好处，但我们也应该看到好处与挑战是对应的。比如说在不能配置底价之后，在价格策略上就完全依赖于平台，开发者对其的可控性相应较差。目前很多Bidding平台连躲避底价都不支持，比如说当开发者遇到一些低价的广告时他们希望放弃过一会重试，但最终却发现很多聚合在当下连这种放弃超低价广告的支持都没有。

其次在竞价的过程中，与传统的瀑布流在其过程中可以实时看到不同的是。Bidding所有的竞价都是在服务端完成的，因此其公平性取决于聚合平台。而对于开发者来说一个比较明显的体验即是用不同的聚合在每个平台的收益占比都不一样，究竟哪一种更公平呢？这是每个开发者都会思考的问题。

最后一点则是Bidding有一点和常规的认知不一样的是其首先要进行一次服务器的交互，即聚合的SDK请求聚合的服务器，以及若干的Bidding平台拿到广告选择价格高的返回。而后聚合SDK再调取三方SDK拿到真实的广告，因此你可以看到其传统模式相比，它多了一次服务器交互的过程。在这种情况下，针对于一些要求速度极快的场景，其反应反而不如传统的瀑布流。比如说开屏场景，传统我们的做法是配置三五层瀑布流，并且通过全部并行的方式一次性拿到广告，在这种情况下通常是在一至三秒之内可以取得广告。但Bidding在这种模式下由于需要先交互一次，结合不同区域的网络环境可能需要一至三秒，随后拿到价格之后再去请求，因此在这种情况下其比传统的瀑布流反而耗时要更长。

但这些问题并非没有解决方案。TradPlus为了应对Bidding的挑战，也增加了一些高级的功能。

这张图比较直观的反映了广告变现的几个阶段。先来看瀑布流的阶段，众所周知聚合之中有三个环节非常重要。一是比价，二是比价之后如何保留？保留之后又如何去进一步优化？我们现在就从这三个环节中来看一下瀑布流和Bidding如何去提供解决方案。

首先瀑布流在比价那个阶段是按照预估价格排序，当然开发者也可以设置底价，按照历史价格自己来设置。保留这部分则可以设置广告的缓存数，即到底保留几个广告。价格优化这里很多开发者会这样做，即设置高中低三套不同的策略同时启动去拿，当我开始展示的时候即从高到低启动去问哪套方案有合适的广告得出最高价。在这种情况下对于高价和中间档的广告填充率也许不高，但是它可以反复的尝试。即一启动就加载一次高价的瀑布流，而过了半分钟到一分钟又重新尝试一次，这是瀑布流模式在当时所提供的一种比较好的优化方法。

再来看一下现阶段，在Bidding加瀑布流这个模式之下，又是如何去针对这三点提供解决方案的？首先，Bidding是没有办法设置底价的。其次在保留这部分也是一样的，Bidding的特点是要不然把所有的广告全部保留，要不然只保留一个。而后和传统的瀑布流进行统一排序。那可能会出现一种情况，即第一次几个聚合都拿到了最低的广告价格，这就把保留池全部占住了，开发者在这种情况下是没有重试的机会的。受此影响的后果是在价格层面也没有重试的机会。

那么TradPlus是如何解决这个问题的？第一我们支持可设置底价，在不同的Bidding中你可以设置不同的底价。第二为了保证统一，我们的Bidding会按照同样的底价策略去设置。当你拿到自己不想要的价格时是可以将它放弃的，而再结合瀑布流的底价设置，是完全可以解决低价广告的问题的。

第二在保留时，也许一次Bidding后你配置了十个广告页，假设它都有广告，那么我们保留几个匹配呢？比如说我可以整体缓存五个广告，但是bidding这里只缓存三个。如果你发现价格区间总是比较低的，甚至CPM比瀑布流还要低一些。那么我们可以允许你减少Bidding模式加载的广告数，将更多的机会让给单价更高的瀑布流。至于价格优化这一部分，这里可以卖个关子，大家有兴趣可以通过底部二维码联系我们。

接下来我们再讲一下我们详细的解决方案。以底价功能为例，右图是一个产品在T3国家的配置情况，它仅仅用了瀑布流推广，并且配置了三十层，而后配置了几层的并行。最终的eCPM是2.37美元。而在使用了Bidding之后，eCPM下降了32.9%，只有1.59美元。因为Bidding的广告价格普遍是低于瀑布流的。

在这种情况下，我们通过TradPlus让其加入了底价功能，并且一举将eCPM提升至3.83美元，比上一阶段提升61.6%，比第二阶段提升了140.8%。这里的关键在于其首先舍弃了低价广告，并且在一段时间拿不到合适的广告之后会隔一段时间进行重试。所以在这种情况下中高价广告可以获得更高的展示，在不损失展示次数的情况下，eCPM可以得到提升，而有没有损失展示次数我们同样是通过漏斗模型进行统计的。

结合案例来谈一谈广告变现如何提升效果

在本章中，我们结合不同的案例来谈一谈不同品类的游戏如何提升广告变现效率。

第一个游戏是《龙蛋战争》。在接入TradPlus之前的时候，这款产品面临的问题是eCPM低于行业的均值，但他们无法定位。因此希望我们为他们提供解决方案。我们在接入产品之后直接生成了漏斗模型，并得出了几个结论：

首先是应用填充率较低，原因是应用内有频繁请求的情况。即在游戏内一但拿不到广告就会立刻重新请求填充，但对于很多三方广告平台来讲这属于是频繁请求，并因此而产生报警拒绝并继而拒绝填充。其次是广告的应用场景也较为单一，不明显。

因此针对于这个游戏，我们制定的策略是通过TradPlus的自动加载机制，减少了无效请求的次数。首先聚合会识别这一轮有没有填充，如果没有的话会逐渐梯次增加请求的次数，不会像以前一样过于频繁的请求。其次针对于广告场景单一的问题，我们为其丰富了兜底层，并且新增了广告源。这一系列措施最终带来的结果是eCPM提升了75%，人均展示提升了15%，ARPU值提升了97%。

第二个游戏是《元气骑士》，这是一个很知名的Roguelike游戏。在接入TradPlus时，这部游戏的广告变现已经做了三年。它们面临的问题是通过瀑布流已经做的比较精细，但是不大清楚产品是否有机会进一步提升。在这种情况下，我们首先通过漏斗模型对其进行了分析，发现这个游戏的应用填充率偏低，同时广告触发率也相对较低。针对于这种情况我们为其制定的方案是通过精细化瀑布流分层，提升应用填充率。因为《元气骑士》这部作品的广告Ready率较为正常，因此我们要做的仅仅是精细化瀑布流的分层，最终的结果是这部作品实现了ARPU值30%的提升。

第三个游戏是一个去年比较火的二次元换装游戏，在2021年的第四季度它做得非常好。这个游戏由于在全球几十个国家发行，因此在精细化运营层面做得非常好。但是由于团队规模所限人手有限，因此他们希望做一些自动化处理。而我们在经过漏斗模型之后，发现这个游戏的应用填充率正常，但是Ready率存在一定问题。特别是在东南亚为代表的一些T3国家，他们的广告Ready时长要长于用户的加载时长，这使得广告无法在用户到达时及时展示。所以我们的解决方案是进行广告分切。将一些广告加载需时较长的国家单独区分出来，则后缩短瀑布流，加快广告时长，增加并行率以提升广告的Ready率。而在T1与T2国家，基于当地基建较好的情况，进一步增加广告时长并进一步提升eCPM。最终的结果是这部游戏的ARPU值增加了20%。并且T3国家的广告Ready填充率也提升到了T1国家的水平。

第四个游戏也比较知名，是《迷你世界》。在接入我们的产品时也已经做了广告变现，并且接入了相当层数的瀑布流，但他们也不确定能否进一步提升。在这种情况下，我们用漏斗模型进行了分析，并得出结论是这部游戏的填充率、Ready率都正常，但是在中低层的瀑布流中还有进一步的优化空间。而其解决方案是使用TradPlus的自动化请求功能，丰富中低层的瀑布流加载，减少一些无效请求，优化请求时机以提升eCPM。这样一套打法做下来对于这部游戏的数据提升是较为明显的：首先是eCPM提升了15%，人均展示则提升了105%，ARPU值提升了153%。

责编 梁枭