用數據說話：1441條投放記錄拆解游戲廣告投放的“流量密碼”

---

一、數據概況 & 處理思路

先放一張數據全家福，字段 13 個，樣本 1441 條，缺失值 0，只做了一件事：把“未知大小”“無”等臟數據清洗掉。

import pandas as pd, numpy as np, seaborn as sns, matplotlib.pyplot as plt
df = pd.read_excel('詳細內容更新.xlsx')
df['游戲包大小'] = pd.to_numeric(df['游戲包大小'].astype(str)          # 先轉字符串.str.replace('MB', '', regex=False) # 去單位.replace(['unknown', '無'], np.nan)  # 臟數據→NaN
)

---

二、游戲包大小：250 MB 以內是“甜蜜點”

下圖直方圖一眼看完：0-250 MB 區間游戲數斷崖式領先。

結論：小包好下載、好轉化，投放素材不必強調“超大世界”，而是突出“秒下秒玩”。

---

三、游戲類型：MMORPG 與卡通雙寡頭

把“游戲類型”字段炸開（多選→單選）后，Top10 如下：

排名	類型	占比
1	MMORPG	11.7%
2	卡通	10.3%
3	日韓	8.5%

df['單類型'] = df['游戲類型'].str.split('、')
df_exp = df.explode('單類型')
sns.countplot(y='單類型', data=df_exp,order=df_exp['單類型'].value_counts().iloc[:10].index)

---

四、投放節奏：6 月搶量、Q2 占全年 40%

按月聚合后得到一條“過山車”曲線：

df['月份'] = pd.to_datetime(df['投放時間']).dt.month
month_cnt = df['月份'].value_counts().sort_index()
month_cnt.plot(marker='o', figsize=(8,4)); plt.title('月度投放次數')

• 峰值 6 月（219 次）——暑期檔預熱
• 低谷 10 月（75 次）——國慶后空窗期

建議：Q2 加預算搶量，Q4 靠節點（雙 11 / 圣誕）做脈沖投放。

---

五、渠道矩陣：字節系霸榜，WiFi 萬能鑰匙單渠道 ROI 最高

5.1 出現頻率 Top10

渠道	出現次數
今日頭條	1186
抖音	1098
抖音火山版	1089

字節三件套合計占比 >50%，“廣撒網”必選。

5.2 平均預算占比 Top10

渠道	平均占比
WiFi 萬能鑰匙	79.8%
今日頭條	33.1%
穿山甲聯盟	25.3%

WiFi 萬能鑰匙雖然用的次數少，但一投就是重金，適合沖榜期集中爆破。

# 計算出現次數 & 平均占比
ad_df = pd.DataFrame(ad_list)
freq = ad_df['渠道'].value_counts()
ratio = ad_df.groupby('渠道')['占比'].mean()
sns.scatterplot(x=freq, y=ratio)

---

六、頭部公司打法拆解

Top10 游戲公司投放次數只占 20%，但資源投入極度傾斜：

公司	投放次數	連續投放中位數	聯運公司中位數	總素材中位數
貪玩信息	14	677 天	6 家	12 萬
愛奇藝	22	306 天	3 家	1.4 萬
弘貫網絡	13	34 天	1 家	0.7 萬

箱線圖解讀：

• 貪玩信息——超長周期 + 海量素材 + 多聯運，典型“高舉高打”
• 弘貫網絡——短平快，單聯運，素材少，適合垂直買量

sns.boxplot(x='游戲公司', y='總素材數',data=df[df['游戲公司'].isin(top10_list)])
plt.xticks(rotation=45)

---

七、長周期游戲（≥300 天）畫像

• 類型：MMORPG 占 12%，卡通 10%，日韓 8.5%
• 素材：平均 8403 條，是整體均值 3515 的 2.4 倍
• 相關性：投放天數 vs 素材數 r=0.19（弱相關），說明素材復用是常態，不必日更。

---

八、實戰 Checklist

階段	動作項
立項	包體 ≤ 250 MB；類型優先 MMORPG / 卡通
投放前	6 月前鎖預算；Q2 渠道：抖音+頭條+WiFi 萬能鑰匙
素材	長周期游戲建 3 套模板庫循環復用
聯運	頭部公司可擴至 8-10 家，中腰部先深耕 1-2 家

---

九、后續探索

1. 歸因：拉 LTV 數據，驗證 300 天投放的真實回本周期
2. 分端：安卓 vs iOS 素材偏好差異
3. 內容：用 NLP 解析高轉化素材的文案/視頻標簽